wordpress网站嵌入音乐,中国建设工程造价信息网站,wordpress 添加广告插件吗,网页微信注册注#xff1a;此文章内容均节选自充电了么创始人#xff0c;CEO兼CTO陈敬雷老师的新书《自然语言处理原理与实战》#xff08;人工智能科学与技术丛书#xff09;【陈敬雷编著】【清华大学出版社】 文章目录 自然语言处理系列六十三神经网络算法》LSTM长短期记忆神经网络算…注此文章内容均节选自充电了么创始人CEO兼CTO陈敬雷老师的新书《自然语言处理原理与实战》人工智能科学与技术丛书【陈敬雷编著】【清华大学出版社】 文章目录 自然语言处理系列六十三神经网络算法》LSTM长短期记忆神经网络算法Seq2Seq端到端神经网络算法 总结 自然语言处理系列六十三
神经网络算法》LSTM长短期记忆神经网络算法
长短期记忆网络LSTMLong Short-Term Memory是一种时间循环神经网络是为了解决一般的RNN循环神经网络存在的长期依赖问题而专门设计出来的所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中这个重复的结构模块只有一个非常简单的结构例如一个tanh层。 1. LSTM介绍 长短期记忆网络long short term memory, LSTM的设计正是为了解决上述RNN的依赖问题即为了解决RNN有时依赖的间隔短有时依赖的间隔长的问题。其中循环神经网络被成功应用的关键就是LSTM。在很多的任务上采用LSTM结构的循环神经网络比标准的循环神经网络的表现更好。LSTM结构是由Sepp hochreiter和Jurgen Schemidhuber于1997年提出的它是一种特殊的循环神经网络结构。 2. LSTM结构 长LSTM的设计就是为了精确解决RNN的长短记忆问题其中默认情况下LSTM是记住长时间依赖的信息而不是让LSTM努力去学习记住长时间的依赖如图7.30所示。
图7.30LSTM结构 所有循环神经网络都有一个重复结构的模型形式在标准的RNN中重复的结构是一个简单的循环体如图7.28 所示的A循环体。然而LSTM的循环体是一个拥有四个相互关联的全连接前馈神经网络的复制结构如图7.30所示。 目前可以先不必了解LSTM细节只需先明白如下图7.31所示的符号语义
图7.31 符号语义 Neural NetWork Layer该图表示一个神经网络层 Pointwise Operation该图表示一种操作如加号表示矩阵或向量的求和、乘号表示向量的乘法操作 Vector Tansfer每一条线表示一个向量从一个节点输出到另一个节点 Concatenate该图表示两个向量的合并即由两个向量合并为一个向量如有X1和X2两向量合并后为[X1,X2]向量 Copy该图表示一个向量复制了两个向量其中两个向量值相同。 3. LSTM分析 LSTM设计的关键是神经元的状态如下图7.32所示顶部的水平线。神经元的状态类似传送带一样按照传送方向从左端被传送到右端在传送过程中基本不会改变只是进行一些简单的线性运算加或减操作。神经元的通过线性操作能够小心地管理神经元的状态信息将这种管理方式称为门操作(gate)。
图7.32 C-line 门操作能够随意的控制神经元状态信息的流动如下图7.33所示它由一个sigmoid激活函数的神经网络层和一个点乘运算组成。Sigmoid层输出要么是1要么是0若是0则不能让任何数据通过若是1则意味着任何数据都能通过。
图7.33 gate LSTM有三个门来管理和控制神经元的状态信息 1遗忘门 LSTM的第一步是决定要从上一个时刻的状态中丢弃什么信息其是由一个sigmoid全连接的前馈神经网络的输出阿里管理将这种操作称为遗忘门forget get layer。如图7.34所示。这个全连接的前馈神经网络的输入是和组成的向量输出是向量。向量是由1和0组成1表示能够通过0表示不能通过。
图7.34 focus-f 2输入门 第二步决定哪些输入信息要保存到神经元的状态中。这又两队前馈神经网络如图7.35所示。首先是一个sigmoid层的全连接前馈神经网络称为输入门input gate layer其决定了哪些值将被更新然后是一个tanh层的全连接前馈神经网络其输出是一个向量向量可以被添加到当前时刻的神经元状态中最后根据两个神经网络的结果创建一个新的神经元状态。
图7.35 focus-i 3状态控制 第三步就可以更新上一时刻的状态为当前时刻的状态了。上述的第一步的遗忘门计算了一个控制向量此时可通过这个向量过滤了一部分状态如图7.36所示的乘法操作上述第二步的输入门根据输入向量计算了新状态此时可以通过这个新状态和状态根据一个新的状态如图 27所示的加法操作。
图7.36focus-C 4输出门 最后一步就是决定神经元的输出向量是什么此时的输出是根据上述第三步的状态进行计算的即根据一个sigmoid层的全连接前馈神经网络过滤到一部分状态作为当前时刻神经元的输出如图7.37所示。这个计算过程是首先通过sigmoid层生成一个过滤向量然后通过一个tanh函数计算当前时刻的状态向量即将向量每个值的范围变换到[-1,1]之间接着通过sigmoid层的输出向量过滤tanh函数结果即为当前时刻神经元的输出。
