Tensorflow系列：tf.random_normal

YoungDreamNJU

于 2017-01-03 13:40:09 发布

阅读量2.3w

点赞数 3

分类专栏： Tensorflow 文章标签： tensorflow

本文链接：https://blog.youkuaiyun.com/YoungDreamNJU/article/details/53993719

版权

  在CNN代码里，可能有这样一句话： W1 = tf.Variable(tf.random_normal([3, 3, 1, 32], stddev=0.01))，对于函数 
 tf.random_normal解释如下： 

 
 tf.random_normal 

  tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None) 

  Outputs random values from a normal distribution. 

  Args: 

最低0.47元/天解锁文章

YoungDreamNJU

博客等级

码龄8年

5
原创

10
点赞

14
收藏

6
粉丝

关注

私信

分类专栏

Tensorflow 3篇
论文笔记 2篇

展开全部收起

下一篇：: Tensorflow系列：tf.nn.conv2d

最新评论

论文笔记：[ACL2016]End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF
beyourselfwb: 谢谢博主的分享，对我理解论文帮助挺大的。顺便提醒一下有个翻译错误---However, even systems that have utilized distributed representations as inputs have used these to augment, rather than replace, hand-crafted features. 您翻译成了“它们把词向量作为参数而不是取代手工特征....”，正确的应该是"它们把词向量用来增强而不是取代原来的手工特征"。您应该是把augment看成了argument。不仔细看确实容易认错。
论文笔记：[ACL2016]End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF
kent_ln: 作者写的非常清楚，不过可以对比一下这篇文章和Neural Architectures for Named Entity Recognition这篇文章吗，感觉两个差不多，除了在character-level那边由LSTM改成CNN，但是感觉还是LSTM会更好吧，这篇文章的结果超过sota感觉可能是word embedding或者tricks比较好。感觉并没有很大的突破。求分析一波
论文笔记：[ACL2016]End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF
糖小豆子回复江南丶: 词向量即词嵌入是word embedding。Figure1中的char embedding是字符嵌入，经过cnn之后得到char represention是字符表示
论文笔记：[ACL2016]End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF
江南丶: 您好，我想问一下，模型训练中-》参数配置-》所说的词向量，对应的是Figure1中的char embedding还是char represention。特别迷惑，望解答