Conteúdo do curso Lição 225 de 246 · Módulo 21: Olhando dentro de um modelo
Módulo 21: Olhando dentro de um modelo

Lendo um recurso e verificando a leitura

Por que isso importa Uma característica ganha um nome a partir de seus principais exemplos. Esse nome é uma hipótese, e a maioria dos rótulos de características publicados nunca é testada contra textos que o rotulador não viu.

Carregue o sparse autoencoder gravado do curso (256 features, l1 0.3, treinado por 2,000 steps de 512 vectors, mais longo do que uma lição permite, e as mesmas features em cada máquina) e escolha, para algumas strings, a feature mais específica para posições onde o texto termina com aquela string. Depois rotule e teste o label em um texto reservado:

  • precision: dos lugares retidos onde a característica dispara fortemente (acima da metade do seu maior valor de treinamento), a parte onde o texto realmente termina com a string;
  • recall: dos lugares retidos que terminam com a string, a parte onde ele dispara.

interp.top_contexts(sae, A, X, model, k) mostra onde a característica k dispara com mais força, como o texto até aquele caractere.

Preveja primeiro: a característica para "tra" dispara com mais força em " before tra" e " layers tra" (o início de "train"). Um rótulo "tra" estará correto na maioria das vezes em um texto novo?

Palavras e símbolos nesta lição
sparse autoencoder
uma camada larga treinada para reconstruir vetores a partir de algumas características ativas por vez
precisão, revocação (de um rótulo)
dos lugares onde uma característica dispara, a parte que o rótulo se encaixa; dos lugares onde o rótulo se encaixa, a parte que ela dispara
Sua vez

Defina my_guess como "yes" ou "no". Escreva check(k, s) retornando (precision, recall) nos vetores reservados, onde a feature dispara em um lugar quando seu valor lá está acima da metade de seu maior valor nos vetores de treinamento (F[:, k].max()). Preencha results[s] = check(feature_for(s), s) para " the", "ing" e "tra". Defina honest_label para as strings cujo rótulo se mantém (precision pelo menos 0.7) e really para o final de três letras que a feature "tra" dispara mais no texto reservado.

Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição

Este exercício abre em breve

Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.