《表6 模型的训练时间：上下文感知与层级注意力网络的文档分类方法》
提示：宽带有限、当前游客访问压缩模式
h
分类的准确度是评价模型效果最重要的指标，但是训练过程中的消耗也是一个重要的指标。因此，实验过程中还比较了几种具有较高分类精度的模型的训练时间，如表6所示。
| 图表编号 | XD00204318500 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2021.02.01 |
| 作者 | 任建华、李静、孟祥福 |
| 绘制单位 | 辽宁工程技术大学电子与信息工程学院、辽宁工程技术大学电子与信息工程学院、辽宁工程技术大学电子与信息工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 模型超参数设置：利用层级交互注意力的文本摘要方法》2020.10.01
- 《表1 模型内容组成：池化和注意力相结合的新闻文本分类方法》2019.11.01
- 《表2 Alex Net注意力机制网络模型的分类结果》2021.01.01
- 《表2 分类结果混淆矩阵：上下文感知与层级注意力网络的文档分类方法》2021.02.01
- 《表1 数据集统计信息：上下文感知与层级注意力网络的文档分类方法》2021.02.01
- 《表3 模型参数设置：上下文感知与层级注意力网络的文档分类方法》2021.02.01
- 《表6 POI的类别信息：基于多维上下文感知图嵌入模型的兴趣点推荐》2020.12.01
- 《表6 改进模型与原模型各层级时间占比》2020.10.25
- 《表1 基于WSD层级网络文档分类模型算法步骤》2020.06.01
- 《表6 不同切片实验结果：结合注意力机制与双向切片GRU的情感分类模型》2020.09.01
- 《表2 实验环境及其配置：基于层级注意力多通道卷积双向GRU的问题分类研究》2020.08.25
- 《表1 中文问题分类体系：基于层级注意力多通道卷积双向GRU的问题分类研究》2020.08.25
- 《表3 模型参数设置：基于层级注意力多通道卷积双向GRU的问题分类研究》2020.08.25
- 《表1 实验环境：最近邻注意力和卷积神经网络的文本分类模型》2020.02.01
- 《表4 模型参数：预训练模型下融合注意力机制的多语言文本情感分析方法》2020.02.01
- 《表1 数据集统计信息：基于层级注意力机制与双向长短期记忆神经网络的智能合约自动分类模型》2020.04.10
- 《表2 模型分类精度：基于双向长短时记忆网络的改进注意力短文本分类方法》2019.12.25
- 《表1 数据集信息：基于双向长短时记忆网络的改进注意力短文本分类方法》2019.12.25
- 《表6 BP神经网络分类模型训练样本输出结果》2020.01.01
- 《表3 实验参数设置：基于注意力机制的卷积-双向长短期记忆模型跨领域情感分类方法》2019.08.10