05 2022 档案
摘要：
本文讲解了卷积神经网络的重点知识：卷积层、池化层、ReLU层、全连接层、局部连接、参数共享、最大池化、步长、零填充、经典案例等【对应 CS231n Lecture 5】
阅读全文
本文讲解了卷积神经网络的重点知识：卷积层、池化层、ReLU层、全连接层、局部连接、参数共享、最大池化、步长、零填充、经典案例等【对应 CS231n Lecture 5】
阅读全文
摘要：
本文讲解了神经网络计算图、前向传播与反向传播、标量与向量化形式计算、求导链式法则应用、神经网络结构、 激活函数等内容【对应 CS231n Lecture 4】
阅读全文
本文讲解了神经网络计算图、前向传播与反向传播、标量与向量化形式计算、求导链式法则应用、神经网络结构、 激活函数等内容【对应 CS231n Lecture 4】
阅读全文
摘要：
本文讲解了损失函数（数据损失与正则损失）、多类 SVM 损失与Softmax损失比较、梯度计算方法（数值梯度与解析梯度）、梯度下降优化算法等【对应 CS231n Lecture 3】
阅读全文
本文讲解了损失函数（数据损失与正则损失）、多类 SVM 损失与Softmax损失比较、梯度计算方法（数值梯度与解析梯度）、梯度下降优化算法等【对应 CS231n Lecture 3】
阅读全文
摘要：
图像分类是计算机视觉的核心任务。本文讲解数据驱动的模型算法，包括最邻近算法、KNN分类器、线性分类器的原理、各自的优缺点和实际应用【对应 CS231n Lecture 2】
阅读全文
图像分类是计算机视觉的核心任务。本文讲解数据驱动的模型算法，包括最邻近算法、KNN分类器、线性分类器的原理、各自的优缺点和实际应用【对应 CS231n Lecture 2】
阅读全文
摘要：
本文讲解了斯坦福大学 CS231n 课程的内容框架（深度学习 + 卷积神经网络 + 计算机视觉应用）和学习基础，帮助了解计算机视觉的历史和技术发展【对应 CS231n Lecture 1】
阅读全文
本文讲解了斯坦福大学 CS231n 课程的内容框架（深度学习 + 卷积神经网络 + 计算机视觉应用）和学习基础，帮助了解计算机视觉的历史和技术发展【对应 CS231n Lecture 1】
阅读全文
摘要：
本教程依托于 Stanford 斯坦福大学的《CS231n：深度学习与计算机视觉》，对深度学习与计算机视觉方向的图像分类、CNN、RNN、目标检测、图像分割、生成模型等各个主题做了体系化的梳理
阅读全文
本教程依托于 Stanford 斯坦福大学的《CS231n：深度学习与计算机视觉》，对深度学习与计算机视觉方向的图像分类、CNN、RNN、目标检测、图像分割、生成模型等各个主题做了体系化的梳理
阅读全文
摘要：
NLP课程第20讲是课程最后一讲，介绍了NLP的兴起历程和发展方向，包括使用未标记数据进行翻译、大模型、GPT-2、QuAC、HotPotQA等。
阅读全文
NLP课程第20讲是课程最后一讲，介绍了NLP的兴起历程和发展方向，包括使用未标记数据进行翻译、大模型、GPT-2、QuAC、HotPotQA等。
阅读全文
摘要：
NLP课程第19讲介绍了 NLP 和 AI 偏见产生的原因、衡量和应用，以及通过数据、机器学习技术、多任务学习等减少偏见、促进公平。
阅读全文
NLP课程第19讲介绍了 NLP 和 AI 偏见产生的原因、衡量和应用，以及通过数据、机器学习技术、多任务学习等减少偏见、促进公平。
阅读全文
摘要：
NLP课程第18讲介绍了基于词向量空间模型的构建、结构反向传播(BTS)及其Python编程、简单TreeRNN及应用、 复杂TreeRNN结构、斯坦福大学HAI研究所等。
阅读全文
NLP课程第18讲介绍了基于词向量空间模型的构建、结构反向传播(BTS)及其Python编程、简单TreeRNN及应用、 复杂TreeRNN结构、斯坦福大学HAI研究所等。
阅读全文
摘要：
本文介绍了 NLP 句法分析与树形递归神经网络，主要讲解树形递归神经网络、句法分析 (Constituency Parsing )、Recursive Neural Networks (RNN)、成分句法分析、SU-RNN、MV-RNN、RNTN等。
阅读全文
本文介绍了 NLP 句法分析与树形递归神经网络，主要讲解树形递归神经网络、句法分析 (Constituency Parsing )、Recursive Neural Networks (RNN)、成分句法分析、SU-RNN、MV-RNN、RNTN等。
阅读全文
摘要：
