《表4 与其他模型对比：基于膨胀卷积神经网络模型的中文分词方法》
提示：宽带有限、当前游客访问压缩模式
本文将DCNN模型与近年来中文分词神经网络模型做对比。实验结果如表4所示。
| 图表编号 | XD0091815400 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.09.01 |
| 作者 | 王星、李超、陈吉 |
| 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4 模型训练速度对比：基于膨胀卷积的中文命名实体识别》2020.06.01
- 《表4 模型参数设定：基于卷积神经网络的物流服务业顾客满意度评价方法研究》
- 《表1 实验结果：金融系统风险预警方法研究——基于CNN的卷积神经网络模型》2020.04.15
- 《表3 网络模型权重对比：基于轻量化YOLOv3卷积神经网络的苹果检测方法》2020.08.25
- 《表5 20-40-3000的卷积神经网络模型与其他算法比较》2020.06.20
- 《表1 总体实验结果：基于灰色关联分析的卷积神经网络模型裁剪方法》2020.02.25
- 《表1 字位标注示例：无池化层卷积神经网络的中文分词方法》2020.01.15
- 《表2 各类字位标注集：无池化层卷积神经网络的中文分词方法》2020.01.15
- 《表3 数据集统计信息：无池化层卷积神经网络的中文分词方法》2020.01.15
- 《表5 神经网络超参数：无池化层卷积神经网络的中文分词方法》2020.01.15
- 《表4 实验环境：无池化层卷积神经网络的中文分词方法》2020.01.15
- 《表4 与其他模型对比：基于膨胀卷积神经网络模型的中文分词方法》2019.09.01
- 《表5 参数设置：基于膨胀卷积神经网络模型的中文分词方法》2019.09.01
- 《表1 模型中的参数值：基于联合学习的跨领域法律文书中文分词方法》2019.09.01
- 《表3 模型超参数设置：一种基于双向LSTM的联合学习的中文分词方法》2019.10.01
- 《表2 分词结果示例：基于深度神经网络模型的中文分词方案》2019.09.05
- 《表5 模型训练参数：基于BiLSTM-CRF的中文层级地址分词》2019.08.25
- 《表2 基于卷积网络与基于词袋模型的分类精度的对比》2019.06.20
- 《表2 不同模型性能对比：基于轻量级卷积神经网络的人脸识别方法》2019.03.01
- 《表4 其他算法效果对比：基于卷积神经网络的主变压器外观缺陷检测方法》2019.04.25