[PyTorch][chapter 44][时间序列表示方法4]

news2024/11/25 23:28:58

前言：

训练复杂度 O=E*T*Q

参数	全称
E 迭代次数	Number of the training epochs
T数据集大小	Number of the words in the training set
Q 模型计算复杂度	Model computational complexity

E,T 一般都认为相同，所以这里面主要讨论Q，模型本身的训练复杂度

NN-LM
RNN-LM
SKIP-grame
CBOW

一 NNLM

输入 N个词预测下一个词

1.1 模型Forward：

1 输入 N 个[d,1] 的one-hot 向量

2 concat 后

$x \sim [N*d,1]$

3 经过第一个线性层 torch.nn.Linear

$z=W^Tx+b$ 输出[h,1]

其中参数

$W \in[N*d,h]$

$b \in[h,1]$

4 经过一个激活函数

$a= tanh(z)$

5 经过第二个线性层 torch.nn.Linear

$z=U^Ta+b$

参数

$U \sim [h,v]$

$b \sim [h,1]$

6 经过softmax 后得到输出

1.2 Q 模型计算复杂度：

$Q=W+U+b=N*d*h+v*h+N*d$

二 RNN-LM

2.1 模型

2.2 模型Forward

1 当前时刻的输入单词 $x_{t} \sim [d,1]$

2 当前时刻隐藏层

$S_t= U^Tx_t+W^TS_{t-1}$

其中： $U \sim [d,d]$

$W \sim [d,d]$

3 当前时刻的输出

$\hat{y_t}=softmax(V^TS_t)$

其中：

$V \sim [d,v]$

所以

$Q=U+V+W=d*d+d*d+d*v$

三 SKIP-grame

跟https://mp.csdn.net/mp_blog/creation/editor/131523503

稍微有点不一样，前面讲的 $z=W^Tx$ , $x\sim[v,1],W \sim [v,d]$

这里直接用一个 $w_t \sim [d,1]$ 代表该单词。前面博客只是为了

更深入的了解为什么要用[d,1]向量代表该单词