NLP课程第17讲介绍了问答系统(QA)、多任务学习、自然语言处理的十项全能(decaNLP)、多任务问答系统(MQAN)等。
阅读全文
NLP课程第17讲介绍了问答系统(QA)、多任务学习、自然语言处理的十项全能(decaNLP)、多任务问答系统(MQAN)等。
阅读全文
摘要：
NLP课程第16讲介绍了共指消解(指代消解) 的定义、作用和应用、指代检测、指代对模型、指代排序模型 、指代聚类模型 、效果评估等。
阅读全文
NLP课程第16讲介绍了共指消解(指代消解) 的定义、作用和应用、指代检测、指代对模型、指代排序模型 、指代聚类模型 、效果评估等。
阅读全文
摘要：
NLP课程第15讲回顾了NLG要点，介绍了解码算法、NLG任务及其神经网络解法，着手解决NLG评估中的棘手问题，并分析了NLG目前的趋势以及未来的可能方向。
阅读全文
NLP课程第15讲回顾了NLG要点，介绍了解码算法、NLG任务及其神经网络解法，着手解决NLG评估中的棘手问题，并分析了NLG目前的趋势以及未来的可能方向。
阅读全文
摘要：
NLP课程第14讲介绍了Attention注意力机制、文本生成、自相似度、相对自注意力、图片与音乐生成、迁移学习等。
阅读全文
NLP课程第14讲介绍了Attention注意力机制、文本生成、自相似度、相对自注意力、图片与音乐生成、迁移学习等。
阅读全文
摘要：
NLP课程第13讲介绍了词向量 (word representations) 知识回顾、ELMo模型、ULMfit模型、Transformer结构和BERT等。
阅读全文
NLP课程第13讲介绍了词向量 (word representations) 知识回顾、ELMo模型、ULMfit模型、Transformer结构和BERT等。
阅读全文
摘要：
NLP课程第12讲介绍了语法学 (linguistics) 基础知识、基于字符粒度的模型、子词模型 (Subword-models)、混合字符与词粒度的模型、fastText模型等。
阅读全文
NLP课程第12讲介绍了语法学 (linguistics) 基础知识、基于字符粒度的模型、子词模型 (Subword-models)、混合字符与词粒度的模型、fastText模型等。
阅读全文
摘要：
NLP课程第11讲介绍了卷积神经网络 (CNN)及模型细节，并讲解CNN和深度CNN在文本分类中的使用，最后介绍了Q-RNN模型。
阅读全文
NLP课程第11讲介绍了卷积神经网络 (CNN)及模型细节，并讲解CNN和深度CNN在文本分类中的使用，最后介绍了Q-RNN模型。
阅读全文
摘要：
本文介绍 NLP 中的卷积神经网络（CNN），讲解卷积神经网络的卷积层、池化层、多卷积核、多通道、卷积核、N-gram、filter、k-max pooling、文本分类等。
阅读全文
本文介绍 NLP 中的卷积神经网络（CNN），讲解卷积神经网络的卷积层、池化层、多卷积核、多通道、卷积核、N-gram、filter、k-max pooling、文本分类等。
阅读全文
摘要：
NLP课程第10讲介绍了问答系统动机与历史、SQuAD问答数据集、斯坦福注意力阅读模型、BiDAF模型、近期前沿模型等。
阅读全文
NLP课程第10讲介绍了问答系统动机与历史、SQuAD问答数据集、斯坦福注意力阅读模型、BiDAF模型、近期前沿模型等。
阅读全文
摘要：
本文介绍 NLP 中的问答系统（Question Answering），包括 NLP 中的问答系统场景、动态记忆网络（Dynamic Memory Networks）、问答（QA）、对话、MemNN、DCN、VQA等。
阅读全文
本文介绍 NLP 中的问答系统（Question Answering），包括 NLP 中的问答系统场景、动态记忆网络（Dynamic Memory Networks）、问答（QA）、对话、MemNN、DCN、VQA等。
阅读全文
摘要：
NLP课程第9讲介绍了课程大项目的细节、寻找研究主题、项目数据、门控神经序列模型回顾、机器翻译主题、研究方式、结果呈现和评估等。
阅读全文
NLP课程第9讲介绍了课程大项目的细节、寻找研究主题、项目数据、门控神经序列模型回顾、机器翻译主题、研究方式、结果呈现和评估等。
阅读全文
摘要：
NLP课程第8讲介绍了机器翻译、sequence-to-sequence神经结构及其在机器翻译中的应用，并介绍了注意力机制及其对seq2seq效果的提升。
阅读全文
