1樓：田晗
反正只要跑到乙個大概的終點就可以了，一群人是一擁而上來的快，還是前後怕磕著碰著來的快呢？反正evaluation說話，數學上的嚴格，機器學習家都是糊弄糊弄能說得過去就行。
2樓：T-mac
答: 十分合理
原因:1. 高效是word2vec 的乙個特色，如果加鎖的話，效率必然降低。
2. 加鎖之後雖然能從理論上提公升詞向量的準確性，但是提公升的程度非常非常小，假設乙個單詞經過N次迭代得到最終的vector，並且假設迭代衝突的次數為n, n一定遠遠小於N, 也就是說由於衝突造成的詞向量精確性的損失非常非常小，幾乎可以忽略不計。
因此，加鎖只會提高很小程度的精確性，卻會大大低效率，所以不加鎖是合理的。
3樓：張大帥
因為詞是稀疏的啊，衝突率不高。而且本來就是隨機梯度下降，即使衝突，因為都是同一時間算的，雖然位置不同，在優化的角度來講，其實還是在向正確方向前進。
4樓：Yuyu Xing
我個人覺得還是合理的，類似於神經網路的分布式實現，更新引數只是近似的去做，因為不加鎖肯定會衝突，但這並不會太影響最後的收斂結果，反而還會明顯地加速訓練過程。
word2vec有什麼應用？
Edward word2vec的應用極為廣泛。首先，只要是nlp的相關應用就可以使用word2vec進行詞向量的初始化，通過初始化進一步的fine tuning能夠進一步的提公升模型效果。其次針對表示學習也有很多應用比如類似deepwalk之類的，感覺也都是受word2vec啟發。另外值得說的一點是...
GloVe以及Word2vec能稱為deep learning麼？這倆模型的層次其實很淺的
乙個是歷史原因，word2vec的方法原型，是Bengio在03年提出的神經語言模型，這個網路的確是非常淺的網路，只有1個hidden層，但是建模方法算是神經網路 現代的說法是深度學習 Good Fellow的花書裡面也把word2vec方法歸在了神經語言模型的章節。另外乙個原因，word2vec曾...
word2vec 訓練好的詞彙向量檔案是否可以動態增加？如果可以，如何實現動態訓練增加？
江飛燕 gensim train sentences,total words None,word count 0,total examples None,queue factor 2,report delay 1.0 gensim models.word2vec Deep learning with...