建设工程招标网站,做养生网站怎么赚钱,互联网营销中心,深圳福田区房子价格目录 时间序列表示梯度弥散和梯度爆炸RNN#xff08;循环神经网络#xff09;LSTMSeq2SeqELMo 时间序列表示
核心是加入历史信息去预测下一步骤
在NLP中#xff0c;序列维度一般是这个样子:[b,seq_len,feature_len] b个句子#xff0c;每个句子seq_len个单词#xff0c;… 目录 时间序列表示梯度弥散和梯度爆炸RNN循环神经网络LSTMSeq2SeqELMo 时间序列表示
核心是加入历史信息去预测下一步骤
在NLP中序列维度一般是这个样子:[b,seq_len,feature_len] b个句子每个句子seq_len个单词每个单词feature_len个维度
NLP大部分是和时间相关的
步长在计算机又叫记忆比如预测一个点的值是用多长的步长去预测它要根据不同数据选择不同的步长
Embedding是词向量的分布式表示
梯度弥散和梯度爆炸
当解决短文本没有这个问题解决长文本时这个模型就有问题
RNN循环神经网络 xtwxh是自身的影响htwxh是历史信息的影响 只要Y4的输出信息因为Y4记录了前面的历史信息所以4个单词就变成只要1个单词
多层循环神经网络
堆叠RNN 信息越来越明确、清晰
双向RNN 反向进行也有可能让信息更加明确
LSTM
由RNN来的在此基础上增加一些门控机制门控用来选择存储哪些历史信息 ft决定遗忘哪些信息 it和Ct决定学习哪些新信息 Seq2Seq
编码解码模型
ELMo
用来预训练语言模型 相当于2个双向的LSTM
注意力机制在Seq2Seq中注意到每个单词的重要程度
