電子發燒友App
創作
發文章
發帖 
提問 
發資料
發視頻在第 7 節中，我們研究了使用二維 CNN 處理二維圖像數據的機制，這些機制應用于相鄰像素等局部特征。盡管最初是為計算機視覺設計的，但 CNN 也廣泛用于自然語言處理。簡單地說，只需將任何文本序列視為一維圖像即可。通過這種方式，一維 CNN 可以處理局部特征，例如n- 文本中的克。
在本節中，我們將使用textCNN模型來演示如何設計用于表示單個文本的 CNN 架構 ( Kim, 2014 )。與圖 16.2.1使用帶有 GloVe 預訓練的 RNN 架構進行情感分析相比，圖 16.3.1的唯一區別在于架構的選擇。
圖 16.3.1本節將預訓練的 GloVe 提供給基于 CNN 的架構以進行情感分析。
16.3.1。一維卷積
在介紹模型之前，讓我們看看一維卷積是如何工作的。請記住，這只是基于互相關運算的二維卷積的特例。
圖 16.3.2一維互相關運算。陰影部分是第一個輸出元素以及用于輸出計算的輸入和核張量元素： 0×1+1×2=2.
如圖 16.3.2所示，在一維情況下，卷積窗口在輸入張量上從左向右滑動。在滑動過程中，輸入子張量（例如，0和1在 圖 16.3.2中）包含在某個位置的卷積窗口和內核張量（例如，1和2在 圖 16.3.2中）按元素相乘。這些乘法的總和給出單個標量值（例如， 0×1+1×2=2在圖 16.3.2中）在輸出張量的相應位置。
我們在以下函數中實現一維互相關 corr1d。給定一個輸入張量X和一個內核張量 K，它返回輸出張量Y。
我們可以從 圖 16.3.2構造輸入張量X和核張量來驗證上述一維互相關實現的輸出。K
tensor([ 2., 5., 8., 11., 14., 17.])
對于任何具有多個通道的一維輸入，卷積核需要具有相同數量的輸入通道。然后對于每個通道，對輸入的一維張量和卷積核的一維張量進行互相關運算，將所有通道的結果相加得到一維輸出張量。圖 16.3.3顯示了具有 3 個輸入通道的一維互相關運算。
圖 16.3.3具有 3 個輸入通道的一維互相關操作。陰影部分是第一個輸出元素以及用于輸出計算的輸入和核張量元素： 0×1+1×2+1×3+2×4+2×(?1)+3×(?3)=2.
我們可以對多個輸入通道進行一維互相關運算，并驗證 圖 16.3.3中的結果。
def corr1d_multi_in(X, K):
# First, iterate through the 0th dimension (channel dimension) of `X` and
# `K`. Then, add them together
return sum(corr1d(x, k) for x, k in zip(X, K))
X = torch.tensor([[0, 1, 2, 3, 4, 5, 6],
[1, 2, 3, 4, 5, 6, 7],
[2, 3, 4, 5, 6, 7, 8]])
K = torch.tensor([[1, 2], [3, 4], [-1, -3]])
corr1d_multi_in(X, K)
tensor([ 2., 8., 14., 20., 26., 32.])
def corr1d_multi_in(X, K):
# First, iterate through the 0th dimension (channel dimension) of `X` and
# `K`. Then, add them together
return sum(corr1d(x, k) for x, k in zip(X, K))
X = np.array([[0, 1, 2, 3, 4, 5, 6],
[1, 2, 3, 4, 5, 6, 7],
[2, 3, 4, 5, 6, 7, 8]])
K = np.array([[1, 2], [3, 4], [-1, -3]])
corr1d_multi_in(X, K)
array([ 2., 8., 14., 20., 26., 32.])
請注意，多輸入通道一維互相關等同于單輸入通道二維互相關。為了說明，圖 16.3.3中的多輸入通道一維互相關的等效形式是圖 16.3.4中的單輸入通道二維互相關 ，其中卷積核必須與輸入張量相同。
圖 16.3.4單輸入通道的二維互相關運算。陰影部分是第一個輸出元素以及用于輸出計算的輸入和核張量元素：
上傳資料賺積分
工商網監
評論