图7.37focus-o 4.LSTM实现语言模型代码实战 下面实现一个语言模型它是NLP中比较重要的一部分给上文的语境后可以预测下一个单词出现的概率。如果是中文的话需要做中文分词。什么是语言模型统计语言模型是一个单词序列上的概率分布对于一个给定长度为m的序列它可以为整个序列产生一个概率 P(w_1,w_2,…,w_m)。其实就是想办法找到一个概率分布它可以表示任意一个句子或序列出现的概率。 目前在自然语言处理相关应用非常广泛如语音识别(speech recognition) , 机器翻译(machine translation), 词性标注(part-of-speech tagging), 句法分析(parsing)等。传统方法主要是基于统计学模型最近几年基于神经网络的语言模型也越来越成熟。 下面就是基于LSTM神经网络的语言模型代码实现先准备下数据和代码环境 #首先下载PTB数据集并解压放到工作路径下 wget http://www.fit.vutbr.cz/~imikolov/rnnlm/simple-examples.tgz tar xvf simple-examples.tgz #然后下载tensorflow models库进入目录models/tutorials/rnn/ptb。然后载入常用的库#和tensorflow models中的PTB reader通过它读取数据 git clone https://github.com/tensorflow/models.git cd models/tutorials/rnn/ptb LSTM核心如代码7.2所示。 【代码7.2】 lstm.py
#-*- coding: utf-8 -*-
import time
import numpy as np
import tensorflow as tf
import ptb.reader as readerflags tf.app.flags
FLAGS flags.FLAGSlogging tf.loggingflags.DEFINE_string(save_path, ./Out,Model output directory.)
flags.DEFINE_bool(use_fp16, False,Train using 16-bit floats instead of 32bit floats)def data_type():return tf.float16 if FLAGS.use_fp16 else tf.float32#定义语言模型处理的输入数据的class
class PTBInput(object):The input data.#初始化方法#读取config中的batch_sizenum_steps到本地变量。def __init__(self, config, data, nameNone):self.batch_size batch_size config.batch_sizeself.num_steps num_steps config.num_steps #num_steps是LSTM的展开步数#计算每个epoch内需要多好轮训练的迭代self.epoch_size ((len(data) // batch_size) - 1) // num_steps#通过ptb_reader获取特征数据input_data和label数据targetsself.input_data, self.targets reader.ptb_producer(data, batch_size, num_steps, namename)#定义语言模型的class
class PTBModel(object):PTB模型#训练标记配置参数ptb类的实例input_def __init__(self, is_training, config, input_):self._input input_batch_size input_.batch_sizenum_steps input_.num_stepssize config.hidden_size #hidden_size是LSTM的节点数vocab_size config.vocab_size #vocab_size是词汇表#使用遗忘门的偏置可以获得稍好的结果def lstm_cell():#使用tf.contrib.rnn.BasicLSTMCell设置默认的LSTM单元return tf.contrib.rnn.BasicLSTMCell(size, forget_bias0.0, state_is_tupleTrue)#state_is_tuple表示接受和返回的state将是2-tuple的形式attn_cell lstm_cell
#如果训练状态且Dropout的keep_prob小于1则在前面的lstm_cell之后接一个DropOut层
#这里的做法是调用tf.contrib.rnn.DropoutWrapper函数if is_training and config.keep_prob 1:def attn_cell():return tf.contrib.rnn.DropoutWrapper(lstm_cell(), output_keep_probconfig.keep_prob)
#最后使用rnn堆叠函数tf.contrib.rnn.MultiRNNCell将前面构造的lstm_cell
#多层堆叠得到cell#堆叠次数为config中的num_layers.cell tf.contrib.rnn.MultiRNNCell([attn_cell() for _ in range(config.num_layers)], state_is_tupleTrue)#这里同样将state_is_tuple设置为True#并掉用cell.zero_state设置LSTM单元的初始化状态为0self._initial_state cell.zero_state(batch_size, tf.float32)#这里需要注意LSTM单元可以读入一个单词并结合之前存储的状态state计算下一个单词
#出现的概率#并且每次读取一个单词后它的状态state会被更新#创建网络的词embedding部分embedding即为将one-hot的编码格式的单词转化为向量
#的表达形式#这部分操作在GPU中实现with tf.device(/cpu:0):#初始哈embedding矩阵其行数设置词汇表数vocab_size列数每个单词的向量表达
#的维数设为hidden_size#hidden_size和LSTM单元中的隐含节点数一致#在训练过程中embedding的参数可以
