asphysiaa-CSDN博客

原创 Datawhale AI 夏令营学习笔记——NLP竞赛——Task3

Transformer的主要组件包括。其核心是利用，使每个位置的表示不仅依赖于当前位置，还能够直接获取其他位置的表示。自从提出以来，Transformer模型在机器翻译、文本生成等自然语言处理任务中均取得了突破性进展，成为NLP领域新的主流模型。从宏观角度来看，Transformer的编码器是由多个相同的层叠加而成的，每个层都有两个子层（子层表示为sublayer）。第⼀个子层是；第二个子层是。对于输入文本序列，先通过一个输入嵌入层（Input Embedding）。通常直接对每个单词创建一个向量表示。

2024-07-19 00:12:12 1829

原创 Datawhale AI 夏令营学习笔记——机器学习竞赛——Task3

时间序列预测是一个不断发展的领域，随着技术的进步，我们可以期待更多的优化方法和模型的出现。深度学习模型，特别是LSTM和其变体，已经在许多时间序列预测任务中显示出了优越的性能。更复杂的模型结构：如引入注意力机制的LSTM模型，以更好地捕捉时间序列中的长期依赖关系。多模态数据融合：结合时间序列数据和其他类型的数据，如文本或图像，以提供更全面的分析。模型解释性：提高模型的可解释性，以便更好地理解预测结果。自动化特征工程：开发自动化的特征工程工具，以减少手动特征提取的工作量。实时预测。

2024-07-18 23:27:45 717

原创 Datawhale AI 夏令营学习笔记——NLP竞赛——Task2

例如，在电视系统上为了便于视频的传播，会使用各种编码器将视频编码成数字信号，在客户端，相应的解码器组件会把收到的数字信号解码为视频。在机器翻译的发展进程中，译文质量评价有着非常重要的作用。（构成单词的基本组成部分，一个词素可以是一个完整的单词，也可以是单词的一部分，但每一个词素都至少携带一部分语义或语法信息），这是NLP中最基本的步骤之一。：使用预训练的词向量或自己训练词向量，将词汇表中的词映射到高维空间中的向量，以捕捉语义信息（当前大模型领域训练的 embedding 模型就是用来完成此任务的）。

2024-07-15 16:53:11 628

asphysiaa的博客

原创 Datawhale AI 夏令营学习笔记——NLP竞赛——Task3

原创 Datawhale AI 夏令营学习笔记——机器学习竞赛——Task3

原创 Datawhale AI 夏令营学习笔记——NLP竞赛——Task2

原创 Datawhale AI 夏令营学习笔记——机器学习竞赛——Task2

原创 Datawhale AI 夏令营学习笔记——NLP竞赛——Task1

原创 Datawhale AI 夏令营学习笔记——机器学习竞赛——Task1

空空如也

空空如也

原创 Datawhale AI 夏令营 学习笔记——NLP竞赛——Task3

原创 Datawhale AI 夏令营 学习笔记——机器学习竞赛——Task3

原创 Datawhale AI 夏令营 学习笔记——NLP竞赛——Task2

原创 Datawhale AI 夏令营 学习笔记——机器学习竞赛——Task2

原创 Datawhale AI 夏令营 学习笔记——NLP竞赛——Task1

原创 Datawhale AI 夏令营 学习笔记——机器学习竞赛——Task1

空空如也

空空如也

原创 Datawhale AI 夏令营学习笔记——NLP竞赛——Task3

原创 Datawhale AI 夏令营学习笔记——机器学习竞赛——Task3

原创 Datawhale AI 夏令营学习笔记——NLP竞赛——Task2

原创 Datawhale AI 夏令营学习笔记——机器学习竞赛——Task2

原创 Datawhale AI 夏令营学习笔记——NLP竞赛——Task1

原创 Datawhale AI 夏令营学习笔记——机器学习竞赛——Task1