wevi 批量训练技巧20/100/500 步迭代如何一步步重塑词向量分布【免费下载链接】weviWord Embedding Visual Inspector项目地址: https://gitcode.com/gh_mirrors/we/weviweviWord Embedding Visual Inspector是一款开源词向量可视化检查工具它把 word2vec 的训练过程搬进浏览器让你亲眼看到词向量分布如何被一步步重塑。这篇文章聚焦 wevi 批量训练技巧带你掌握 20、100、500 步迭代三个档位的用法看懂词向量分布从散乱到聚类的全过程全程零代码、零配置。 本文面向零基础新手不需要任何编程经验跟着鼠标点击就能完成全部实验。wevi 是什么词向量分布教学神器wevi 全称 Word Embedding Visual Inspector词向量可视化检查器是一个纯前端开源项目不需要安装 Python、不需要配置任何环境用 Chrome 打开项目里的 index.html 就能运行。它的核心价值在于把抽象的词向量训练变成肉眼可见的实时动画三大可视化面板各司其职神经网络结构图左侧输入层、中间隐藏层、右侧输出层词语被点亮时相关连线同步高亮️权重矩阵热力图Input Vector 与 Output Vector 两张矩阵颜色深浅代表权重大小随训练实时变化词向量分布散点图利用 PCA 把高维词向量投影到二维平面算法见 js/pca.js词向量分布一目了然。一句话总结wevi 就是学习 word2vec、CBOW、Skip-gram 时的显微镜而批量训练按钮就是调整焦点的旋钮。批量训练前快速准备配置、训练数据与内置预设点击训练之前先认识控制面板上的三个输入区对应 index.htmlConfig 配置默认值为{hidden_size:5,random_state:1,learning_rate:0.2}定义在 js/toyw2v.js。其中hidden_size是隐藏层维度即词向量维度、random_state控制随机初始化种子、learning_rate是学习率Training data 训练数据格式为上下文|目标词多词用^连接、多组用逗号分隔例如eat|apple,drink|juicePresets 预设内置 8 组经典数据见 js/toyw2v.js新手强烈建议直接从预设开始预设名称适合观察Fruit and juice词向量分布的基础聚类Fruit and juice (CBOW)CBOW 模型下的聚类形态Fruit and juice (Skip-gram)与 CBOW 做对比实验King and queen词向量分布中的类比关系选定预设后点击Update and Restart模型会按random_state重新随机初始化所有权重等待你按下训练按钮。批量训练按钮速查Next、20、100、500 怎么选训练控制区位于控制面板下方index.html一共五个按钮其中四个负责训练按钮作用适用场景Next单步迭代前向传播→反向传播→更新权重细看每一步发生了什么20批量执行 20 次迭代观察词向量分布起步阶段100批量执行 100 次迭代观察聚类成形过程500批量执行 500 次迭代观察词向量分布趋于稳定批量训练的核心逻辑实现在 js/toyw2v.js 的batchTrain(numIter)函数中每轮迭代依次完成激活输入 → 计算梯度 → 更新权重 → 刷新热力图与散点图。细心观察会发现一个小彩蛋迭代次数是 10 的倍数时会暂停 50ms这是为了让散点图完成渲染恰好方便你截下词向量分布每一帧的瞬时形态。20 步迭代词向量分布从随机散点开始松动刚完成 Restart 时所有词向量挤成一团散点图上蓝色输入向量#1f77b4与橙色输出向量#ff7f0e几乎重叠在原点附近。此时点击20迭代停止后散点图上的点出现小幅位移但彼此仍纠缠在一起热力图中部分格子出现深浅差异说明权重矩阵开始被激活神经网络图中连线粗细开始分化模型逐渐记住高频的上下文-目标词组合。这个阶段的关键词是松动词向量分布还没有明确结构但已完全脱离纯随机状态。100 步迭代词向量分布中的语义聚类初见轮廓点击100你会看到质变 在 Fruit and juice 预设下与 eat 相关的食物词、与 drink 相关的饮品词开始各自聚拢词向量分布中出现两个明显的簇 热力图中 Input Vector 矩阵的某些行明显变亮对应高频出现的上下文词⚡ 如果切换到 King and queen 预设king/queen 与 man/woman 会各自形成平行结构类比关系呼之欲出。这正是 word2vec 核心思想的可视化显影共现频率高的词词向量分布距离越来越近。500 步迭代词向量分布稳定收敛继续点击500或在 100 的基础上再累计迭代最终形态出现散点图上的簇边界清晰词向量分布基本稳定类内词间距缩小、类间间距拉大甚至能观察到方向一致的类比线段热力图变化幅度明显减小说明损失已收敛到较低水平。此时建议顺手点一下旁边的PCA按钮重算主成分投影对应 js/toyw2v.js 的update_pca因为 PCA 坐标系会随向量变化而旋转训练结束后重新投影往往能让词向量分布以更舒展的姿态呈现。