#被优化和更新。embedding tf.get_variable(embedding, [vocab_size, size], dtypetf.float32)#接下来是使用tf.nn.embedding_lookup查询单词对应的向量表达获得inputsinputs tf.nn.embedding_lookup(embedding, input_.input_data)#如果为训练状态则添加一层Dropoutif is_training and config.keep_prob 1:inputs tf.nn.dropout(inputs, config.keep_prob)#Simplified version of models/tutorials/rnn/rnn.pys rnn().#This builds an unrolled LSTM for tutorial purposes only.#In general, use the rnn() or state_saving_rnn() from rnn.py.##The alternative version of the code below is:##inputs tf.unstack(inputs, numnum_steps, axis1)#outputs, state tf.nn.rnn(cell, inputs,#initial_stateself._initial_state)#定义输出outputsoutputs []state self._initial_state#首先使用tf.variable_scope将接下来的名称设为RNNwith tf.variable_scope(RNN):#为了控制训练过程我们会限制梯度在反向传播时可以展开的步数为一个固定的值而这个步#数也是num_steps#这里设置一个循环长度为num_steps来控制梯度的传播for time_step in range(num_steps):#并且从第二次循环开始我们使用tf.get_variable_scope().reuse_variables()
#设置复用变量if time_step 0: tf.get_variable_scope().reuse_variables()#每次循环内我们传入inputs和state到堆叠的LSTM单元即cell中#注意inputs有三个维度第一个维度是batch中的低级个样本#第二个维度代表是样本中的第几个单词第三个维度是单词的向量表达的维度。#inputs[:, time_step, :]代表所有样板的第time_step个单词(cell_output, state) cell(inputs[:, time_step, :], state)#这里我们得到输出cell_output和更新后的stateoutputs.append(cell_output)#最后我们将结果cell_output添加到输出列表ouputs中#将output的内容用tf.contact串联到一起并使用tf.reshape将其转为一个很长的一维
#向量output tf.reshape(tf.concat(outputs, 1), [-1, size])#接下来是softmax层先定义权重softmax_w和偏置softmax_bsoftmax_w tf.get_variable(softmax_w, [size, vocab_size], dtypetf.float32)softmax_b tf.get_variable(softmax_b, [vocab_size], dtypetf.float32)#然后使用tf.matmul将输出output乘上权重并加上偏置得到logitslogits tf.matmul(output, softmax_w) softmax_b#这里直接使用tf.contrib.legacy_seq2seq.sequence_loss_by_example计算输出
#logits#和targets的偏差loss tf.contrib.legacy_seq2seq.sequence_loss_by_example([logits],[tf.reshape(input_.targets, [-1])],[tf.ones([batch_size * num_steps], dtypetf.float32)])#这里的sequence_loss即target words的averge negative log probability,self._cost cost tf.reduce_sum(loss) / batch_size#然后再使用tf.reduce_sum汇总batch的误差。self._final_state stateif not is_training:return#如果此时不是训练状态直接返回。#定义学习速率的变量lr,并将其设为不可训练self._lr tf.Variable(0.0, trainableFalse)#再使用tf.trainable_variables获取所有可训练的参数tvarstvars tf.trainable_variables()#针对前面得到的cost计算tvars的梯度并用tf.clip_by_global_norm设置梯度的最
#大范数max_grad_normgrads, _ tf.clip_by_global_norm(tf.gradients(cost, tvars),config.max_grad_norm)#这即是Gradient Clipping的方法控制梯度的最大范数某种程度上起到正则化的效果。#Gradient Clipping可防止Gradient Explosion梯度爆炸的问题如果对梯度不加限制#则可能会因为迭代中梯度过大导致训练难以收敛#然后定义GradientDescent优化器optimizer tf.train.GradientDescentOptimizer(self._lr)#再创建训练操作_train_op用optimizer.apply_gradients将前面clip过的梯度应用
