0


【动手学深度学习】8.1. 序列模型(个人向笔记)

  • 想象一下有人正在看网飞(Netflix,一个国外的视频网站)上的电影。 一名忠实的用户会对每一部电影都给出评价, 毕竟一部好电影需要更多的支持和认可。 然而事实证明,事情并不那么简单。 随着时间的推移,人们对电影的看法会发生很大的变化。如锚定效应,享乐效应等
  • 在本质上,音乐、语音、文本和视频都是连续的。 如果它们的序列被我们重排,那么就会失去原有的意义。 比如,一个文本标题“狗咬人”远没有“人咬狗”那么令人惊讶,尽管组成两句话的字完全相同。
  • 地震具有很强的相关性,即大地震发生后,很可能会有几次小余震, 这些余震的强度比非大地震后的余震要大得多。 事实上,地震是时空相关的,即余震通常发生在很短的时间跨度和很近的距离内。

1. 统计工具

  • 处理序列数据需要统计工具和新的深度神经网络架构。我们以下图为例:在这里插入图片描述

1.1 自回归模型

  • 对于输入的序列,我们需要一个近似方法进行处理,有下面两种方法在这里插入图片描述在这里插入图片描述

1.2 马尔可夫模型

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

1.3 因果关系

很明显,未来的事件不能影响过去。因此我们不能改变数据的方向


2. 训练

  • 我们用正弦函数和一些可加性噪声来生成序列数据在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述
  • 训练在这里插入图片描述在这里插入图片描述

3. 预测

  • 模型预测下一个时间步:可以看到预测不出噪音在这里插入图片描述
  • 进行多步预测:绿色线,可以看到错的很离谱在这里插入图片描述

本文转载自: https://blog.csdn.net/hxdxiaoming/article/details/143066737
版权归原作者 好心的小明 所有, 如有侵权,请联系我们删除。

“【动手学深度学习】8.1. 序列模型(个人向笔记)”的评论:

还没有评论