作者归档 | Jason Brownlee

文本分类和情感分析的标准深度学习模型使用词嵌入层和一维卷积神经网络。通过使用多个并行卷积神经网络来读取源文档，可以使用不同的核大小来扩展该模型。这实际上为文本创建了一个多通道卷积神经网络，该网络读取 […]

分步在 Python 中使用 Keras 开发一个自动从德语翻译成英语的深度学习模型。机器翻译是一项具有挑战性的任务，传统上涉及使用高度复杂的语言知识开发的大型统计模型。神经机器翻译是使用深度神经网络来解决机器翻译问题。在本教程中，您 […]

机器翻译是将文本从源语言转换为目标语言中连贯且匹配的文本的挑战性任务。像编码器-解码器循环神经网络这样的神经机器翻译系统，通过一个直接在源语言和目标语言上训练的端到端系统，在机器翻译方面取得了最先进的成果。需要标准数据集 […]

自然语言处理任务，例如字幕生成和机器翻译，涉及生成单词序列。为这些问题开发的模型通常通过在输出词汇表上生成概率分布来运行，然后由解码算法从概率分布中采样以生成最可能的词序列。在本 […]

循环神经网络的编码器-解码器架构在标准机器翻译基准上取得了最先进的成果，并且被用于工业翻译服务的核心。该模型很简单，但考虑到训练它需要大量的数 据，调整模型中大量的设 计决策以获得顶级 […]

循环神经网络的编码器-解码器架构是标准的神经机器翻译方法，可与传统的统计机器翻译方法相媲美，在某些情况下甚至优于它们。该架构非常新，仅于 2014 年开始推广，但已被采纳为谷歌翻译服务的核心技术。在本文中，您将发现 […]

计算机的早期目标之一是将文本从一种语言自动翻译成另一种语言。自动或机器翻译可能是最具挑战性的人工智能任务之一，因为人类语言的流畅性。传统上，该任务使用基于规则的系统，该系统在 1990 年代被统计方法取代。 […]

字幕生成是一项具有挑战性的人工智能问题，它借鉴了计算机视觉和自然语言处理的知识。编码器-解码器循环神经网络架构已被证明在此问题上是有效的。该架构的实现可以分解为注入和合并模型，两者对角色的假设不同 […]