如何進行深層神經網絡模型SoftmaxDNN分析

本篇文章為大家展示了如何進行深層神經網絡模型Softmax DNN分析，內容簡明扼要并且容易理解，絕對能使你眼前一亮，通過這篇文章的詳細介紹希望你能有所收獲。

鶴崗ssl適用于網站、小程序/APP、API接口等需要進行數據傳輸應用場景，ssl證書未來市場廣闊！成為成都創新互聯的ssl證書銷售渠道，可以享受市場價格4-6折優惠！如果有意向歡迎電話聯系或者加微信：18982081108（備注：SSL證書合作）期待與您的合作！

一種可能的DNN模型是softmax，它將問題看作多類預測問題，其中：

DNN的輸入可包括：

與矩陣分解方法不同，還可以添加年齡或國家區域等側面特征。這里用x表示輸入向量。

如何進行深層神經網絡模型Softmax DNN分析

圖1.輸入層x

模型架構

模型架構決定了模型的復雜性和表現力。通過添加隱藏層和非線性激活函數（例如，ReLU），模型可以捕獲數據中更復雜的關系。然而，增加參數的數量通常也使得模型更難以訓練并且計算起來更復雜。最后一個隱藏層的輸出用如何進行深層神經網絡模型Softmax DNN分析表示：

如何進行深層神經網絡模型Softmax DNN分析

圖2.隱藏層的輸出， ψ(X)

如何進行深層神經網絡模型Softmax DNN分析

圖4.損失函數

如何進行深層神經網絡模型Softmax DNN分析

上一節解釋了如何將softmax層合并到推薦系統的深度神經網絡中。本節將詳細介紹此系統的訓練數據。

softmax訓練數據由查詢特征X以及用戶與之交互的項目向量（表示為概率分布 p）組成，在下圖中用藍色標記。模型的變量是不同層中的權重，在下圖中用橙色標記。通常使用隨機梯度下降或其變體方法來訓練模型。

DNN模型解決了矩陣分解的許多限制，但通常訓練和預測的代價更高。下表總結了兩種模型之間的一些重要差異。

矩陣分解	Softmax DNN
查詢特征	不容易包括在內	可以包括在內
冷啟動	不容易處理詞典查詢或項目。可以使用一些啟發式方法（例如，對于新查詢，類似查詢的平均嵌入）	容易處理新查詢
折頁	通過調整WALS中未觀察到的重量可以輕松減少折疊	容易折疊，需要使用負采樣或重力等技術
訓練可擴展性	可輕松擴展到非常大的語料庫（可能是數億項或更多），但僅限于輸入矩陣稀疏	難以擴展到非常大的語料庫，可以使用一些技術，例如散列，負采樣等。
提供可擴展性	嵌入U，V是靜態的，并且可以預先計算和存儲一組候選	項目嵌入V是靜態的并且可以存儲，查詢嵌入通常需要在查詢時計算，使得模型的服務成本更高

矩陣分解通常是大型語料庫的更好選擇。它更容易擴展，查詢計算量更便宜，并且不易折疊。

DNN模型可以更好地捕獲個性化偏好，但是難以訓練并且查詢成本更高。DNN模型比評分的矩陣分解更可取，因為DNN模型可以使用更多特征來更好地捕獲相關性。

上述內容就是如何進行深層神經網絡模型Softmax DNN分析，你們學到知識或技能了嗎？如果還想學到更多技能或者豐富自己的知識儲備，歡迎關注創新互聯行業資訊頻道。

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源：創新互聯

猜你還喜歡下面的內容