2017-06-21阅读(5958)评论(2)

这节课由TA们介绍了TF里的几个基本概念（graph、variable、placeholder、session、fetch、feed），基本流程。然后现场敲代码演示如何在TF上跑线性回归和训练词向量。与优达学城的《深度学习公开课》不同之处在...

2017-06-21阅读(4654)评论(1)

术语Visual Dialog，大致这么翻译（通俗理解为斗图）。你可以给聊天机器人发送图片，它能理解图片的意思，你们可以就图片内容展开对话；除了文本之外，让图片也成为交流的一部分；这可以帮助盲人理解周围或社交媒体上的信息。 这是自然语言处理...

2017-06-18阅读(14993)评论(35)

这是LaTex答案，Python代码开源在GitHub上。先进行大量的SG、CBOW、负采样、交叉熵损失函数推导和证明，理论基础扎实后平滑过渡到实现；在斯坦福情感树库上做情感分析、调参、分析混淆矩阵与错误。 以前看不懂公式，总觉得代码是最重...

2017-06-16阅读(12545)评论(6)

句法分析还算熟悉，就跟着复习了神经网络句法分析的动机与手法，了解一下比较前沿的动向。 语言学的两种观点 如何描述语法，有两种主流观点，其中一种是短语结构文法，英文术语是：Constituency = phrase structure gra...

2017-06-15阅读(4336)评论(0)

主讲人是一位发音特别纯正的印度小哥，只有微量口音。这篇论文挑战了对神经网络的迷信，展示了传统模型的生命力以及调参的重要性。 词语表示方法 以前的课程中讲过两大类得到dense词语表示的方法，一般认为NN模型更好： 这里的PPMI也是一种利用...

2017-06-11阅读(6243)评论(2)

最后一次数学课，其实都是些很基础的推导而已。从四个不同的层面讲解反向传播，其中电路和有向图类比还是很直观新颖的解释。 任意层的通用公式 第$l$层的残差： $$\delta^{(l)} = (W^{(l)T} \delta^{(l+1)})...

2017-06-10阅读(4788)评论(0)

Facebook的fastText  文本分类是NLP中常见的任务，比如情感分析： 词袋模型 虽然词袋模型只是所有词向量的某种平均，但其维度可以做到很低： 为了抵抗词序丢失带来的语义丢失问题，可以用ngram特征来代替。 简单的线...

2017-06-09阅读(7747)评论(0)

这节课介绍了根据上下文预测单词分类的问题，与常见神经网络课程套路不同，以间隔最大化为目标函数，推导了对权值矩阵和词向量的梯度；初步展示了与传统机器学习方法不一样的风格。 分类问题 给定训练集$$\{x^{(i)},y^{(i)}\}_1^N...

2017-06-08阅读(8657)评论(4)

这节课从传统的基于计数的全局方法出发，过渡到结合两者优势的GloVe，并介绍了词向量的调参与评测方法。 复习：word2vec的主要思路 遍历整个语料库中的每个词 预测每个词的上下文： 然后在每个窗口中计算梯度做SGD SGD与词向量 但每...

2017-06-08阅读(5795)评论(1)

词向量本身无法解决一词多义的问题，比如： 这里的tie可能表示球赛的平局，也可能表示领带，还可能表示绳子打结。那它的词向量究竟在哪里呢？ 虽然相似的词被映射到邻近的位置，但该论文证明词向量是所有义项的平均： 它被映射到这些词语的中央，这有什...