MLP情感分析模型

最近在学习情感分析方面的算法,对MLP算法产生了兴趣。恰好手上有步步高客户网上调研的评论文本数据,对评论进行情感分析,练练手。文章目录导入库处理数据step 1.数据预处理step 2.中文分词、停词step 3.中文语句向量化step 4.训练模型对比SnowNLP库看看效果参考导入库import pandas as pdfrom pandas import DataFrame, Seriesimport numpy as npimport jiebafrom sklearn.model_s
摘要由CSDN通过智能技术生成

多层感知机与情感分析

1.多层感知机

多层感知机在单层神经网络的基础上引入了一到多个隐藏层(hidden layer)。隐藏层位于输入层和输出层之间。
enter image description here
在上图所示的多层感知机中,输入和输出个数分别为4和3,中间的隐藏层中包含了5个隐藏单元(hidden unit)。由于输入层不涉及计算,图中的多层感知机的层数为2。由图可见,隐藏层中的神经元和输入层中各个输入完全连接,输出层中的神经元和隐藏层中的各个神经元也完全连接。因此,多层感知机中的隐藏层和输出层都是全连接层。

具体来说,给定一个小批量样本 X ∈ R n × d X \in \R^{n \times d} XRn×d,其批量大小为 n n n,输入个数为 d d d 。假设多层感知机只有一个隐藏层,其中隐藏单元个数为 h h h 。记隐藏层的输出(也称为隐藏层变量或隐藏变量)为 H H H,有 H ∈ R n × h H \in \R^{n \times h} HRn×h。因为隐藏层和输出层均是全连接层,可以设隐藏层的权重参数和偏差参数分别为 W h ∈ R d × h W_h \in \R^{d \times h} WhRd×h b h ∈ R 1 × h b_h \in \R^{1 \times h} bhR1×h,输出层的权重和偏差参数分别为 W o ∈ R h × q W_o \in \R^{h \times q} WoRh×q b o ∈ R 1 × q b_o \in \R^{1 \times q} boR1×q

我们先来看一种含单隐藏层的多层感知机的设计。其输出 O ∈ R n × q O \in \R^{n \times q} ORn×q的计算为:
H = X W h + b h O = H W o + b o H = XW_h + b_h \\ O = HWo + b_o H=XWh+bhO=HWo+bo
也就是将隐藏层的输出直接作为输出层的输入。如果将以上两个式子联立起来,可以得到
O = ( X W h + b h ) W o + b o = X W h W o + b h W o + b o O=(XW_h+b_h)W_o+b_o=XW_hW_o+b_hW_o+b_o O=(XWh+bh)Wo+bo=XWhW

  • 1
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值