nlp |
您所在的位置：网站首页 › 自然笔记示例 › nlp |
|
自然语言处理学习笔记
机器学习及深度学习原理和示例，基于 Tensorflow 和 PyTorch 框架，Transformer、BERT、ALBERT等最新预训练模型及源代码详解，及基于预训练模型进行各种自然语言处理任务。以及模型部署 01-传统模型两种传统的模型： 01-基于规则与基于概率的模型 基于规则或模板生成对话系统 基于概率的语言模型 利用语料数据，实现了简略的 2-gram 模型，并利用该模型判断句子的合理性02-基于搜索的决策系统.ipynb 根据中国城市的位置信息，实现简单的路径规划系统 根据武汉地铁的各站点的位置信息，实现简单的路径规划系统 图的广度优先搜索及深度优先搜索搜索问题的抽象模式 Travelling Sales man Problem启发式 A* 搜索 动态规划 02-机器学习 机器学习算法，及其应用 03-神经网络Python实现 python 实现基本的神经网络：激活函数，损失函数，前向传播，反向传播 python 实现各种梯度下降算法，初始化，Batch Normalization，正则化 python 实行 CNN 04-深度学习框架TensorFlow ： 01-TensorFlow张量与自动微分 Tensor Flow 基本概念，张量，张量运算，自动微分，及 tf.function 和 AutoGraph 使用原理02-TensorFlow数据管道及特征列 TensorFlow 的数据管道，利用 tf.data.Dataset 预处理数据，提升性能 TensorFlow 内置的特征函数，用于特征工程03-TensorFlow高阶API 三种创建模型方法：Sequential、函数式、tf.keras.Model子类化 三种模型训练方法：模型的 fit 方法，train_on_batch 方法，利用 tf.GradientTape自定义训练循环04-TensorFlow常用函数 05-tf.function与AutoGraph tf.function 使用详解Torch ： 01-PyTorch入门 Torch 基本概念，张量，CUDA张量，自动求导 创建模型：Sequential 模型，nn.Module指模型 Torch 数据管道 Torch 实现线性回归，逻辑回归，CNN，RNN，残差网络，及语言模型 05-深度学习创建神经网络，实现图像分类与情感分类，涉及到词向量，CNN，RNN 等模型 CNN架构，自编码器，对抗生成网络，风格迁移基本原理 等 06-自然语言处理 基本的文本处理： 涉及到分词、词表征、文档表征，原理及代码实现00-文本处理的基本流程 00-文本预处理常用函数 01-分词 01-编辑距离 02-词表征与词向量 03-训练词向量 04-文档向量 04-文档向量 05-doc2vec PageRank和TextRank06-PageRank及TextRank 主题模型09-LDA主题模型 利用神经网络实现文本分类、语言模型、语言生成07-keras-imdb-classification 08-keras-imdb-rnn 10-RNN语言模型 15-基于词向量和LSTM对豆瓣影评分类(TensorFlow) 16-基于RNN的字符级自然语言生成 39-自然语言生成 序列标注任务： HMM算法、CRF算法，原理及代码实现11-基于HMM和Viterbi算法的序列标注 12-BiLSTM和CRF算法的序列标注原理 13-基于BiLSTM和CRF算法的命名实体识别(PyTorch) 14-基于BiLSTM和CRF算法的命名实体识别(TensorFlow) Attention机制及Transformer模型25-Attention机制 26-Attention使用示例 27-基于Attention的中译英(TensorFlow) 28-基于Attention的图片标注(TensorFlow) 30-Transformer模型及源代码(PyTorch) 31-基于Transformer的中译英(TensorFlow) 32-基于Transformer的seq2seq模型(PyTorch) 33-Transformer-XL 34-Transformer优化 BERT及后续预训练模型 BERT 模型原理及代码实现，基于 PyTorch 和 TensorFlow20-ELMo模型 40-BERT基本原理及运用 41-BERT创建训练数据(Tensorflow) 42-BERT模型详解及代码实现(Tensorflow) 42-BERT模型详解及代码实现(Tensorflow) 43-BERT模型详解及代码实现(Tensorflow) 44-BERT预训练及代码实现(Tensorflow) BERT官方源码40-bert-modeling(TensorFlow) 基于BERT的自然语言处理任务45-基于BERT的文本分类 46-基于BERT的问答任务 47-基于BERT的文本摘要 48-基于BERT的命名实体识别 49-以BERT为底层结构的分类模型 BERT的优化改进及后续预训练模型50-BERT加速 51-XLNet模型 52-ALBERT 55-RoBERTa 65-GPT 66-miniGPT(TensorFlow) 66-miniGPT(TensorFlow) 67-ERNIE 80-ELECTR预训练模型 90-Reformer模型 99-预训练模型MASK方法总结 99-预训练模型总结 其它35-NLP数据增强 36-生成模型的解码方法 37-positioanl encoding 38-填充与遮盖 07-模型部署tensorflow-serving 利用 tensorflow-serving 部署 tensorflow 训练得到的模型 部署PyTorch模型 部署 PyTorch 训练得到的模型 |
今日新闻 |
推荐新闻 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |