《动手学习深度学习》之二、三：机器语言模型、卷积神经网络CNN、循环神经网络RNN-打卡2

最新推荐文章于 2025-04-29 21:34:07 发布

原创最新推荐文章于 2025-04-29 21:34:07 发布 · 277 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#卷积 #深度学习 #神经网络

本课程深入探讨深度学习核心模型，包括机器翻译、注意力机制、Seq2seq、Transformer、CNN及RNN等，通过实践加深理解。

详细笔记见各个链接：
《动手学习深度学习》之二：1.机器翻译-伯禹课程打卡2.1

《动手学习深度学习》之二：2.注意力机制和Seq2seq模型-伯禹课程打卡2.2

《动手学习深度学习》之二：3.Transformer模型-伯禹课程打卡2.3

《动手学习深度学习》之三：1.卷积神经网络（CNN）基础-伯禹课程打卡2.4

《动手学习深度学习》之三：2.卷积神经网络（CNN）进阶-5种模型-伯禹课程打卡2.5

《动手学习深度学习》之三：3.RNN循环神经网络（进阶）-4种模型-伯禹课程打卡2.6

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

氟西汀重度患者

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

深度之眼Pytorch打卡（十七）：循环神经网络部件——RNN详细原理与pytorch的RNN层应用实例

意疏的学习笔记

09-20

1575

前言 循环神经网络（Recurrent Neural Network，RNN）与卷积神经网络一样，都在深度学习中占有非常重要的地位。虽然先前笔记提到的全连接网络和卷积神经网络已经有很强的表示能力了，但由于网络结构的限制，它们只能处理定长的输入数据，并且由于有向无环的特点，它们只在意当前输入数据，而不考虑输入数据的顺序、以及前后数据是否有关联。而文本、语音和视频等数据，往往都是不定长的、并且前后数据相关性极大，一旦改变顺序，往往会失去原先的信息。所以需要一种考虑输入数据顺序，并且能够记忆以往数据信息的网

《动手学习深度学习》之二：3.Transformer模型（打卡2.3）

EricYoung的博客

02-18

766

3.Transformer模型 3.1.CNN与RNN的缺点： 1.CNNs 易于并行化，却不适合捕捉变长序列内的依赖关系。 2.RNNs 适合捕捉长距离变长序列的依赖，但是却难以实现并行化处理序列 3.2.为了整合CNN和RNN的优势，创新性地使用注意力机制设计了Transformer模型 3.2.1.该模型利用attention机制实现了并行化捕捉序列依赖，并且同时处理序列的每个位置的toke...

参与评论您还未登录，请先登录后发表或查看评论

机器学习/深度学习/自然语言处理学习路线 Stanford机器学习笔记 TensorFlow人工智能引擎入门教程之系列

klzhang的专栏

05-16

6550

当前标签: Machine Learning http://www.cnblogs.com/llhthinker/tag/Machine%20Learning/ Stanford机器学习笔记-9. 聚类(Clustering) llhthinker 2016-05-15 01:15 阅读:127 评论:0 Stanford机器学习笔记-8. 支持向量

模块化机器学习：新一代大型语言模型不可或缺的路径

最新发布

栖客

04-29

1519

大型语言模型（LLMs）在包括自然语言处理、计算机视觉、数据挖掘等在内的机器学习研究中取得了显著进展，但它们在推理、事实一致性以及可解释性方面仍存在关键局限性。本文介绍了模块化机器学习（MML）这一新的学习范式，作为通往新一代LLMs的重要途径。MML将LLMs的复杂结构分解为三个相互依赖的组件：模块化表示、模块化模型和模块化推理，旨在增强LLMs的反事实推理能力、减轻幻觉现象，并促进公平性、安全性和透明性。具体而言，所提出的MML范式可以：i）通过语义成分的解耦来阐明LLMs的内部工作机制；

语言模型简介

sun_brother的博客

05-17

1万+

语言模型语言模型可以对一段文本的概率进行估计，对信息检索，机器翻译，语音识别等任务有着重要的作用。语言模型分为统计语言模型和神经网络语言模型。下面一次介绍着两类语言模型。统计语言模型要判断一段文字是不是一句自然语言，可以通过确定这段文字的概率分布来表示其存在的可能性。语言模型中的词是有顺序的，给定m个词看这句话是不是一句合理的自然语言，关键是看这些词的排列顺序是不是正确的。所以统计语...

