想咨询下机器学习PAI 您在MIND里面关于squash的做法，这样加完向量模长还能控制到0-1吗？
想咨询下机器学习PAI 您在MIND里面关于squash的做法，有些地方不是很理解。
scale_factor = tf.pow(input_norm_eps / (1 + input_norm_eps), self._squash_pow) * \
self._scale_ratio / tf.sqrt(input_norm_eps)
为什么用_squash_pow和_scale_ratio来共同控制？
下面的调参建议 squash_pow[0.1 - 1.0]这样会缩小的scale_factor，
但是上面对squash_pow的注视是squash加的power, 防止squash之后的向量值变得太小
这样加完向量模长还能控制到0-1吗？
另外item侧为什么不能用bn啊？
写回答
-
item侧用bn当时实验效果不好，分析可能和batch样本太相关了，和在线预测时的分布不一致了。squash_pow主要用来控制兴趣向量之间的相似度，防止兴趣向量过于相似，这个实验发现用这个方式比加loss控制兴趣向量的相似度，hitrate更好一些。 ，此回答整理自钉群“【EasyRec】推荐算法交流群”
2024-04-24 15:45:12赞同 1 展开评论 打赏
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
人工智能平台 PAI（Platform for AI，原机器学习平台PAI）是面向开发者和企业的机器学习/深度学习工程平台，提供包含数据标注、模型构建、模型训练、模型部署、推理优化在内的AI开发全链路服务，内置140+种优化算法，具备丰富的行业场景插件，为用户提供低门槛、高性能的云原生AI工程化能力。
