1. RNN中的隐藏单元数是什么
参考这篇博客中对于隐藏层数量的解释(https://blog.51cto.com/u_16213598/10154980),还有简单RNN存在的梯度消失和梯度爆炸的解释。
the number of layers that make up the RNN, typically 1-3; greater than 1 means that you’ll create a stacked RNN
关于梯度消失和梯度爆炸:在RNN反向传播时(BPTT),需要寻找最优的参数,但是累乘会导致激活函数导数的累乘,同时还有权重的累乘。如果权重小于1,那么就会产生梯度消失的问题,同理当权重大于1,则会产生梯度爆炸现象。
2. torch.Tensor(data).unsqueeze(0)怎么理解?
torch.unsqueeze()是PyTorch库中的一个函数,它被用来在输入张量的特定维度上增加一个维度。这是一个很常用的函数,可以用来改变张量的形状和结构。
函数的参数是输入张量和要增加的维度的位置。具体来说,如果你有一个形状为(N, M)的二维张量,torch.unsqueeze(tensor, 0)会在第一维(即N)后面增加一个维度,得到形状为(1, N, M)的张量。如果你在第二维(即M)后面增加一个维度,那么你会得到形状为(N, 1, M)的张量。
(参考https://blog.csdn.net/AI_dataloads/article/details/134340453)
3. 神经网络中的Embedding怎么理解?
参考:https://zhuanlan.zhihu.com/p/565095548
Embedding,简单理解,就是做一个映射变换,将一个数字映射成一组向量
- 首先把样本数据单元进行数字化(例如文本数据中,单词(token)与数字一一对应,token_to_idx)
- embedding:上面已经完成了文本单元数字化的操作,理论上你可以直接把这些数字放入到神经网络中去,但是人工智能学者更愿意再进行一个特征提取操作。也就是用一个特征向量来表示某一个文本单元,对应于他的数字化后的数字,就是这个数字又对应于一个特征向量,这个过程叫做embedding。假设总共有100个不同的文本单元构成了一大段文本,这100个单位有映射到100个不同的数字来代替,然后这100个数字又分别用100个向量来代替,这100个数字映射到100个向量就会形成一个M矩阵,每次要输入一个文本单元(词元)时,就会找它对应的数字,再通过查找M矩阵,把这个数字对应的向量输入到神经网络中进行训练。