课程大纲 第 126 课,共 246 课 · 第 11 模块:有记忆的网络(RNN)
第 11 模块:有记忆的网络(RNN)

一个字符 RNN

为什么重要 根据之前的字符预测下一个字符,是最初的语言模型。同样的想法,规模扩大之后,就是一个聊天机器人。

一次一个字符地输入课程自己的课文。在每一步,RNN 更新它的状态,并用一个线性层和 softmax 预测下一个字符。损失是每个训练片段 16 个位置上的平均交叉熵。

每个字符都以一个嵌入的形式输入:一行通过字符的索引查找到的、学习得到的数字(第 12 模块会好好解释它们;现在,就把它当作一张网络会去训练的查找表)。

根据图表预测曲线:猜一猜第 0 步和 200 步之后的损失。对文本中所有字符的均匀猜测大约会得到 ln(V)。

本课中的词语和符号
循环网络(RNN)
一次读取一步、并把一个隐藏状态向前传递的网络
熵
一个分布有多分散:确定时为 0,n 个选择都相等时为 ln(n)
轮到你了

填写 my_guess。然后用课程的引擎编写 step_state(x_ids, h, P):tanh(embed(P["emb"], x_ids) + h @ P["Wh"] + P["bh"])。它外面的训练循环已经替你写好了。200 步之后,最后 20 步的平均损失必须低于 2.6。

发现这节课有问题?报告它 · 就这节课提问

这个练习即将开放

完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。