编码器-解码器模型提供了一种使用循环神经网络来解决序列到序列预测问题的模式，例如机器翻译。注意力机制是编码器-解码器模型的一种扩展，它可以提高该方法在处理长序列时的性能。全局注意力是注意力机制的一种简化，在声明式深度学习[...]中可能更容易实现。
深度卷积神经网络用于情感分析（文本分类）
使用 Keras 和 Python 分步开发深度学习模型，以自动将电影评论分类为正面或负面。词嵌入是一种文本表示技术，其中具有相似含义的不同单词具有相似的实值向量表示。它们是关键的突破，使神经网络模型在[...]上取得了优异的性能。
如何使用 Keras 函数式 API 进行深度学习
Keras Python 库使创建深度学习模型变得快速而简单。对于大多数问题，顺序 API 允许您逐层创建模型。它的局限性在于它不允许您创建共享层或具有多个输入或输出的模型。Keras 中的函数式 API 是一种替代方法[...]。
如何在 Keras 中开发 Seq2Seq 模型以实现神经机器翻译
编码器-解码器模型提供了一种使用循环神经网络来解决序列到序列预测问题的模式，例如机器翻译。编码器-解码器模型可以在 Keras Python 深度学习库中进行开发，并且 Keras 博客上已经描述了一个使用该模型开发的神经机器翻译系统的示例，其中包含[...]的样本。
如何为机器学习索引、切片和重塑 NumPy 数组
机器学习数据表示为数组。在 Python 中，数据几乎普遍表示为 NumPy 数组。如果您是 Python 新手，您可能会对一些 Pythonic 的数据访问方式感到困惑，例如负索引和数组切片。在本教程中，您将学习如何操作和访问您的[...]。
Keras中LSTM的Return Sequences和Return States之间的区别
Keras 深度学习库提供了长短期记忆（LSTM）循环神经网络的实现。作为该实现的一部分，Keras API 提供了对 return sequences 和 return state 的访问。在设计复杂的循环神经网络模型（例如 [...]）时，这些数据的用法和区别可能令人困惑。
使用深度学习进行文本分类的最佳实践
文本分类描述了一类普遍问题，例如预测推文和电影评论的情感，以及将电子邮件分类为垃圾邮件或非垃圾邮件。深度学习方法在文本分类方面表现出色，在标准学术基准问题集上取得了最先进的结果。在这篇文章中，您将发现一些[...]。
如何开发用于情感分析（文本分类）的深度学习词袋模型
电影评论可以分类为好评或非好评。电影评论文本的评估是一个分类问题，通常称为情感分析。开发情感分析模型的一种流行技术是使用词袋模型，该模型将文档转换为向量，其中文档中的每个单词都分配有分数。在这个[...]。
带注意力机制的RNN编码器-解码器架构的实现模式
用于循环神经网络的编码器-解码器架构在自然语言处理领域的许多序列到序列预测问题上都表现出色。注意力机制是一种解决编码器-解码器架构在长序列上的局限性的机制，并且通常能加速学习并提升[...]的技能。
如何使用 Python 清理文本以进行机器学习
您不能直接从原始文本开始拟合机器学习或深度学习模型。您必须先清理文本，这意味着将其分解为单词并处理标点符号和大小写。事实上，您可能需要使用一整套文本预处理方法，并且方法的选择[...]。