Updates dl/layers/ebbedded.md

shunliz · shunliz · commit e8fc860888b0 · 2018-06-28T08:19:04.000+08:00
Auto commit by GitBook Editor
diff --git a/dl/layers/ebbedded.md b/dl/layers/ebbedded.md
@@ -11,6 +11,8 @@ _**&#23884;&#20837;&#23618;&#23558;&#27491;&#25972;&#25968;&#65288;&#19979;&#26631;&#65289;&#36716;&#25442;&#20026;&#20855;&#26377;&#22266;&#23450;&#22823;&#23567;&#30340;&#21521;&#37327;&#65292;&#22914;\[
 
 &#21738;&#21040;&#24213;&#21643;&#36716;&#21834;&#65292;&#20146;&#65311;
 
+
+
 &#36825;&#28041;&#21450;&#21040;&#35789;&#21521;&#37327;&#65292;&#20855;&#20307;&#30475;&#21487;&#20197;&#21442;&#32771;[Word2vec](/dl/word2vec/word2vec.md)
 
 ![](/assets/deeplayerr-embemding1.png)
@@ -20,8 +22,6 @@ _**&#23884;&#20837;&#23618;&#23558;&#27491;&#25972;&#25968;&#65288;&#19979;&#26631;&#65289;&#36716;&#25442;&#20026;&#20855;&#26377;&#22266;&#23450;&#22823;&#23567;&#30340;&#21521;&#37327;&#65292;&#22914;\[
 
 \(2\)&#27599;&#20010;&#32534;&#21495;ID&#37117;&#21487;&#20197;&#20351;&#29992;50000&#32500;&#30340;&#20108;&#36827;&#21046;\(one-hot\)&#34920;&#31034;
 
-
-
 \(3\)&#26368;&#21518;&#65292;&#25105;&#20204;&#20250;&#29983;&#20135;&#19968;&#20010;&#30697;&#38453;M&#65292;&#34892;&#22823;&#23567;&#20026;&#35789;&#30340;&#20010;&#25968;50000&#65292;&#21015;&#22823;&#23567;&#20026;&#35789;&#21521;&#37327;&#30340;&#32500;&#24230;\(&#36890;&#24120;&#21462;128&#25110;300\)&#65292;&#27604;&#22914;&#30697;&#38453;&#30340;&#31532;&#19968;&#34892;&#23601;&#26159;&#32534;&#21495;ID=0&#65292;&#21363;network&#23545;&#24212;&#30340;&#35789;&#21521;&#37327;&#12290;
 
 &#37027;&#36825;&#20010;&#30697;&#38453;M&#24590;&#20040;&#33719;&#24471;&#21602;&#65311;&#22312;Skip-Gram &#27169;&#22411;&#20013;&#65292;&#25105;&#20204;&#20250;&#38543;&#26426;&#21021;&#22987;&#21270;&#23427;&#65292;&#28982;&#21518;&#20351;&#29992;&#31070;&#32463;&#32593;&#32476;&#26469;&#35757;&#32451;&#36825;&#20010;&#26435;&#37325;&#30697;&#38453;

-Original file line number
+Diff line change
 哪到底咋转啊，亲？
++
++
 这涉及到词向量，具体看可以参考[Word2vec](/dl/word2vec/word2vec.md)
 ![](/assets/deeplayerr-embemding1.png)
 \(2\)每个编号ID都可以使用50000维的二进制\(one-hot\)表示
+-
+-
 \(3\)最后，我们会生产一个矩阵M，行大小为词的个数50000，列大小为词向量的维度\(通常取128或300\)，比如矩阵的第一行就是编号ID=0，即network对应的词向量。
 那这个矩阵M怎么获得呢？在Skip-Gram 模型中，我们会随机初始化它，然后使用神经网络来训练这个权重矩阵