标签：Week 1234 嵌入 word 10000 测验 单词 课后 embeddings
Week 2 Quiz: Natural Language Processing and Word Embeddings (第二周测验：自然语言处理与词嵌入)
1.Suppose you learn a word embedding for a vocabulary of 10000 words. Then the embedding vectors should be 10000 dimensional, so as to capture the full range of variation and meaning in those words. (假设你学习了一个为 10000 个单词的词汇表嵌入的单词，那么嵌入向量应 该为 10000 维，这样就可以捕捉到所有的变化和意义)
【 】 True(正确) 【 】 False(错误)
答案
False
Note: The dimension of word vectors is usually smaller than the size of the vocabulary. Most common sizes for word vectors ranges between 50 and 400. (注：词向量的维数通常小于词汇表的维数，词向量最常见的大小在 50 到 400 之间。)
2.What is t-SNE?( t-SNE 是什么？)
【 】 A linear transformation that allows us to solve analogies on word vectors(一种可以让我们解决词向量的相似性的线性变换)
【 】 A non-linear dimensionality reduction technique(一种非线性降维技术)
【 】 A supervised learning algorithm for learning word embeddings(一种学习词嵌入的监督学习算法)
【 】 An open-source sequence modeling library(一个开源序列建模库)
答案
【★】 A non-linear dimensionality reduction technique(一种非线性降维技术)
3.Suppose you download a pre-trained word embedding which has been trained on a huge corpus of text. You then use this word embedding to train an RNN for a language task of recognizing if someone is happy from a short snippet of text, using a small training set. (假设 你下载了一个经过预先训练的词嵌入模型，该模型是在一个庞大的语料库上训练的出来的。 然后使用这个词嵌入来训练一个 RNN 来完成一项语言任务，即使用一个小的训练集从一小 段文字中识别出某人是否快乐。)
【 】 True(正确)
【 】 False(错误)
答案
True
Note: Then even if the word "ecstatic" does not appear in your small training set, your RNN might reasonably be expected to recognize "I’m ecstatic" as deserving a label
标签：Week,1234,嵌入,word,10000,测验,单词,课后,embeddings 来源： https://www.cnblogs.com/phoenixash/p/12263010.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。