目录
9.1 序列模型
方案A——马尔可夫假设:假设当前数据只与t个过去数据点相关
方案B——潜变量模型:引入潜变量ht来表示过去的信息
9.2 文本预处理
步骤:
1、将数据集读取搭配由多条文本行组成的列表中
2、每个文本序列被拆分成一个标记列表
3、构建一个字典,通常也叫做词汇表(vocabulary),用来将字符串类型的标记映射到从0开始的数字索引中
4、将每一条文本行转换成一个数字索引列表
9.3 语言模型
eg:Bert、GPT
1、使用计数来建模
2、N元语法 引入马尔可夫假设
9.4 循环神经网络
-
对隐状态使用循环计算的神经网络称为循环神经网络(RNN)。
-
循环神经网络的隐状态可以捕获直到当前时间步序列的历史信息。
-
循环神经网络模型的参数数量不会随着时间步的增加而增加。
-
我们可以使用循环神经网络创建字符级语言模型。
-
我们可以使用困惑度来评价语言模型的质量。
9.5 门控循环单元(GRU)
能关注的机制(更新门)
能遗忘的机制(重置门)
9.6 LSTM
忘记门:将值朝0减少
输入门:决定不是忽略掉输入数据
输出门:决定是不是使用隐状态
9.7 深层循环神经网络
使用多个隐藏层来获得更多的非线性性
9.8 双向循环神经网络
取决于过去与未来的上下文