Bien, hablemos primero de la función de pérdida . Los algoritmos de aprendizaje profundo generalmente intentan optimizar (minimizar o maximizar) alguna función, denominada “función objetivo” para realizar una determinada tarea. Cuando usamos el término “minimización”, llamamos a esta función la “función de pérdida”, porque queremos minimizar la pérdida (es decir, el costo para lograr un objetivo). Por ejemplo, en una tarea de clasificación, el objetivo es mejorar la precisión de la predicción y la función de pérdida representa esencialmente el costo de las predicciones inexactas.
Ahora, si tiene múltiples objetivos para lograr una tarea determinada, puede tener múltiples funciones de pérdida o una combinación de ellas (llamada función de pérdida híbrida ) que tal vez desee optimizar. Creo que te estás refiriendo a este documento: http://www.aclweb.org/anthology/…. Aquí, verá en la Sección 2.1 que hay dos objetivos de capacitación para su tarea: “1) el n-gramo original debe obtener una puntuación más alta en el modelo de lenguaje que el n-gramo dañado, y (2) la puntuación del sentimiento de n original -gram debería ser más consistente con la anotación de polaridad dorada de la oración que el n-gram corrupto. por lo tanto, combinan dos funciones de pérdida de bisagra separadas (para optimizar la pérdida sintáctica y la pérdida de sentimiento) y crean una función de pérdida híbrida.
¡Espero que esto responda a su pregunta! Para obtener más detalles sobre las funciones de pérdida y sus optimizaciones, sugeriría leer la Sección 4.3 de este libro: http://www.deeplearningbook.org/….
- ¿Cuántos años hasta que los programadores sean reemplazados por IA?
- ¿Cuál es la dificultad de aplicar el método de aprendizaje profundo a los mercados financieros?
- ¿Por qué el entrenamiento con la unidad softmax en redes neuronales es manejable si la función de partición es intratable?
- ¿Por qué algunas personas le temen a la IA?
- ¿Aprender el modelo de Tensor Flow con Python es realmente útil para mí en el futuro?
