第三次周报10.9

目录

  • 反向传播算法
    • 计算图
      • 正向传播
      • 反向传播
    • 实例
  • 文献阅读
    • 研究背景
    • 主要内容
    • 存在的缺点
    • 解决方案
  • 总结

反向传播算法

反向传播算法是神经网络的基础之一,该算法主要用于根据损失函数来对网络参数进行优化,它建立在梯度下降法的基础上,主要由两个环节(激励传播、权重更新)反复循环迭代,直到网络的对输入的响应达到预定的目标范围为止。

总结:反向传播算法就是神经网络中加速计算梯度值的方法

计算图

第三次周报10.9_第1张图片

草稿纸上的计算过程过于凌乱以及步骤繁琐,现采用计算图来表示该算法在计算机中模块化的过程

正向传播

定义中间变量u1后可看出,每个模块的运算都相同,只有输入的变量不同,可在计算机中用循环代替
第三次周报10.9_第2张图片

反向传播

黄色字体代表前面已经求出的公式
第三次周报10.9_第3张图片
将上述步骤用代码实现:
第三次周报10.9_第4张图片

实例

这个case构建了只有一层的神经网络,只进行一轮的正向反向传播,没有给神经元加上激活函数,重点在于说明正向传播和反向传播的过程。
第三次周报10.9_第5张图片
经过几轮传播不断更新参数,使得不断地逼近真实值,将损失函数不断地接近最小值使网络最终收敛,但实际神经元中都会加上激活函数,从而影响正向传播或反向传播的值。

文献阅读

本周阅读了《Review on Natural Language Processing (NLP) and Its
Toolkits for Opinion Mining and Sentiment Analysis》(《自然语言处理(NLP)及其意见挖掘和情感分析工具包的综述》)了解目前该领域的发展现状

研究背景

大多数研究人员和科学家关注的中心是,收集和捕捉人们对社会、政治增长、商业程序以及喜欢或不喜欢商界的产品的流行情绪。因此,作为其结果,他们可以可以想象地促进和预测企业市场的财务份额。随后的发展领域是意见挖掘和情感分析。在现代电子商务中,商家投资于意见挖掘和情绪分析研究,然后利用这些研究结果,通过积极和消极的客户输入来加强客户关系管理和建议框架。

主要内容

主要介绍了自然语言处理(NLP)技术、NLP最有用的工具包,对意见挖掘和情绪分析进行了回顾:
1.文本预处理的NLP技术
该段落介绍了在意见挖掘中,文本结构、提取特征、分割、标记化、词性(POS)标记和解析需要的预处理方法。
2.意见挖掘和情绪分析
意见挖掘和情感分析的目标是提取作品的情感取向。通常,意见挖掘可以分为3个级别:文档级别、句子级别、细粒度级别。一级。它选择一个句子是积极、消极的还是公平的陈述。主观性安排是在句子层面上的另一项努力,它将报告或文档中给定文本的抽象部分和目标部分分开。第二级执行任务的意见可能是积极的,消极的或中立的。完成所有级别后,公司或用户可以在屏幕上得到反馈,但不确定任何筛选重新要求、建议、建议或询问。

存在的缺点

当有人在线提交他的反馈或评论,不确定这些提交准确,原因是这背后的NLP编程的修复,只是通知文本删除无意义的词。这对用户并不好,因为大多数用户都不知道正确地编写和提交他们的反馈,或者询问关于品牌或其他事情的不同问题。那么如何解决他的问题,如何得到他的问题的正确答案。

解决方案

文本再处理的背面设计了一些技术,包括一些跟踪或排序数据的检查,由于一些有限的检查筛选结果不能正确或反馈,评论或审查也不能正确筛选或提交。建议通过沟通间隙修改反NLP技术以及所有其他相关技术,使得每个技术都将准确和容易地获得用户想要的愿望信息,让用户或受益人可以提供和接收适当的信息数据。

总结

本周已学会神经网络的前后向推导,下周重点学习经典的编码器 知道有什么方法,出于什么理论,解决什么问题以及用代码实现,并继续阅读文献了解相关领域现状。

你可能感兴趣的:(神经网络,深度学习,人工智能)