李宏毅 bert 讲解

原始bert是干嘛的

bert就是transformer的encoder

输入seq,输出seq

先决定盖哪几个,再决定怎么盖
在这里插入图片描述

展示原始的bert

然后输出

输出的就是一个向量,里面就是词典所有的单词的概率(是吗
在这里插入图片描述

里面的linear怎么做的(小参数)

然后跟我那个真实值,最小化,(就是一个分类问题),训练的时候,bert里面的参数和我们那个liner的参数一起训练。
在这里插入图片描述

工作2(好像没啥用)

除了上述的mask之外,还会预测下一个句子在这里插入图d片描述
这个输出的yes或者or,意思就是我这两个句子是不是相接的,后来说这个方法其实没有什么用。

然后就是bert其实它的作用就是填空,但是他却可以使用在其他的任务上,这些任务叫做下游任务(downstream tasks),

下游任务–微调

在这里插入图片描述
就是胚胎干细胞,给东西,可以做很多事情,他去做各式各样的任务,就是fine-tune,其实就是微调,

这些就是bert的实际测试的任务

在这里插入图片描述
表现都是上升的
在这里插入图片描述

在这里插入图片描述
这里面,liner的参数是随机初始化的,然后bert的参数是从学习了填空的预训练以后得到的。

至于为什么把会填空的bert拿过来,因为效果好,(就是好,但是不知道为啥)

下面是用不用训练好的bet模型的差距,前面是预训练的,后面的是随机初始化的,
在这里插入图片描述

下游是semi-supervised : pre-training + fine-tune

案例二: 词性分析
在这里插入图片描述

案例三: 给定一个前提,给定一个结果,让你推断,前提能否得出结果
在这里插入图片描述
bert是怎么做的
在这里插入图片描述
不取cls取任何一个输出理论上都是可以的,bert里面结构都是self-attention,都是互相关联的

案例五:QA

在这里插入图片描述
在这里插入图片描述

bert计算的 苹果 和苹果手机,其实是考虑了上下文的

在这里插入图片描述
在这里插入图片描述
每个向量可以理解成,每一个词的意思

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 李宏毅是一位著名的机器学习专家,他在GAN(生成对抗网络)方面做出了重要贡献。GAN是一种包含两个神经网络的模型,一个称为生成器(Generator),另一个称为判别器(Discriminator)。GAN的目标是让生成器尽可能地生成与真实样本相似的数据。 在李宏毅的作业代码讲解中,他会介绍GAN的基本原理、算法和代码实现。首先,他会讲解生成器和判别器的结构和原理,包括生成器如何生成样本,以及判别器如何对生成的样本进行评价。 然后,李宏毅会详细解释GAN的损失函数和优化方法。他会讲解如何使用反向传播算法更新生成器和判别器的参数,以使它们在训练中达到更好的表现。此外,他还会解释GAN的训练过程中可能遇到的一些问题,并提供解决方法。 在代码方面,李宏毅会给出一个简单的实例,展示如何使用Python和深度学习框架(如TensorFlow或PyTorch)来实现一个基本的GAN模型。他会详细解释每个代码部分的功能和作用,并给出相应的代码注释,方便学习者理解。 总的来说,李宏毅的GAN网络作业代码讲解涵盖了GAN的基本原理、算法和实现细节。通过他的讲解,学习者可以更好地理解并应用GAN,从而在生成对抗网络领域取得更好的成果。 ### 回答2: 李宏毅是一位著名的机器学习和深度学习专家,他的GAN(生成对抗网络)网络作业代码讲解十分受欢迎。 GAN是一种由生成器和判别器组成的对抗性网络模型。生成器尝试生成与真实数据相似的新样本,而判别器则负责判断这些样本是真实的还是伪造的。GAN网络的训练过程是通过生成器和判别器之间的对抗来进行的。 在李宏毅的GAN网络作业代码讲解中,他通常会从基本概念开始讲解,介绍GAN网络的工作原理和训练过程。他会解释生成器和判别器的结构以及它们的作用,包括如何设计合适的神经网络模型来实现生成器和判别器。 接着,他会具体解释代码中各部分的功能和实现细节。他会展示如何使用Python和深度学习框架(如Tensorflow)来编写GAN网络的代码,并演示如何处理数据、构建网络结构、定义损失函数和优化器等。 此外,李宏毅还会给出一些GAN网络的应用案例,例如生成图像、语音合成等。他会详细说明如何调整和优化代码,以实现更好的生成效果。 总之,李宏毅的GAN网络作业代码讲解是非常有帮助和详细的,对于想要深入了解和学习GAN网络的人来说,这是一份宝贵的学习资料。通过他的讲解,我们可以更好地理解和应用GAN网络,为自己的深度学习项目增添新的工具和技术。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值