#到所有可训练的参数tvars上#然后使用tf.contrib.framework.get_or_create_global_step()生成全局统一的训练
#步数self._train_op optimizer.apply_gradients(zip(grads, tvars),global_steptf.contrib.framework.get_or_create_global_step())#设置一个_new_lr的placeholder用以控制学习速率。self._new_lr tf.placeholder(tf.float32, shape[], namenew_learning_rate)#同时定义个assign_lr的函数用以在外部控制模型的学习速率self._lr_update tf.assign(self._lr, self._new_lr)#同时定义个assign_lr的函数用以在外部控制模型的学习速率#方式是将学习速率值传入_new_lr这个place_holder,并执行_update_lr操作完成对学习速
#率的修改def assign_lr(self, session, lr_value):session.run(self._lr_update, feed_dict{self._new_lr: lr_value})#模型定义完毕再定义定义这个PTBModel class的一些property#Python中的property装饰器可以将返回变量设为只读防止修改变量引发的问题#这里定义input,initial_state,cost,lr,final_state,train_op为property方便外
#部访问propertydef input(self):return self._inputpropertydef initial_state(self):return self._initial_statepropertydef cost(self):return self._costpropertydef final_state(self):return self._final_statepropertydef lr(self):return self._lrpropertydef train_op(self):return self._train_op#接下来定义几种不同大小的模型的参数
#首先是小模型的设置
class SmallConfig(object):Small config.init_scale 0.1 #网络中权重值的初始Scalelearning_rate 1.0 #学习速率的初始值max_grad_norm 5 #前面提到的梯度的最大范数num_layers 2 #num_layers是LSTM可以堆叠的层数num_steps 20 #是LSTM梯度反向传播的展开步数hidden_size 200 #LSTM的隐含节点数max_epoch 4 #是初始学习速率的可训练的epoch数在此之后需要调整学习速率max_max_epoch 13 #总共可以训练的epoch数keep_prob 1.0 #keep_prob是dorpout层的保留节点的比例lr_decay 0.5 #学习速率的衰减速率batch_size 20 #每个batch中样板的数量vocab_size 10000#具体每个参数的值在不同的配置中对比才有意义#在中等模型中我们减小了init_state即希望权重初值不要过大小一些有利于温和的训练
#学习速率和最大梯度范数不变LSTM层数不变。
#这里将梯度反向传播的展开步数从20增大到35.
#hidden_size和max_max_epoch也相应地增大约3倍;同时这里开始设置dropout的
#keep_prob到0.5
#而之前设置1,即没有dropout;
#因为学习迭代次数的增大因此将学习速率的衰减速率lr_decay也减小了。
#batch_size和词汇表vocab_size的大小保持不变
class MediumConfig(object):Medium config.init_scale 0.05learning_rate 1.0max_grad_norm 5num_layers 2num_steps 35hidden_size 650max_epoch 6max_max_epoch 39keep_prob 0.5lr_decay 0.8batch_size 20vocab_size 10000#大型模型进一步缩小了init_scale并大大放宽了最大梯度范数max_grad_norm到10
#同时将hidden_size提升到了1500,并且max_epoch,max_max_epoch也相应增大了;
#而keep_drop也因为模型复杂度的上升继续下降学习速率的衰减速率lr_decay也进一步减小
class LargeConfig(object):Large config.init_scale 0.04learning_rate 1.0max_grad_norm 10num_layers 2num_steps 35hidden_size 1500max_epoch 14max_max_epoch 55keep_prob 0.35lr_decay 1 / 1.15batch_size 20vocab_size 10000#TstConfig只是测试用参数都尽量使用最小值只是为了测试可以完整允许模型
class TstConfig(object):Tiny config, for testing.init_scale 0.1learning_rate 1.0max_grad_norm 1num_layers 1num_steps 2hidden_size 2max_epoch 1max_max_epoch 1keep_prob 1.0lr_decay 0.5batch_size 20vocab_size 10000#定义训练一个epoch数据的函数run_epoch。
