2026年11月的文章 第49页

3.3.4 上下文相关词表示-大赛人网

3.3.4 上下文相关词表示

虽然像Word2Vec这样的模型已经能够为词语提供具有语义的向量表示,但是它只为每个词分配一个固定的向量表示,不论它在句中出现的语境如何。这种表示被称为静态词向量(static embeddings)。 然...
lanzeou的头像-大赛人网lanzeou15天前
03713
3.3.3.4 应用Word2Vec词向量-大赛人网

3.3.3.4 应用Word2Vec词向量

训练好的词向量,通常用于初始化下游NLP任务的嵌入层。 在现代深度学习的 NLP 模型中,大多数任务的输入第一层都是嵌入层。本质上,嵌入层就是一个查找表(lookup table):输入是词在词汇表中...
lanzeou的头像-大赛人网lanzeou15天前
03611
3.3.3.3 获取Word2Vec词向量-大赛人网

3.3.3.3 获取Word2Vec词向量

词向量的获取通常有两种方式:一种是直接使用他人公开发布的词向量,另一种是在特定语料上自行训练。 在实际工作中,无论是加载已有模型还是从零训练,都可借助Gensim来完成,它提供了便捷的接...
lanzeou的头像-大赛人网lanzeou15天前
04213
3.3 词表示-大赛人网

3.3 词表示

3.3.1 概述 在分词完成之后,文本被转换为一系列的 token(词、子词或字符)。然而,这些符号本身对计算机而言是不可计算的。因此,为了让模型能够理解和处理文本,必须将这些 token 转换为计算...
lanzeou的头像-大赛人网lanzeou15天前
03315
9.4 案例:古诗生成-大赛人网

9.4 案例:古诗生成

9.4.1 数据预处理 数据在.txt文件中,每行为一首诗。 首先将每个字作为一个词构建词表。并将原文转换为索引序列。 import re import torch from torch import nn, optim from torch.utils.data ...
lanzeou的头像-大赛人网lanzeou15天前
04714
9.3 循环网络层-大赛人网

9.3 循环网络层

9.3.1 RNN层介绍 文本是连续的,具有序列特性。如果其序列被重排可能就会失去原有的意义。比如“狗咬人”这段文本具有序列关系,如果文字的序列颠倒可能就会表达不同的意思。 目前我们接触的神...
lanzeou的头像-大赛人网lanzeou15天前
0426
第 9  章 循环神经网络-大赛人网

第 9 章 循环神经网络

9.1 自然语言处理概述 我们平日使用的语言,如汉语或英语,称为自然语言。自然语言处理(Natural Language Processing,NLP)的目标就是让计算机理解人类语言,进而完成对我们有帮助的事情。 说...
lanzeou的头像-大赛人网lanzeou15天前
04910
8.5 案例:服装分类-大赛人网

8.5 案例:服装分类

使用Fashion MNIST数据集:https://www.kaggle.com/datasets/zalando-research/fashionmnist。 数据集中每个样本都是28×28的灰度图像,与来自10个类别的标签相关联。标签对应如下: 0:T恤/上...
lanzeou的头像-大赛人网lanzeou15天前
05412
8.4 深度卷积神经网络-大赛人网

8.4 深度卷积神经网络

将神经网络的层数加深,可以更有效地提取层次信息,还可以减少参数数量,从而让学习更加高效。 基于CNN构建深度神经网络,可以提取出更多的图片信息,大幅提高图像识别精度。在人工智能的发展历...
lanzeou的头像-大赛人网lanzeou15天前
0328
8.3 池化层-大赛人网

8.3 池化层

池化的另一个特点是对微小偏差具有鲁棒性,数据发生微小偏差时,池化可能会返回相同的结果。例如,数据在宽度方向上偏离1个元素,返回的结果不变。 API使用: # 最大池化 torch.nn.MaxPool2d(ke...
lanzeou的头像-大赛人网lanzeou15天前
0546