Defiler_Lee的博客

BertTokenizer 使用方法，BertTokenizer 函数详解，tokenizer使用方法

目录1. numpy实现全连接层2. numpy实现MSE损失函数3. numpy实现梯度更新优化器momentum优化器SGD优化器4. numpy实现sigmoid激活函数5. 简单模型的定义6. 数据集测试7. train函数实现1. numpy实现全连接层class numpy_fc(object): def __init__(self, in_channel, out_channel, optim, name="fc"): .

目录1. 交叉熵详解1.1信息量1.2 熵1.3 相对熵（KL散度）1.4交叉熵1.5 小结2. 交叉熵的应用（pytorch中）2.1交叉熵在分类任务中的计算过程2.2 log_softmax()函数2.3nll_loss()函数2.4cross_entropy()函数2.5 函数的其他调用方式1. 交叉熵详解1.1...

1.softmax 的位置softmax（软最大输出函数），可以将输入序列映射到 0-1 之间，且映射后的序列和为 1，这样就可以理解为，将输入序列转化为分别对应属于某些分类的概率，因此常常用来作为多分类任务中的激活函数，同时使用交叉熵作为损失函数。2.softmax函数及导数softmax 函数softmax 求导时分两种情况：当 i = j 时：当 i ≠ ...

学习时候发现了有的网络结构中将BN作为单独的一层进行设计，因此学习了一下BN。1.Batch normalization理解BN可以作为激活层之前一层，将输入数据进行标准化，BN计算公式如下:其中，E[x]为均值，sqrt（var）为标准差，可知BN层的输出其实是将输入的数据标准化成为均值为0方差为1的正态分布。这样做的原因呢？这里我们假设使用si...