(NLP)自然语言处理入门2019

##一文看懂迁移学习：怎样用预训练模型搞定深度神经网络？(基础好文）https://zhuanlan.zhihu.com/p/27657264

1. 什么是迁移学习？

2. 什么是预训练模型？

3. 为什么我们使用预训练模型？-结合生活实例

4. 我们可以怎样运用预训练模型？

▪ 提取特征(extract features)

▪ 优化模型(fine tune the model)

5. 优化模型的方式

6. 在数字识别中使用预训练模型

▪ 只针对输出密集层(output dense layer)的重新训练

▪ 冻结初始几层网络的权重因子
转载 - https://zhuanlan.zhihu.com/p/27657264

中间的代码为，直接使用预训练模型来用自己的数据。
实际开发中，要对其预训练模型进行改动，为VGG16

from keras.applications.vgg16 import VGG16

2. 什么是（NLP)自然语言处理 ？跟语音处理的关系？

自然语言处理（NLP），广义上来讲包括对各种形式的自然语言的处理，即既包括文本，也包括语音。不过，因为对语音的处理涉及信号处理，跟文本处理的感觉不太一样，所以常常把语音单独拿出来说。这样，狭义的 NLP 就单指对文本的处理了。对文本和语音的「处理」，也是一个很广的概念。对文本的处理（即 NLP）包括 parsing、信息提取、情感识别、翻译、生成等等；对语音的处理包括语音识别、说话人识别、情感识别、语种识别、语音合成、语音转换、语音分离、语音增强等等。自然语言处理和语音处理中的各种任务，都要用到机器学习的方法。可以认为这二者是机器学习的应用领域。一般说「研究机器学习」，可以指研究机器学习的方法与理论本身，也可以指研究机器学习的应用。无论从事自然语言处理、语音处理、机器学习中的哪一个领域，都要会编程。但是醉翁之意不在酒，这些领域中的编程更多地是利用已有的算法和模块实现自己的目的，而不是从头去实现算法。所以 ACM（主要锻炼高效算法的实现）、并行结构之类的知识都不是所有人都必需的，而是要看你做的具体任务。另外，这些领域都需要线性代数、微积分、概率论这几种基础数学知识。做自然语言处理和语音处理都还需要少量的语言学知识；做语音处理还需要少量信号处理知识。
-作者：王赟 Maigo
链接：https://www.zhihu.com/question/21063208/answer/268454544
来源：知乎

-说点大家听得懂的。首先NLP包括语言文本处理和语音处理等，文本处理的代表有搜索引擎的分词和机器翻译，语音处理的代表有语音识别。NLP的关键在于语言模型，而这个模型涉及大量的语言学和数学的知识，主要有两种类型，一是基于规则的，类似我们学英语时主谓宾和从句之类的分析，二是基于统计的，比如计算“The dog”后面跟着"barks"的概率，这种方法是目前的主流。而机器学习是一门类似工具的学科，研究如何从已有的知识中推断出新的知识，在基于统计的NLP的得到很好的应用。
作者：eostothemoon
链接：https://www.zhihu.com/question/21063208/answer/17067186
来源：知乎

“机器学习” ，顾名思义，让机器具有学习能力。人的智能之核心就在于人类具有学习能力，因此人工智能的核心也就是机器学习。因为人类的学习通常是经验主义的，因而机器学习也就更多的会采用归纳、类比等方法。类比于人来说，“机器学习”模拟的是：人的智力；因此“机器学习”作为一种智力和能力，可以应用于“语音识别”和“自然语言处理”中。它们之间没有从属关系，就好像不可能说，一个人掌握了“机器学习”，他就一定懂“语音”和“自然语言处理”。第三个问题，什么是代码？代码只是解决问题的工具罢了。如果仅仅做“语音”或者“自然语言处理”的理论研究，也许完全不用代码；不过通常来说，理论研究还得靠实验数据来证实或证伪，实验当然通常是代码来执行的，因此代码基本上不可或缺。掌握到何种程度，就看你的理论验证需要怎么进行了。
作者：刘禄斌
链接：https://www.zhihu.com/question/21063208/answer/19157238
来源：知乎