《表6 模型比较结果：双通道卷积记忆神经网络文本情感分析》
提示：宽带有限、当前游客访问压缩模式
为方便对比，将模型实验结果汇总如表6所示。
| 图表编号 | XD0073027100 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.07.15 |
| 作者 | 苏灵松、应捷、杨海马、肖昊琪 |
| 绘制单位 | 上海理工大学光电信息与计算机工程学院、上海理工大学光电信息与计算机工程学院、上海理工大学光电信息与计算机工程学院、上海理工大学光电信息与计算机工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表6 预测值统计结果：基于字符级双通道复合网络的中文文本情感分析》2020.09.05
- 《表7 单句测试结果：基于字符级双通道复合网络的中文文本情感分析》2020.09.05
- 《表5 模型对比结果：基于字符级双通道复合网络的中文文本情感分析》2020.09.05
- 《表1 双通道卷积残差网络的参数数量统计表》2020.06.01
- 《表2 伏安特性模拟结果：基于双通道卷积模型对人群的分类》2020.12.15
- 《表3 风载荷汇总表：基于双通道卷积神经网络的缺陷检测》2020.11.01
- 《表1 人工海水配方：基于双通道卷积神经网络的缺陷检测》2020.11.01
- 《表2 试验设计：基于双通道卷积神经网络的缺陷检测》2020.11.01
- 《表1 情感语言库：基于BERT和双通道注意力的文本情感分类模型》2020.07.01
- 《表2 模型参数设置：基于BERT和双通道注意力的文本情感分类模型》2020.07.01
- 《表5 实例展示：基于BERT和双通道注意力的文本情感分类模型》2020.07.01
- 《表1 数据集信息：双通道混合神经网络的文本情感分析模型》2020.06.01
- 《表2 参数设置：双通道混合神经网络的文本情感分析模型》2020.06.01
- 《表2 参数设置：融合注意力机制的多通道卷积与双向GRU模型的文本情感分析研究》2019.10.01
- 《表2 分类结果比较表：基于Word2vec和LDA的卷积神经网络文本分类模型》2019.08.01
- 《表5 实验环境配置：双通道卷积记忆神经网络文本情感分析》2019.07.15
- 《表4 网络模型参数：双通道卷积记忆神经网络文本情感分析》2019.07.15
- 《表3 特征提取模型性能：雷达海上目标双通道卷积神经网络特征融合智能检测方法》2019.10.01
- 《表2 双通道CNN结构：雷达海上目标双通道卷积神经网络特征融合智能检测方法》2019.10.01
- 《表2 卷积神经网络与双通道卷积神经网络实验对比》2019.12.16