记录一些深度学习基础知识

changreal

于 2020-08-03 15:43:18 发布

阅读量308

点赞数

CC 4.0 BY-SA版权

分类专栏： NLP 深度学习文章标签：深度学习 nlp

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/changreal/article/details/107765325

本文探讨了深度学习中的两种归一化技术——Batch Normalization (BN) 和 Layer Normalization (LN)，解释了它们如何帮助加速训练过程并稳定分布。在NLP中，LN尤其适用于处理词向量维度。此外，还介绍了常用的损失函数CrossEntropyLoss，解释了其结合Softmax和NLLLoss的工作原理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

batch normalization与layer normalization

索引：NLP中 batch normalization与 layer normalization

BN、LN可以看作横向和纵向的区别。
经过归一化再输入激活函数，得到的值大部分会落入非线性函数的线性区，导数远离导数饱和区，避免了梯度消失，这样来加速训练收敛过程。
BatchNorm这类归一化技术，目的就是让每一层的分布稳定下来，让后面的层可以在前面层的基础上安心学习知识。
BatchNorm就是通过对batch size这个维度归一化来让分布稳定下来。LayerNorm则是通过对Hidden size这个维度归一。

在这里插入图片描述
在nlp中，LN则是针对一句话进行缩放的，且LN一般用在第三维度，如[batchsize, seq_len, dims]中的dims，一般为词向量的维度，或者是RNN的输出维度等等，这一维度各个特征的量纲应该相同。因此也不会遇到上面因为特征的量纲不同而导致的缩放问题。

记录各种损失函数

CrossEntropyLoss()

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。