Deeplearning for NLP (简介)

最新推荐文章于 2024-06-29 01:26:40 发布

Ding_xiaofei

最新推荐文章于 2024-06-29 01:26:40 发布

阅读量849

点赞数

分类专栏： NLP 深度学习文本处理文章标签： cs nlp task

本文链接：https://blog.csdn.net/Ding_xiaofei/article/details/80252262

版权

本文源自17年牛津大学的NLP课程，介绍了深度学习如何应用于NLP任务，涵盖词的表示、文本分类、文本生成等。讨论了词典中的OOV问题，强调了词向量（如Word2vec）的重要性。还探讨了动态计算图和静态计算图在深度学习框架中的区别，推荐NLP初学者学习PyTorch。

摘要由CSDN通过智能技术生成

开篇

过目就忘说的可能就是在下了，所以现在所有的学习内容我都会写成博客，不成博客的就是过目就忘啦。这是系列不算挖坑，前面写了几篇Tensorflow的文章，词向量这篇一直处于难产中，拖延症比较严重。争取这两天能够写出来。下面开始我们的正题，这篇博客的内容主要来源于17年牛津大学的NLP课程，这边放出课程oxford-cs-deepnlp的github地址和网易云课堂课程的视频链接，夸一下网易，很有担当的课程，算是给了我们这些听力一般的学生一条求学之路，虽然它拒了我加入申请。
下面开始我们的正题，简单说一下这门课程的主要内容，课程是以各种NLP任务为主要单元来呈现的，而我这篇博客主要来源于第二周的课程，希望能够大家一个轮廓，知道DeepLearning可以做哪些NLP任务，这些任务我后续都会TensorFlow去实现，这里不给自己挖坑了，不定期更新。本课程基本涵盖了大部分的热门NLP任务，对初入NLP领域的人有一个很好的引导作用，但是理论可能就不会太过深究，毕竟一节课也就两个小时，要把一个子领域的任务讲清楚已近相当难得了。我可能不太会去使用课程中的数据集去完成相应的任务，但是任务内容肯定是一致的。