高效批量训练的 4 个实操技巧固定 random_state 复现实验把 Config 中的random_state改成其他整数再 Restart词向量分布的初始形态就会改变记下心仪的种子任何一次实验都能完美复现动态调小学习率训练中后期点Update Learning Rate把learning_rate从 0.2 降到 0.05能让词向量分布更精细地收敛避免在稳定点附近来回震荡对比 CBOW 与 Skip-gram用同一组训练数据分别跑两个预设各 500 步收敛后的词向量分布结构相似、但边界与速度略有差异这是理解两种模型差异的最佳实验Next 单步 热力图联动想真正理解梯度下降就别用批量档位改用 Next 一步步推进并盯住热力图看权重如何被逐轮修正——这正是 js/vector_math.js 中apply_gradient的直观呈现。常见问题排查批量训练报错怎么办为什么点了 500 图几乎不动说明模型已收敛、梯度趋近于 0权重更新幅度极小此时应调小学习率或点 PCA 刷新投影报错 hidden layer size cannot exceed vocabulary sizeConfig 里的hidden_size超过了词表大小改小如 3后点 Update and Restart 即可如何彻底重来点击 Update and Restart模型会按当前 Config 重新随机初始化词向量分布回到原点。小结批量训练是理解词向量分布的最佳路径wevi 的 20/100/500 步批量训练本质上是把梯度下降这个抽象过程切成三段可视化切片20 步看起点、100 步看成形、500 步看稳定。新手完全不需要读懂反向传播的数学公式js/vector_math.js 已完整实现只需观察散点图上词向量分布的演变就能建立起对 word2vec 最直观的直觉。如果你想本地运行clone 后直接用浏览器打开 index.html 即可git clone https://gitcode.com/gh_mirrors/we/wevi推荐使用 Chrome 浏览器。现在就打开 wevi从点一次 20 开始亲手见证词向量分布的重塑之旅吧 【免费下载链接】weviWord Embedding Visual Inspector项目地址: https://gitcode.com/gh_mirrors/we/wevi创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
wevi 批量训练技巧20/100/500 步迭代如何一步步重塑词向量分布【免费下载链接】weviWord Embedding Visual Inspector项目地址: https://gitcode.com/gh_mirrors/we/weviweviWord Embedding Visual Inspector是一款开源词向量可视化检查工具它把 word2vec 的训练过程搬进浏览器让你亲眼看到词向量分布如何被一步步重塑。这篇文章聚焦 wevi 批量训练技巧带你掌握 20、100、500 步迭代三个档位的用法看懂词向量分布从散乱到聚类的全过程全程零代码、零配置。 本文面向零基础新手不需要任何编程经验跟着鼠标点击就能完成全部实验。wevi 是什么词向量分布教学神器wevi 全称 Word Embedding Visual Inspector词向量可视化检查器是一个纯前端开源项目不需要安装 Python、不需要配置任何环境用 Chrome 打开项目里的 index.html 就能运行。它的核心价值在于把抽象的词向量训练变成肉眼可见的实时动画三大可视化面板各司其职神经网络结构图左侧输入层、中间隐藏层、右侧输出层词语被点亮时相关连线同步高亮️权重矩阵热力图Input Vector 与 Output Vector 两张矩阵颜色深浅代表权重大小随训练实时变化词向量分布散点图利用 PCA 把高维词向量投影到二维平面算法见 js/pca.js词向量分布一目了然。一句话总结wevi 就是学习 word2vec、CBOW、Skip-gram 时的显微镜而批量训练按钮就是调整焦点的旋钮。批量训练前快速准备配置、训练数据与内置预设点击训练之前先认识控制面板上的三个输入区对应 index.htmlConfig 配置默认值为{hidden_size:5,random_state:1,learning_rate:0.2}定义在 js/toyw2v.js。其中hidden_size是隐藏层维度即词向量维度、random_state控制随机初始化种子、learning_rate是学习率Training data 训练数据格式为上下文|目标词多词用^连接、多组用逗号分隔例如eat|apple,drink|juicePresets 预设内置 8 组经典数据见 js/toyw2v.js新手强烈建议直接从预设开始预设名称适合观察Fruit and juice词向量分布的基础聚类Fruit and juice (CBOW)CBOW 模型下的聚类形态Fruit and juice (Skip-gram)与 CBOW 做对比实验King and queen词向量分布中的类比关系选定预设后点击Update and Restart模型会按random_state重新随机初始化所有权重等待你按下训练按钮。