- 博客(8)
- 收藏
- 关注
RSS订阅转载 生成式文本摘要1 - Seq2Seq + attention
Seq2Seq模型架构：利用Encoder-Decoder架构，结合attention，对文本摘要生成任务进行建模和训练。Encoder和Decoder中，分别使用GRU结构来抽取文本特征。
2022-09-07 20:47:26
719
1
转载 算法工程师是不是一个「越老越吃香」的岗位？
个人觉得，如果35岁了还处在第一阶段，也就是只能执行明确的算法模型，和刚毕业的年轻人比可以说完全没有竞争力，个人职业生涯的进一步发展会很受限。如果已经进入第二阶段，不可取代性还是很强的，毕竟这个阶段的合理算法技术选型和推动落地能力，是很多刚毕业和工作不久的年轻算法工程师难以做到的。如果已经到了第三阶段至少已经是业务方向的算法负责人了，都这种 title 了，考虑的是怎么往公司的中上层走了，根本不会担心年龄这种坎。
2022-09-07 11:46:18
2245
原创 NLP笔记之 语言模型的平滑技术
基于markov的语言模型，在遇到未登录词时，会将语法合理的句子概率计算为0.这是不合理的。Add-one Smoothing （laplace smoothing）分母上加一个V（词典大小）的一个理由，使概率之和为1.Add-K Smoothing以perplexity为优化目标，计算最优的值Interpolation平滑核心思想：计算Trigram概率时同...
2019-08-07 12:20:00
612
原创 NLP笔记之Markov assumption 和 language model
贝叶斯模型无法表示长句子，多个单词的条件下，某个词出现的概率极小，再经过链式法则连乘之后，概率更小。针对这个问题，有马尔科夫假设：马尔科夫假设：某个单词出现的概率只与它前面的一个或几个单词有关。一阶马尔科夫模型对应二元语法模型bigram二阶马尔科夫模型对应三元语法模型trigram一元语法模型无法表示语句中单词之间的关系。一元模型下，正常语句的概率和改句子打乱后的概率相...
2019-08-07 08:52:17
1181
原创 NLP 之 Word Represention
one hot represention：one hot，count，td-idf缺点：长度和词典长度相同，稀疏性，无法计算相似度one hot表示单词，一个和词典大小一样的向量，单词出现的位置为1，其余位置为0。向量中只有一个值为1.one hot表示句子，一个和词典大小一样的向量，句子中词出现的位置为1，其余位置为0。向量中1的个数小于等于句子中词的个数。count表示句子，一个...
2019-08-05 10:02:08
270
原创 [笔记]-李宏毅 DeepLearning P1
1、 A shallow Network can feet any function.2、How many neurons are needed to approximate f? L/e3、better way : deep neurons network, more effective.
2019-07-14 22:01:43
103
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人