def run_epoch(session, model, eval_opNone, verboseFalse):Runs the model on the given data.#记录当前时间初始化损失costs和迭代数iters。start_time time.time()costs 0.0iters 0state session.run(model.initial_state)#并执行model.initial_state来初始化状态并获得初始状态#接着创建输出结果的字典表fetches#其中包括cost和final_statefetches {cost: model.cost,final_state: model.final_state,}#如果有评测操作eval_op,也一并加入fetchesif eval_op is not None:fetches[eval_op] eval_op#接着进行循环训练中次数为epoch_sizefor step in range(model.input.epoch_size):feed_dict {}#在每次循环中我们生成训练用的feed_dictfor i, (c, h) in enumerate(model.initial_state):feed_dict[c] state[i].cfeed_dict[h] state[i].h#将全部的LSTM单元的state加入feed_dict然后传入feed_dict并执行#fetchees对网络进行一次训练并且拿到cost和statevals session.run(fetches, feed_dict)cost vals[cost]state vals[final_state]#我们累加cost到costs并且累加num_steps到iters。costs costiters model.input.num_steps#我们每完成约10%的epoch就进行一次结果的展示依次展示当前epoch的进度#perplexity(即平均cost的自然常数指数语言模型性能的重要指标越低代表模型输出的
#概率分布在预测样本上越好)#和训练速度(单词/s)if verbose and step % (model.input.epoch_size // 10) 10:print(%.3f perplexity: %.3f speed: %.0f wps %(step * 1.0 / model.input.epoch_size, np.exp(costs / iters),iters * model.input.batch_size / (time.time() - start_time)))#最后返回perplexity作为函数的结果return np.exp(costs / iters)#使用reader.ptb_raw_data直接读取解压后的数据得到训练数据验证数据和测试数据
raw_data reader.ptb_raw_data(./simple-examples/data/)
train_data, valid_data, test_data, _ raw_data#这里定义训练模型的配置为小型配置
config SmallConfig()
eval_config SmallConfig()
eval_config.batch_size 1
eval_config.num_steps 1
#需要注意的是测试配置eval_config需和训练配置一致
#这里将测试配置的batch_size和num_steps修改为1#创建默认的Graph并使用tf.random_uniform_initializer设置参数的初始化器
with tf.Graph().as_default():initializer tf.random_uniform_initializer(-config.init_scale,config.init_scale)with tf.name_scope(Train):#使用PTBInput和PTBModel创建一个用来训练的模型mtrain_input PTBInput(configconfig, datatrain_data, nameTrainInput)with tf.variable_scope(Model, reuseNone, initializerinitializer):m PTBModel(is_trainingTrue, configconfig, input_train_input)#tf.scalar_summary(Training Loss, m.cost)#tf.scalar_summary(Learning Rate, m.lr)with tf.name_scope(Valid):#使用PTBInput和PTBModel创建一个用来验证的模型mvalidvalid_input PTBInput(configconfig, datavalid_data, nameValidInput)with tf.variable_scope(Model, reuseTrue, initializerinitializer):mvalid PTBModel(is_trainingFalse, configconfig, input_valid_input)#tf.scalar_summary(Validation Loss, mvalid.cost)with tf.name_scope(Tst):#使用PTBInput和PTBModel创建一个用来验证的模型Tsttest_input PTBInput(configeval_config, datatest_data, nameTstInput)with tf.variable_scope(Model, reuseTrue, initializerinitializer):mtst PTBModel(is_trainingFalse, configeval_config,input_test_input)#其中训练和验证模型直接使用前面的cofig测试模型则使用前面的测试配置eval_configsv tf.train.Supervisor()#使用tf.train.Supervisor创建训练的管理器sv#并使用sv.managed_session()创建默认的sessionwith sv.managed_session() as session:#再执行训练多个epoch数据的循环for i in range(config.max_max_epoch):#在每个epoch循环内我们先计算累计的学习速率衰减值#这里只需要计算超过max_epoch的轮数再求lr_decay的超出轮数次幂即可#然后将初始学习速率乘以累计的衰减并更新学习速率。