NLP课程第8讲介绍了机器翻译、sequence-to-sequence神经结构及其在机器翻译中的应用，并介绍了注意力机制及其对seq2seq效果的提升。
阅读全文
摘要：
本文介绍了序列到序列模型（seq2seq）及其在翻译系统中的应用，以及注意力机制、序列解码器、神经翻译系统、基于字符级别的翻译模型等。
阅读全文
本文介绍了序列到序列模型（seq2seq）及其在翻译系统中的应用，以及注意力机制、序列解码器、神经翻译系统、基于字符级别的翻译模型等。
阅读全文
摘要：
NLP课程第7讲介绍RNNs的梯度消失问题、两种新类型RNN（LSTM和GRU），以及其他梯度消失(爆炸)的解决方案——Gradient clipping、Skip connections等。
阅读全文
NLP课程第7讲介绍RNNs的梯度消失问题、两种新类型RNN（LSTM和GRU），以及其他梯度消失(爆炸)的解决方案——Gradient clipping、Skip connections等。
阅读全文
摘要：
NLP课程第6讲介绍一个新的NLP任务 Language Modeling (motivate RNNs) ，介绍一个新的神经网络家族 Recurrent Neural Networks (RNNs)。
阅读全文
NLP课程第6讲介绍一个新的NLP任务 Language Modeling (motivate RNNs) ，介绍一个新的神经网络家族 Recurrent Neural Networks (RNNs)。
阅读全文
摘要：
本文介首先介绍了语言模型及其应用场景，进而介绍了循环神经网络（RNN）及优化后的变种LSTM(长短时记忆网络)和GRU模型。
阅读全文
本文介首先介绍了语言模型及其应用场景，进而介绍了循环神经网络（RNN）及优化后的变种LSTM(长短时记忆网络)和GRU模型。
阅读全文
摘要：
NLP课程第5讲内容覆盖：句法结构（成分与依赖），依赖语法与树库，基于转换的依存分析模型，神经网络依存分析器等。
阅读全文
NLP课程第5讲内容覆盖：句法结构（成分与依赖），依赖语法与树库，基于转换的依存分析模型，神经网络依存分析器等。
阅读全文
摘要：
本文介绍 Dependency Grammar、Dependency Structure、Neural Dependency Parsing、依存解析、依存句法 和 语法依赖等内容。
阅读全文
本文介绍 Dependency Grammar、Dependency Structure、Neural Dependency Parsing、依存解析、依存句法 和 语法依赖等内容。
阅读全文
摘要：
NLP课程第4讲主要内容是：单神经网络的梯度矩阵与建议、计算图与反向传播、神经网络训练实用知识技能（包括正则化、向量化、非线性表达能力、参数初始化、优化算法、学习率策略）等。
阅读全文
NLP课程第4讲主要内容是：单神经网络的梯度矩阵与建议、计算图与反向传播、神经网络训练实用知识技能（包括正则化、向量化、非线性表达能力、参数初始化、优化算法、学习率策略）等。
阅读全文
摘要：
NLP课程第3讲主要内容是回顾神经网络知识，并基于NLP场景讲解命名实体识别、基于窗口数据的预测、基于pytorch实现的分类器等。
阅读全文
NLP课程第3讲主要内容是回顾神经网络知识，并基于NLP场景讲解命名实体识别、基于窗口数据的预测、基于pytorch实现的分类器等。
阅读全文
摘要：
本文单层&多层介绍神经网络及反向传播技术，并讨论训练神经网络的实用技巧，包括神经元单元(非线性)、梯度检查、Xavier参数初始化、学习率、Adagrad优化算法等。
阅读全文
本文单层&多层介绍神经网络及反向传播技术，并讨论训练神经网络的实用技巧，包括神经元单元(非线性)、梯度检查、Xavier参数初始化、学习率、Adagrad优化算法等。
阅读全文
摘要：
NLP课程第2讲内容覆盖ord2vec与词向量、算法优化基础、计数与共现矩阵、GloVe模型、词向量评估、word senses等。
阅读全文
NLP课程第2讲内容覆盖ord2vec与词向量、算法优化基础、计数与共现矩阵、GloVe模型、词向量评估、word senses等。
阅读全文
摘要：
本文介绍GloVe词向量、词向量内部与外部评估方法、类比任务中的词向量训练超参数影响、相关度评估任务中词向量与人工表现差异、基于上下文处理一词多义问题和窗分类。
阅读全文
本文介绍GloVe词向量、词向量内部与外部评估方法、类比任务中的词向量训练超参数影响、相关度评估任务中词向量与人工表现差异、基于上下文处理一词多义问题和窗分类。
阅读全文
