Neural network “是什么意思？”；删除“；及；新加坡元；在使用spacy训练自定义ner模型时？

我正在培训一个自定义的ner模型，以识别地址中的组织名称。 我的训练循环如下所示：-

    for itn in range(100):
        random.shuffle(TRAIN_DATA)
        losses = {}
        batches = minibatch(TRAIN_DATA, size=compounding(15., 32., 1.001))
        for batch in batches
            texts, annotations = zip(*batch)
            nlp.update(texts, annotations, sgd=optimizer,
                       drop=0.25, losses=losses)

        print('Losses', losses)

---

有人能解释一下参数“drop”、“sgd”、“size”，并给出一些想法，说明我应该如何更改这些值，以使我的模型性能更好

您可以在spaCy文档中找到详细信息和提示：

:

增加批量的技巧开始变得非常流行。。。在训练各种spaCy模型时，我们没有发现降低学习率有什么好处，但从低批量开始肯定会有所帮助

batch\u size=配料（1，最大批次，1.001）

这会将批次大小设置为从1开始，并增加每个批次，直到其达到最大大小

:

对于小数据集，首先设置一个高的辍学率，然后将其衰减到一个更合理的值是很有用的。这有助于避免网络立即过度拟合，同时仍然鼓励它从数据中学习一些更有趣的东西。spaCy附带了一个衰减的效用函数来促进这一点。您可以尝试设置：

dropout=衰减（0.6,0.2,1e-4）

:

sgd

：一个优化器，即可调用以更新模型权重的优化器。如果未设置，spaCy将创建一个新的，并将其保存以供进一步使用

---

您可以在spaCy文档中找到详细信息和提示：

:

增加批量的技巧开始变得非常流行。。。在训练各种spaCy模型时，我们没有发现降低学习率有什么好处，但从低批量开始肯定会有所帮助

batch\u size=配料（1，最大批次，1.001）

这会将批次大小设置为从1开始，并增加每个批次，直到其达到最大大小

:

对于小数据集，首先设置一个高的辍学率，然后将其衰减到一个更合理的值是很有用的。这有助于避免网络立即过度拟合，同时仍然鼓励它从数据中学习一些更有趣的东西。spaCy附带了一个衰减的效用函数来促进这一点。您可以尝试设置：

dropout=衰减（0.6,0.2,1e-4）

:

sgd

：一个优化器，即可调用以更新模型权重的优化器。如果未设置，spaCy将创建一个新的，并将其保存以供进一步使用

---

落差、sgd和尺寸是您可以自定义的一些参数，以优化您的培训

drop用于更改dropout的值

大小用于更改批次的大小

sgd用于改变各种超参数，如学习速率、Adam beta1和beta2参数、梯度剪裁和L2正则化

我认为SGD是一个非常重要的实验参数。

---

为了帮助您，我写了一篇简短的博客文章，展示了如何从python解释器（例如jupyter笔记本）定制任何spaCy参数。不需要命令行界面。

下拉、sgd和大小是您可以自定义的一些参数，以优化培训

drop用于更改dropout的值

大小用于更改批次的大小

sgd用于改变各种超参数，如学习速率、Adam beta1和beta2参数、梯度剪裁和L2正则化

我认为SGD是一个非常重要的实验参数。 为了帮助您，我写了一篇简短的博客文章，展示了如何从python解释器（例如jupyter笔记本）定制任何spaCy参数。不需要命令行界面