第21章：基于Bayesian Theory的MRC文本理解基础经典模型算法详解

1，Bayesian prior在模型训练时候对Weight控制、训练速度影响等功能详解

2，Bayesian prior能够提供模型训练速度和质量的数学原理剖析

3，从Word2vec走向GloVe：从Local 信息走向Global+Local信息表示模式

4，GloVe 中的Vector相关性算法

5，GloVe的Co-occurrence matrix解析

6，GloVe的Loss计算

7，神经网络表达信息的三大局限剖析

7，使用Convolutions取代神经网络传统的matrix multiplication操作

8，文本序列的Vector表示及Convolutions的天然契合点分析

9，Parameter sharing背后的数学原理和工程的广泛应用

10，Vector中的参数真的能够很好的表达信息吗？数学原理及工程实践

11，TextCNN架构设计解析

12，CNN-rand数学原理及工程实现

13，CNN-static数学原理及工程实现

14，CNN-non-static数学原理及工程实现

15，CNN-multiple channel数学原理及工程实现

16，处理长短不一的Sentence

17，Kernel设置的数学原理及最佳实践

18，传统模型Attention实现本质：权重分配

19，通过Soft-Search的方式来构建Attention机制及数学原理剖析

20，KQV：Attention-based model based on weight allocation

21，Local-Attention、Global-Attention、Self-Attention对比及最佳实践

22，基于一维匹配的Attentive Reader架构及数学原理剖析

23，基于二维匹配的Impatient Reader架构及数学原理剖析

24，Multi-Hop机制多次提取更充足信息的Attention实现剖析

25，Multi-Hop机制多次提取更充足信息的TimeStep状态推进剖析

26，Pointer network和Attention机制的对比

27，R-NET：借助pointer network和使用gateway机制的attention实现

28，R-NET的Encoding Layer解析

29，R-NET的Question-Passage Matching解析

30，R-NET的Passage Self-Matching解析

31，R-NET的Answer Prediction解析

32，Fully-Aware Fusion Network提出的MRC的Fusion层次划分解析

33，Fully-Aware Fusion Network中的History-of-word机制来更好的理解语意

34，Fully-Aware Fusion Network的Attention机制解析

35，Fully-Aware Fusion Network的Encoding Layer：GloVe、CoVe、POS、NER等

36，Fully-Aware Fusion Network的Multi-level Fusion解析

37，Fully-Aware Fusion Network的Fully-Aware Self-Boosted Fusion解析

38，Fully-Aware Fusion Network的Output layer解析

39，QA-Net的架构之Embedding Encoder Layer解析

40，QA-Net的架构之Context-Query Attention Layer解析

41，QA-Net的架构之Model Encoder Layer解析

42，QA-Net的架构之Output Layer解析