machine-learning - 结合神经网络和隐马尔可夫模型
问题描述
我正在阅读一篇论文,其中作者使用神经网络来产生发射和转换概率。我对他们在第 4.1 节“产生概率”中描述其发射架构和过渡架构的方式感到困惑。
https://arxiv.org/pdf/1609.09007.pdf
例如,如果我有一个蛋白质序列,它可以由 20 个不同的字母组成,并且该序列中的每个字母都有一个潜在的状态。总共有三个基础状态(S,B,C)。那么对于发射架构,我的标签向量(v_i)会是什么样子,我的向量嵌入会是什么样子(w_i)?如果有人能用这个生物学问题来解释它,我将不胜感激,因为这样我会更容易理解。
解决方案
推荐阅读
- reactjs - 使用来自 aws-amplify-react-native 的 S3Image
- python - 试图用函数计算自相关系数
- smartcontracts - Solidity 地址的 Vyper 等效项(此)
- python - 无法从 github 安装包
- python - 如何从 requirements.txt 安装带有 pip 和 setup.py 的 github zip 文件?
- mysql - 求 MySQL 表结构推荐
- go - goroutine different behaviour for statement execution and function execution
- python - 如果将 Tensorflow 对象保存到全局变量并检索到,则 Tensorflow.Session 为 None
- javascript - 访问对象内部的属性
- selenium-webdriver - 无法在 Linux(debian)机器上调用 chromedriver