问题：为什么深度学习的结构特点不利于稀疏特征向量的处理呢？

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了问题：为什么深度学习的结构特点不利于稀疏特征向量的处理呢？，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含692字，纯文字阅读大概需要1分钟。

内容图文

问题：为什么深度学习的结构特点不利于稀疏特征向量的处理呢？
一方面，如果我们深入到神经网络的梯度下降学习过程就会发现，特征过于稀疏会导致整个网络的收敛非常慢，因为每一个样本的学习只有极少数的权重会得到更新，这在样本数量有限的情况下会导致模型不收敛。
另一个方面，One-hot 类稀疏特征的维度往往非常地大，可能会达到千万甚至亿的级别，如果直接连接进入深度学习网络，那整个模型的参数数量会非常庞大，这对于一般公司的算力开销都是吃不消的。
所以基于上面两个原因，我们往往先通过 Embedding 把原始稀疏特征稠密化，然后再输入复杂的深度学习网络进行训练，这相当于把原始特征向量跟上层复杂深度学习网络做一个隔离。
————————————————

原文链接：https://blog.csdn.net/l491899327/article/details/110143463

内容总结

以上是互联网集市为您收集整理的问题：为什么深度学习的结构特点不利于稀疏特征向量的处理呢？全部内容，希望文章能够帮你解决问题：为什么深度学习的结构特点不利于稀疏特征向量的处理呢？所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---