批量训练按钮速查Next、20、100、500 怎么选训练控制区位于控制面板下方index.html一共五个按钮其中四个负责训练按钮作用适用场景Next单步迭代前向传播→反向传播→更新权重细看每一步发生了什么20批量执行 20 次迭代观察词向量分布起步阶段100批量执行 100 次迭代观察聚类成形过程500批量执行 500 次迭代观察词向量分布趋于稳定批量训练的核心逻辑实现在 js/toyw2v.js 的batchTrain(numIter)函数中每轮迭代依次完成激活输入 → 计算梯度 → 更新权重 → 刷新热力图与散点图。细心观察会发现一个小彩蛋迭代次数是 10 的倍数时会暂停 50ms这是为了让散点图完成渲染恰好方便你截下词向量分布每一帧的瞬时形态。20 步迭代词向量分布从随机散点开始松动刚完成 Restart 时所有词向量挤成一团散点图上蓝色输入向量#1f77b4与橙色输出向量#ff7f0e几乎重叠在原点附近。此时点击20迭代停止后散点图上的点出现小幅位移但彼此仍纠缠在一起热力图中部分格子出现深浅差异说明权重矩阵开始被激活神经网络图中连线粗细开始分化模型逐渐记住高频的上下文-目标词组合。这个阶段的关键词是松动词向量分布还没有明确结构但已完全脱离纯随机状态。100 步迭代词向量分布中的语义聚类初见轮廓点击100你会看到质变 在 Fruit and juice 预设下与 eat 相关的食物词、与 drink 相关的饮品词开始各自聚拢词向量分布中出现两个明显的簇 热力图中 Input Vector 矩阵的某些行明显变亮对应高频出现的上下文词⚡ 如果切换到 King and queen 预设king/queen 与 man/woman 会各自形成平行结构类比关系呼之欲出。这正是 word2vec 核心思想的可视化显影共现频率高的词词向量分布距离越来越近。500 步迭代词向量分布稳定收敛继续点击500或在 100 的基础上再累计迭代最终形态出现散点图上的簇边界清晰词向量分布基本稳定类内词间距缩小、类间间距拉大甚至能观察到方向一致的类比线段热力图变化幅度明显减小说明损失已收敛到较低水平。此时建议顺手点一下旁边的PCA按钮重算主成分投影对应 js/toyw2v.js 的update_pca因为 PCA 坐标系会随向量变化而旋转训练结束后重新投影往往能让词向量分布以更舒展的姿态呈现。高效批量训练的 4 个实操技巧固定 random_state 复现实验把 Config 中的random_state改成其他整数再 Restart词向量分布的初始形态就会改变记下心仪的种子任何一次实验都能完美复现动态调小学习率训练中后期点Update Learning Rate把learning_rate从 0.2 降到 0.05能让词向量分布更精细地收敛避免在稳定点附近来回震荡对比 CBOW 与 Skip-gram用同一组训练数据分别跑两个预设各 500 步收敛后的词向量分布结构相似、但边界与速度略有差异这是理解两种模型差异的最佳实验Next 单步 热力图联动想真正理解梯度下降就别用批量档位改用 Next 一步步推进并盯住热力图看权重如何被逐轮修正——这正是 js/vector_math.js 中apply_gradient的直观呈现。常见问题排查批量训练报错怎么办为什么点了 500 图几乎不动说明模型已收敛、梯度趋近于 0权重更新幅度极小此时应调小学习率或点 PCA 刷新投影报错 hidden layer size cannot exceed vocabulary sizeConfig 里的hidden_size超过了词表大小改小如 3后点 Update and Restart 即可如何彻底重来点击 Update and Restart模型会按当前 Config 重新随机初始化词向量分布回到原点。小结批量训练是理解词向量分布的最佳路径wevi 的 20/100/500 步批量训练本质上是把梯度下降这个抽象过程切成三段可视化切片20 步看起点、100 步看成形、500 步看稳定。新手完全不需要读懂反向传播的数学公式js/vector_math.js 已完整实现只需观察散点图上词向量分布的演变就能建立起对 word2vec 最直观的直觉。如果你想本地运行clone 后直接用浏览器打开 index.html 即可git clone https://gitcode.com/gh_mirrors/we/wevi推荐使用 Chrome 浏览器。现在就打开 wevi从点一次 20 开始亲手见证词向量分布的重塑之旅吧 【免费下载链接】weviWord Embedding Visual Inspector项目地址: https://gitcode.com/gh_mirrors/we/wevi创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
