《表3 不同模型的参数量比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于双向长效注意力特征表达的少样本文本分类模型研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了分析模型的复杂度，本文探究了BLAN模型和Induction-Network-Routing模型的参数量，如表3所示。可知，Induction-Network-Routing模型的整体参数量为1.986×109，BLAN模型的参数量为2.269×109。这是由于BLAN模型为了捕获更具有鉴别性的特征，引入了注意力特征表达模块，该模块进行了多次线性变换，从而导致参数量的增加。而与Induction-Network-Routing模型中的Bi LSTM模块相比，Bi-TCN的参数量很小，因此，BLAN模型整体的参数量和Induction-Network-Routing模型的参数量相差不大。此外，上述两个模型的Loss随迭代步数的变化如图6所示。BLAN模型的Loss曲线在训练步数迭代到约2 500时开始收敛，相较于Induction-Network-Routing模型，BLAN模型的收敛速度有较大的提升。