填充对 LSTM 与 CNN 的影响

Mahidhar Dwarampudi; N V Subba Reddy

填充对 LSTM 与 CNN 的影响

机器学习 2019-03-19 v1 计算与语言信息检索机器学习

作者: Mahidhar Dwarampudi , N V Subba Reddy

摘要

长短期记忆（LSTM）网络与卷积神经网络（CNN）已在众多领域得到广泛应用，因为它们能有效解决许多传统神经网络效率低下的难题。它们主要被应用于与图像和序列相关的各类问题。由于 LSTM 和 CNN 需要接收相同长度和维度的输入，在测试与训练时，输入图像和序列会被填充至最大长度。这种填充会影响网络的运行方式，并对性能和准确率产生重大影响。本文对此展开研究，并提出了填充输入序列的最佳方式。为此，本文采用了一个简单的情感分析任务。我们在两种网络上使用相同的数据集配合不同的填充方式，以展示其差异。本文还讨论了为确保数据有效分析而对数据执行的一些预处理技术。

关键词

长短期记忆卷积神经网络填充情感分析序列处理预处理

引用

@article{arxiv.1903.07288,
  title  = {Effects of padding on LSTMs and CNNs},
  author = {Mahidhar Dwarampudi and N V Subba Reddy},
  journal= {arXiv preprint arXiv:1903.07288},
  year   = {2019}
}

备注

5 pages, 5 figures, 2 tables

填充对 LSTM 与 CNN 的影响

摘要

关键词

引用

备注

相关论文