存档 | 深度学习在自然语言处理中的应用

使用Keras，分步开发一个深度学习模型，在Python中自动描述照片。图像描述生成是一个具有挑战性的人工智能问题，需要为给定的照片生成文本描述。它既需要计算机视觉方法来理解图像内容，也需要来自该领域的语言模型 […]

用于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。该模型可以通过使用多个并行的卷积神经网络来扩展，这些网络使用不同的核大小读取源文档。这实际上创建了一个多通道卷积神经网络，用于文本读取 […]

使用Keras，分步开发一个深度学习模型，在Python中自动将德语翻译成英语。机器翻译是一个具有挑战性的任务，传统上涉及使用高度复杂的语言知识开发的庞大统计模型。神经机器翻译是使用深度神经网络解决机器翻译问题的方法。在本教程中，您将 […]

机器翻译是一项具有挑战性的任务，它将源语言的文本转换为目标语言中连贯且匹配的文本。诸如编码器-解码器循环神经网络等神经机器翻译系统在机器翻译领域取得了最先进的成果，其单个端到端系统直接在源语言和目标语言上进行训练。需要标准数据集 […]

自然语言处理任务，例如图像描述生成和机器翻译，涉及生成词序列。为这些问题开发的模型通常通过生成输出词汇上的概率分布来操作，并且由解码算法对概率分布进行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测试中取得了最先进的成果，并被用作工业翻译服务的核心。该模型很简单，但考虑到训练它所需的大量数据，调整模型中无数的设计决策以获得最佳效果 […]

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，它与经典的统计机器翻译方法相媲美，甚至在某些情况下超越了它们。这种架构非常新，直到2014年才首次出现，但已被采纳为Google翻译服务的核心技术。在这篇文章中，您将发现 […]

计算机最早的目标之一是自动将文本从一种语言翻译成另一种语言。鉴于人类语言的流动性，自动或机器翻译可能是最具挑战性的人工智能任务之一。传统上，基于规则的系统用于此任务，在1990年代被统计方法取代。 […]

图像描述生成是一个具有挑战性的人工智能问题，它涉及计算机视觉和自然语言处理。编码器-解码器循环神经网络架构已被证明对此问题有效。这种架构的实现可以提炼成基于注入和合并的模型，两者对 […]

文本摘要是自然语言处理中的一个问题，旨在为源文档创建简短、准确和流畅的摘要。为机器翻译开发的编码器-解码器循环神经网络架构在应用于文本摘要问题时已被证明是有效的。在Keras深度学习中应用这种架构可能很困难 […]