lr_decay config.lr_decay ** max(i 1 - config.max_epoch, 0.0)m.assign_lr(session, config.learning_rate * lr_decay)#在循环内执行一个epoch的训练和验证并输出当前的学习速率训练和验证即的
#perplexityprint(Epoch: %d Learning rate: %.3f % (i 1, session.run(m.lr)))train_perplexity run_epoch(session, m, eval_opm.train_op,verboseTrue)print(Epoch: %d Train Perplexity: %.3f % (i 1, train_perplexity))valid_perplexity run_epoch(session, mvalid)print(Epoch: %d Valid Perplexity: %.3f % (i 1, valid_perplexity))#在完成全部训练之后计算并输出模型在测试集上的perplexitytst_perplexity run_epoch(session, mtst)print(Test Perplexity: %.3f % tst_perplexity)##if FLAGS.save_path:# print(Saving model to %s. % FLAGS.save_path)# sv.saver.save(session, FLAGS.save_path, global_stepsv.global_step)if __name__ __main__:tf.app.run()LSTM经常用来解决处理和预测序列化问题下面要讲的Seq2Seq端到端神经网络就是基于LSTM的当然Seq2Seq也不是必须基于LSTM它也可以是基于CNN的。下面我们来看下Seq2Seq。
Seq2Seq端到端神经网络算法
下一篇文章分享Seq2Seq端到端神经网络算法更多内容可参见 《自然语言处理原理与实战》人工智能科学与技术丛书【陈敬雷编著】【清华大学出版社】书籍。 更多的技术交流和探讨也欢迎加我个人微信chenjinglei66。
总结
此文章有对应的配套新书教材和视频
【配套新书教材】 《自然语言处理原理与实战》人工智能科学与技术丛书【陈敬雷编著】【清华大学出版社】 新书特色本书从自然语言处理基础开始逐步深入各种NLP热点前沿技术使用了Java和Python两门语言精心编排了大量代码实例契合公司实际工作场景技能侧重实战。 全书共分为19章详细讲解中文分词、词性标注、命名实体识别、依存句法分析、语义角色标注、文本相似度算法、语义相似度计算、词频-逆文档频率(TF-IDF)、条件随机场、新词发现与短语提取、搜索引擎Solr Cloud和Elasticsearch、Word2vec词向量模型、文本分类、文本聚类、关键词提取和文本摘要、自然语言模型Language Model、分布式深度学习实战等内容同时配套完整实战项目例如对话机器人实战、搜索引擎项目实战、推荐算法系统实战。 本书理论联系实践深入浅出知识点全面通过阅读本书读者不仅可以理解自然语言处理的知识还能通过实战项目案例更好地将理论融入实际工作中。 《分布式机器学习实战》人工智能科学与技术丛书【陈敬雷编著】【清华大学出版社】 新书特色深入浅出逐步讲解分布式机器学习的框架及应用配套个性化推荐算法系统、人脸识别、对话机器人等实战项目。
【配套视频】
推荐系统/智能问答/人脸识别实战 视频教程【陈敬雷】 视频特色把目前互联网热门、前沿的项目实战汇聚一堂通过真实的项目实战课程让你快速成为算法总监、架构师、技术负责人包含了推荐系统、智能问答、人脸识别等前沿的精品课程下面分别介绍各个实战项目 1、推荐算法系统实战 听完此课可以实现一个完整的推荐系统下面我们就从推荐系统的整体架构以及各个子系统的实现给大家深度解密来自一线大型互联网公司重量级的实战产品项目 2、智能问答/对话机器人实战 由浅入深的给大家详细讲解对话机器人项目的原理以及代码实现、并在公司服务器上演示如何实际操作和部署的全过程 3、人脸识别实战 从人脸识别原理、人脸识别应用场景、人脸检测与对齐、人脸识别比对、人脸年龄识别、人脸性别识别几个方向从理论到源码实战、再到服务器操作给大家深度讲解
自然语言处理NLP原理与实战 视频教程【陈敬雷】 视频特色《自然语言处理NLP原理与实战》包含了互联网公司前沿的热门算法的核心原理以及源码级别的应用操作实战直接讲解自然语言处理的核心精髓部分自然语言处理从业者或者转行自然语言处理者必听视频
人工智能《分布式机器学习实战》 视频教程【陈敬雷】 视频特色视频核心内容有互联网公司大数据和人工智能、大数据算法系统架构、大数据基础、Python编程、Java编程、Scala编程、Docker容器、Mahout分布式机器学习平台、Spark分布式机器学习平台、分布式深度学习框架和神经网络算法、自然语言处理算法、工业级完整系统实战推荐算法系统实战、人脸识别实战、对话机器人实战。
上一篇自然语言处理系列六十二》神经网络算法》MLP多层感知机算法 下一篇自然语言处理系列六十四》神经网络算法》Seq2Seq端到端神经网络算法
