目录:
intro
Auto-Encoder
CNN4Text(卷积)
RNN (处理序列数据的神经网络)
LSTM (长短期记忆网络,是一种时间递归神经网络)
案例
Reference
------------------------------------------------------------------------------------------------------------
Intro
问题原型:Text--->Label 文本分类--->自动文本分类
中文分词:HMM,CRF ,
工具:jieba ,stanford , nltk
keras.io库可以运行在theano 和tensflow
gensim也是一个深度学习库
------------------------------------------------------------------------------------------------------------
Auto-Encoder
认知思想:二维世界不能很好的解释二维世界本身,必须高一等级的世界才能解释好它的下级世界,所以我们在
三维世界中能解释二维世界
------------------------------------------------------------------------------------------------------------
CNN4Text
LSTM信息处理过程:
第一步:忘记门
来决定我们该忘记什么信息
它把上一次的状态ht-1和这一次的输入xt相比较
通过gate输入一个0到1的值(就像是个activation function 一样)
1代表:给我记着!
0代表:快快忘记 !
第二步:记忆门
哪些该记住
这个门比较复杂,分俩步:
第一步:用sigmoid决定什么信息需要被我们更新(忘记旧的)
第二步:用Tanh造一个新的Cell State(更新后的cell state)
第三步:更新门
把老cell state 更新为新cell state
用XOR 和AND 这样的门来更新我们的cell state
第四步:输出门
由记忆来决定输出什么值
我们的cell state 已经被更新
于是我们通过这个记忆纽带来决定我们的输出:
(这里的Ot类似于我们刚刚RNN里直接一步跑出来的output)
可能应用的案例?
1.下一个字母是什么?
2.给一句话,分析下一个单词是什么?
3.给一篇文章,分析下一个句子是什么?
4.下一个图片、音符......是什么?
------------------------------------------------------------------------------------------------------------