1.1 为什么选择序列模型-深度学习第五课《序列模型》-Stanford吴恩达教授

---

←上一篇	↓↑	下一篇→
4.12 总结（第四课）	回到目录	1.2 数学符号

---

为什么选择序列模型 (Why Sequence Models?)

在本课程中你将学会序列模型，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、自然语言处理和其他领域中引起变革。在本节课中，你将学会如何自行创建这些模型。我们先看一些例子，这些例子都有效使用了序列模型。

在进行语音识别时，给定了一个输入音频片段 $X$ ，并要求输出对应的文字记录 $Y$ 。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，如循环神经网络等等在语音识别方面是非常有用的。

音乐生成问题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，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。输入的 $X$ 可以是空的，或者就是个数字，然后输出序列 $Y$ 。

在处理情感分类时，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？

系列模型在DNA序列分析中也十分有用，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？

在机器翻译过程中，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。

在进行视频行为识别时，你可能会得到一系列视频帧，然后要求你识别其中的行为。

在进行命名实体识别时，可能会给定一个句子要你识别出句中的人名。

所以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，但就算在那种情况下， $X$ 和 $Y$ 有时也会不一样长。或者像上图编号1所示和上图编号2的 $X$ 和 $Y$ 有相同的数据长度。在另一些问题里，只有 $X$ 或者只有 $Y$ 是序列。

所以在本节我们学到适用于不同情况的序列模型。

下节中我们会定义一些定义序列问题要用到的符号。

课程板书

---

←上一篇	↓↑	下一篇→
4.12 总结（第四课）	回到目录	1.2 数学符号

---