From 0a39b522d1333982bc542392ea1210a5fa07c4c0 Mon Sep 17 00:00:00 2001 From: fengjiayi Date: Fri, 5 May 2017 16:56:29 +0800 Subject: [PATCH] update README.md --- text_classification/README.md | 6 +++--- 1 file changed, 3 insertions(+), 3 deletions(-) diff --git a/text_classification/README.md b/text_classification/README.md index 4dc6ac13..67e0dcbf 100644 --- a/text_classification/README.md +++ b/text_classification/README.md @@ -5,18 +5,18 @@ 本例子的实验在IMDB数据集上进行。IMDB数据集包含了来自IMDb（互联网电影数据库）网站的5万条电影影评，并被标注为正面/负面两种评价。数据集被划分为train和test两部分，各2.5万条数据，正负样本的比例基本为1:1。样本直接以英文原文的形式表示。 ## DNN模型结构 -####DNN的模型结构入下图所示： +#### DNN的模型结构入下图所示：


图1. DNN文本分类模型

-####可以看到，模型主要分为如下几个部分： +#### 可以看到，模型主要分为如下几个部分： - **embedding层**：IMDB的样本由原始的英文单词组成，为了方便模型的训练，必须通过embedding将英文单词转化为固定维度的向量。 - **max pooling**：max pooling在时间序列上进行，pooling过程消除了不同语料样本在单词数量多少上的差异，并提炼出词向量中每一下标位置上的最大值。经过pooling后，样本被转化为一条固定维度的向量。 - **全连接隐层**：经过max pooling后的向量被送入一个具有两个隐层的DNN模型，隐层之间为全连接结构。 - **输出层**：输出层的神经元数量和样本的类别数一致，例如在二分类问题中，输出层会有2个神经元。通过Softmax激活函数，我们保证输出层各神经元的输出之和为1，因此第i个神经元的输出就可以认为是样本属于第i类的预测概率。 -####通过Paddle实现该DNN结构的代码如下： +#### 通过Paddle实现该DNN结构的代码如下： ```python import paddle.v2 as paddle -- GitLab