{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","uuid":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","normalized_title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","isbns":["9787302517986"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":490,"navigation_url":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E4%B8%8E%E5%A4%A7%E6%95%B0%E6%8D%AE%E6%8A%80%E6%9C%AF%E5%AF%BC%E8%AE%BA","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","page_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/search"},"page":{"printed_page":452,"pdf_page":468,"physical_index":468,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"a275d504de147682957d326857593fcf10edfba4b9a649a46b36d13204349b47"},"chapter":"第16章","content":"密集层(denselayer)\n\n全连接层的同义词。\n\n深度模型(deepmodel)\n\n一种神经网络，其中包含多个隐藏层。深度模型依赖于可训练的非线性关系，与宽度模型相对。\n\n密集特征(dense feature)\n\n一种大部分数值是非零值的特征，通常是一个浮点值张量。参照稀疏特征。\n\n衍生特征(derived feature)\n\n合成特征的同义词。\n\n离散特征(discrete feature)\n\n一种特征，包含有限个可能值。例如，某个值只能是“动物”“蔬菜”或“矿物”的特征便是一个离散特征（或分类特征）。与连续特征相对。\n\n丢弃正则化(dropout regularization)\n\n一种形式的正则化，在训练神经网络方面非常有用。丢弃正则化的运作机制是，在神经网络层的一个梯度步长中移除随机选择的固定数量的单元。丢弃的单元越多，正则化效果就越强。类似于训练神经网络以模拟较小网络的指数级规模集成学习。\n\n动态模型(dynamic model)\n\n一种模型，以持续更新的方式在线接受训练。也就是说，数据会源源不断地进入这种模型。\n\nE\n\n早停法(early stopping)\n\n一种正则化方法，涉及在训练损失仍可以继续减少之前结束模型训练。使用早停法时，会在基于验证数据集的损失开始增加（也就是泛化效果变差）时结束模型训练。\n\n嵌套(embeddings)\n\n一种分类特征，以连续值特征表示。通常，嵌套是指将高维度向量映射到低维度的空间。例如，您可以采用以下两种方式之一来表示英文句子中的单词。\n\n表示成包含百万个元素(高维度)的稀疏向量，其中所有元素都是整数。向量中的每个单元格都表示一个单独的英文单词，单元格中的值表示相应单词在句子中出现的次数。由于单个英文句子包含的单词不太可能超过50个，因此向量中几乎每个单元格都包含0。少数非0的单元格中将包含一个非常小的整数（通常为1），该整数表示\n\n人工智能与大数据技术导论\n\n452","previous_page":451,"next_page":453}