建议使用以下浏览器,以获得最佳体验。 IE 9.0+以上版本 Chrome 31+ 谷歌浏览器 Firefox 30+ 火狐浏览器
请选择 进入手机版 | 继续访问电脑版
设置昵称

在此一键设置昵称,即可参与社区互动!

确定
我再想想
选择版块
标签
您还可以添加5个标签
  • 没有搜索到和“关键字”相关的标签
  • 云产品
  • 解决方案
  • 技术领域
  • 通用技术
  • 平台功能
取消

某地瓜

发帖: 145粉丝: 5

级别 : 高级会员

发消息 + 关注

发表于2020年05月08日 01:34:54 916 1
直达本楼层的链接
楼主
显示全部楼层
[技术交流] 表示学习的理论基础

**表示学习得到的低维向量表示是一种分布式表示(distributed representation)。之所以如此命名,是因为孤立地看向量中的每一维,都没有明确对应的含义;而综合各维形成一个向量,则能够表示对象的语义信息。这种表示方案并非凭空而来,而是受到人脑的工作机制启发而来。我们知道,现实世界中的实体是离散的,不同对象之间有明显的界限。人脑通过大量神经元上的激活和抑制存储这些对象,形成内隐世界。显而易见,每个单独神经元的激活或抑制并没有明确含义,但是多个神经元的状态则能表示世间万物。受到该工作机制的启发,分布式表示的向量可以看作模拟人脑的多个神经元,每维对应一个神经元,而向量中的值对应神经元的激活或抑制状态。基于神经网络这种对离散世界的连续表示机制,人脑具备了高度的学习能力与智能水平。表示学习正是对人脑这一工作机制的模仿。还值得一提的是,现实世界存在层次结构一个对象往往由更小的对象组成。例如一个房屋作为一个对象,是由门、窗户、墙、天花板和地板等对象有机组合而成的,墙则由更小的砖块和水泥等对象组成,以此类推。这种层次或嵌套的结构反映在人脑中,形成了神经网络的层次结构。最近象征人工神经网络复兴的深度学习技术,其津津乐道的“深度”正是这种层次性的体现。**
举报
分享

分享文章到朋友圈

分享文章到微博

云天裕

发帖: 0粉丝: 0

级别 : 中级会员

发消息 + 关注

发表于2020年06月12日 10:11:05
直达本楼层的链接
沙发
显示全部楼层

很好的分享,就是有点菜,不太看得懂

点赞 评论 引用 举报

游客

富文本
Markdown
您需要登录后才可以回帖 登录 | 立即注册