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?](/upload/InfoBanner/zyjiaocheng/1022/a605690f18d14af6825cb9fb25535f82.jpg)
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
扫描二维码推送至手机访问。