Nlp 用于单词/字符n-grams的CNN体系结构
我有一个序列标记的任务,我想建立一个CNN,它将接受固定数量的嵌入(基于字符或单词)的输入,并通过卷积/池提取n-gram样的特征 我以前没有使用过卷积(用于文本或其他),因此我不确定在此设置中哪个体系结构更有意义:Nlp 用于单词/字符n-grams的CNN体系结构,nlp,deep-learning,conv-neural-network,convolution,tagging,Nlp,Deep Learning,Conv Neural Network,Convolution,Tagging,我有一个序列标记的任务,我想建立一个CNN,它将接受固定数量的嵌入(基于字符或单词)的输入,并通过卷积/池提取n-gram样的特征 我以前没有使用过卷积(用于文本或其他),因此我不确定在此设置中哪个体系结构更有意义: Conv1D/MaxPool1D-在Conv阶段提取n-gram是有意义的,但是这种池产生了什么?它是嵌入最大值的一维吗 Conv2D/MaxPool2D-尽管我在现有的方法中更频繁地看到它,但沿着令牌嵌入的维度进行卷积的事实对我来说没有意义 你能分享一下你的直觉吗?我只在RN
- Conv1D/MaxPool1D-在Conv阶段提取n-gram是有意义的,但是这种池产生了什么?它是嵌入最大值的一维吗
- Conv2D/MaxPool2D-尽管我在现有的方法中更频繁地看到它,但沿着令牌嵌入的维度进行卷积的事实对我来说没有意义
你能分享一下你的直觉吗?我只在RNN(递归神经网络)中做过序列标记,在CNN中做过图像分类,但我想我至少可以描述第一和第二个设置在做什么: