为什么选择序列模型？Why Sequence Models?

来源：Coursera吴恩达深度学习课程

带着遗憾重新启航！第五周《序列模型》开始啦！

在本课程中将学习序列模型（sequence models），它是深度学习中最令人激动的内容之一。循环神经网络（RNN）之类的模型在语音识别（speech recognition）、自然语言处理（natural language processing）和其他领域中引起变革。我们先看一些例子，这些例子都有效使用了序列模型。

（1）在语音识别（Speech recognition）时，给定了一个输入音频片段（audio clip）x，并要求输出对应的文字记录（text transcript）y。这个例子里输入和输出数据都是序列模型，因为x是一个按时播放的音频片段，输出y是一系列单词。所以之后将要学到的一些序列模型在语音识别方面是非常有用的。

（2）音乐生成问题（Music generation）是使用序列数据的另一个例子，在这个例子中，只有输出数据y是序列，而输入数据可以是空集（empty set），也可以是个单一的整数，这个数可能指代你想要生成的音乐风格，也可能是你想要生成的那首曲子的头几个音符。

（3）在处理情感分类（Sentiment classification）时，输入数据x是序列，你会得到类似这样的输入：“There is nothing to like in this movie.”，你认为这句评论对应几星？

（4）在DNA序列分析（DNA sequence analysis）时，你的DNA可以用A、C、G、T四个字母来表示。所以给定一段DNA序列，你能够标记出哪部分是匹配某种蛋白质的吗？

（5）在机器翻译（Machine translation）过程中，你会得到这样的输入句：“Voulez-vou chante avecmoi?”（法语：要和我一起唱么？），然后要求你输出另一种语言的翻译结果。

（6）在视频行为识别（Video activity recognition）时，你可能会得到一系列视频帧，然后要求你识别其中的行为。

（7）在命名实体识别（Name entity recognition）时，可能会给定一个句子要你识别出句中的人名。

总结一下，序列模型可以应用在语音识别、音乐生成器、情感分类、DNA序列分析、机器翻译、视频动作识别和命名实体识别等领域。这些问题都可以被称作使用标签数据(x,y)作为训练集的监督学习。但从这一系列例子中你可以看出序列问题有很多不同类型。有些问题里，输入数据x和输出数据y都是序列（x和y有时也会不一样长）。在另一些问题里，也可能只有x或者只有y是序列。

所以在本节我们将学到适用于不同情况的序列模型。

说明：记录学习笔记，如果错误欢迎指正！转载请联系我。