用自己的风格教AI说话，语言生成模型可以这样学

机器学习算法与Python学习

05-25

1005

（给机器学习算法与Python学习加星标，提升AI技能）选自towardsdatascience作者：Maël Fabie本文转自“机器之心”（almosthuman2014）本文...

机器学习（ML）和大型语言模型（LLMs）学习路线图

2401_84205765的博客

11-23

1228

学生应该在微积分、统计学、计量经济学、基本经济理论和任何高级语言（最好是Python）的编程经验方面有扎实的基础。有助于理解优化问题，这是许多机器学习算法的核心，特别是在梯度下降和神经网络。对于理解概率分布、假设检验和推理至关重要，这些是大多数机器学习模型的基础。如果您有兴趣将机器学习技术应用于经济或金融数据，特别有用，因为它提供了分析关系和从数据中得出结论的技能。对于理解影响金融模型的潜在因素非常重要，有助于创建预测性或规范性模型。实现算法和模型需要编程经验，

精选资源

《动手学习深度学习》之二：注意力机制和Seq2seq模型（打卡2.2）

01-20

首先，注意力机制是解决传统RNN（循环神经网络）和CNN（卷积神经网络）中信息丢失问题的一种方法。在传统的序列到序列模型中，整个输入序列被编码为一个固定长度的向量，这可能导致关键信息的丢失。注意力机制允许...

动手学深度学习打卡之二。

01-20

在本篇中，我们将探讨在深度学习中遇到的一些关键概念，包括过拟合、欠拟合及其解决方案，梯度消失与梯度爆炸，循环神经网络的进阶应用，机器翻译与注意力机制，以及卷积神经网络的基础和进阶内容。首先，过拟合和...

DataWhale 深度学习 第二次打卡

01-20

在DataWhale的第二次打卡学习中，涵盖了多个核心概念，包括过拟合、欠拟合、梯度消失、梯度爆炸、循环神经网络、机器翻译、注意力机制、Seq2seq模型、Transformer、卷积神经网络以及权重衰减等。首先，过拟合和欠...

一些常见的机器学习模型

m0_60388871的博客

10-15

2086

一些常见的机器学习模型

机器学习&深度学习算法及代码实现

知行_那片天

04-05

2万+

最近在学机器学习，学习过程中收获颇多，在此留下学习记录，希望与同道中人相互学习交流机器学习简介1、机器学习运用学习算法，利用所给的数据进训练，生成相应的模型。在面对新情况时，根据模型，给出正确的判断。2、学习的定义针对经验E (experience) 和一系列的任务 T (tasks) 和一定表现的衡量 P，如果随之经验E的积累，针对定义好的任务T可以提高表现P，就说计算机具有学习能力。

【机器学习】深度学习与经典机器学习的优劣势一览

产业智能官

04-22

1万+

尽管深度学习具有如此高的性能，但使用经典的机器学习和一些特定的情况下，使用线性回归或决策树而不是大型深度网络会更好。在过去几年中，深度学习已成为大多数AI类型问题的首选技...

机器学习-深度学习简介

fangweijiex的博客

02-02

3794

深度学习(DL, Deep Learning)是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)。 深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。至今已有数种深度学习框架，如深度神经网络、卷积神经网络和深度置信网络（英语：Deep ...

我的机器学习入门之路（中）——深度学习(自然语言处理)

PaniniGu的博客

11-15

2113

继上一篇《我的机器学习入门之路（上）——传统机器学习》，这一篇博客主要记录深度学习(主要是自然语言处理)这一块内容的学习过程。以下均将自然语言处理简称NLP。这一块内容的学习路线分为三部分：明确NLP的研究问题及传统的方法有哪些、深度学习(NLP)基础及深度学习框架的使用、NLP的深入学习。一、明确NLP的研究问题及传统的方法有哪些不像机器学习中研究的问题一般都是直接的分类或...

使用深度学习打造智能聊天机器人