From 3a712e0240bbe8f017b369bcd275c7b1965b66c2 Mon Sep 17 00:00:00 2001 From: fengjiayi Date: Tue, 9 May 2017 23:45:49 +0800 Subject: [PATCH] change README.md --- text_classification/README.md | 12 ++++++------ 1 file changed, 6 insertions(+), 6 deletions(-) diff --git a/text_classification/README.md b/text_classification/README.md index d8f9a707..7a3f8c34 100644 --- a/text_classification/README.md +++ b/text_classification/README.md @@ -10,14 +10,14 @@ DNN与CNN模型之间最大的区别在于，CNN模型中存在卷积结构， ## DNN模型 -***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：** - **词向量层**：IMDB的样本由原始的英文单词组成，为了方便模型的训练，必须将英文单词转化为固定维度的向量。 @@ -28,7 +28,7 @@ DNN与CNN模型之间最大的区别在于，CNN模型中存在卷积结构， - **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PaddlePaddle实现该DNN结构的代码如下：*** +**通过PaddlePaddle实现该DNN结构的代码如下：** ```python import paddle.v2 as paddle @@ -77,14 +77,14 @@ def fc_net(input_dim, class_dim=2, emb_dim=256): ## CNN模型 -***CNN的模型结构如下图所示：*** +**CNN的模型结构如下图所示：**


图2. CNN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:** - **词向量层**：与DNN中词向量层的作用一样，将英文单词转化为固定维度的向量。如图2中所示，将得到的词向量定义为行向量，再将语料中所有的单词产生的行向量拼接在一起组成矩阵。假设词向量维度为5，语料“The cat sat on the read mat”包含7个单词，那么得到的矩阵维度为7*5。 @@ -94,7 +94,7 @@ def fc_net(input_dim, class_dim=2, emb_dim=256): - **全连接与输出层**：将最大池化的结果通过全连接层输出，与DNN模型一样，最后输出层的神经元个数与样本的类别数量一致，且输出之和为1。 -***通过PaddlePaddle实现该CNN结构的代码如下：*** +**通过PaddlePaddle实现该CNN结构的代码如下：** ```python import paddle.v2 as paddle -- GitLab