码农场目录
实现stack
由于反向传播要用，所以每个时刻的stack都要备份，这消耗了大量内存。朴素实现就是用个固定大小的多维数组存放，还需要移动大量内存。高效实现是每个句子一个stack，在每个时刻改动stack的head，记录head的指针。
A thinner stack
backpointer从右到左记录栈顶的元素。最重要的是，在reduce的时候，不删除array中的任何元素，而是将合并后的成分新增进去，同时更新backpointer。
应用了这种编程技巧之后，效率提升非常显著，直追线性模型：
由于parse是个hard decision，这会导致损失函数不可导。所以训练的时候直接在已经做了句法分析的句子上训练，这样结构是固定的，就不需要做hard decision了。否则就需要用强化学习等复杂手段去work around。
Stanford Natural Language Inference Corpus
根据文本描述的事实，推断与另一句话的关系（补充说明，中立，矛盾）。
NLI with Tree-RNN sentence rep’ns
讲两句话送入SPINN组合，最终交给分类器：
SNLI结果
线性模型和树形模型得分差不多，但结合了两者的SPINN得分显著提高。很遗憾最高分是由word level的attention model拿下的。
SPINN比LSTM更擅长否定和长句子：
感谢感谢博主！！
英文还是不好，看这课的video看得很懵很懵
多亏您的博文