Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
d2l-zh
提交
9adbb854
D
d2l-zh
项目概览
OpenDocCN
/
d2l-zh
通知
2
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
D
d2l-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
提交
9adbb854
编写于
12月 12, 2018
作者:
杨
杨英明
提交者:
Aston Zhang
12月 11, 2018
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
优化语言表述 (#447)
上级
c161ec7b
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
2 addition
and
2 deletion
+2
-2
chapter_recurrent-neural-networks/rnn-scratch.md
chapter_recurrent-neural-networks/rnn-scratch.md
+2
-2
未找到文件。
chapter_recurrent-neural-networks/rnn-scratch.md
浏览文件 @
9adbb854
...
...
@@ -145,7 +145,7 @@ def grad_clipping(params, theta, ctx):
## 困惑度
我们通常使用困惑度(perplexity)来评价语言模型的好坏
。回忆一下
[
“Softmax回归”
](
../chapter_deep-learning-basics/softmax-regression.md
)
一节中交叉熵损失函数的定义。困惑度是对交叉熵损失函数做指数运算后得到的值。特别地,
我们通常使用困惑度(perplexity)来评价语言模型的好坏
,可以回忆一下
[
“Softmax回归”
](
../chapter_deep-learning-basics/softmax-regression.md
)
一节中交叉熵损失函数的定义。困惑度是对交叉熵损失函数做指数运算后得到的值,特别的:
*
最佳情况下,模型总是把标签类别的概率预测为1。此时困惑度为1。
*
最坏情况下,模型总是把标签类别的概率预测为0。此时困惑度为正无穷。
...
...
@@ -155,7 +155,7 @@ def grad_clipping(params, theta, ctx):
## 定义模型训练函数
跟之前章节的模型训练函数相比,这里的模型训练函数有以下几
个不同。
跟之前章节的模型训练函数相比,这里的模型训练函数有以下几
点不同:
1.
使用困惑度(perplexity)评价模型。
2.
在迭代模型参数前裁剪梯度。
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录