SimpleRNNCell SimpleRNNCell class paddle.nn. SimpleRNNCell ( input_size, hidden_size, activation=’tanh’, weight_ih_attr=None, weight_hh_attr=None, bias_ih_attr=None, bias_hh_at...

3.15 数值稳定性和模型初始化 3.15.1 衰减和爆炸 3.15.2 随机初始化模型参数 3.15.2.1 PyTorch的默认随机初始化 3.15.2.2 Xavier随机初始化 小结 参考文献 3.15 数值稳定性和模型初始化 理解了正向传播与反向传播以后，我们来讨论一下深度学习模型的数值稳定性问题以及模型参数的初始化方法。深度模...

Deeplearning Algorithms tutorial 孤立点分析 算法描述 算法应用 相关应用 优点和缺点 Deeplearning Algorithms tutorial 谷歌的人工智能位于全球前列，在图像识别、语音识别、无人驾驶等技术上都已经落地。而百度实质意义上扛起了国内的人工智能的大旗，覆盖无人驾驶、智能助手、图像识别等...

paddle.nn 容器相关 卷积层 pooling层 Padding层 激活层 Normalization层 循环神经网络层 Transformer相关 线性层 Dropout层 Embedding层 Loss层 Vision层 Clip相关 公共层 卷积相关函数 Pooling相关函数 Padding相关函数 激活函数...

paddle.nn 容器相关 卷积层 pooling层 Padding层 激活层 Normalization层 循环神经网络层 Transformer相关 线性层 Dropout层 Embedding层 Loss层 Vision层 Clip相关 公共层 卷积相关函数 Pooling相关函数 Padding相关函数 激活函数...

10.8. 文本情感分类：使用卷积神经网络（textCNN） 10.8.1. 一维卷积层 10.8.2. 时序最大池化层 10.8.3. 读取和预处理IMDb数据集 10.8.4. textCNN模型 10.8.4.1. 加载预训练的词向量 10.8.4.2. 训练并评价模型 10.8.5. 小结 10.8.6. 练习 10.8.7. 参考文...

先修知识与符号说明 先修知识与符号说明 如果你有学习过机器学习相关课程（例如我在 Coursera 开设的机器学习 MOOC），或者有过监督学习的应用经验，这本书的内容对你而言则不难理解。 本书假设你熟悉监督学习（supervised learning） 概念，即使用标注（labeled）的训练样本 来学习一个从 映射到 的函数。监督学习算法...

给数据加权重 给数据加权重 假设你有 20 万张来自互联网的图片，还有来自移动应用用户的 5000 张照片。数据集的大小之间有一个 40:1 的比率。从理论上讲，只要你建立了一个庞大的神经网络，并在所有 205000 张图片上进行足够长的时间训练，那么在网络图像和移动图像上将算法都训练得很好是没有害处的。 但在实际操作中，拥有 40 倍的网络图像可...

为什么正则化能够降低过拟合 为什么正则化能够降低过拟合 我们通过实验发现正则化能帮助减少过拟合。这是令人高兴的事，然而不幸的是，我们没有明显的证据证明为什么正则化可以起到这个效果！一个大家经常说起的解释是：在某种程度上，越小的权重复杂度越低，因此能够更简单且更有效地描绘数据，所以我们倾向于选择这样的权重。尽管这是个很简短的解释，却也包含了一些疑点。让...

七、DeepFM 7.1 模型 7.2 实验 七、DeepFM 理解用户点击行为背后隐藏的交叉特征对于 CTR 预估非常重要。例如，对 app store 的研究表明：人们经常在用餐时间下载送餐 app 。这说明：app 类别和时间戳构成的交叉特征可以作为 CTR 预估的信号。 通常用户点击行为背后的特征之间的各种交互非常复杂，其中的...