qq_14835271的博客

命名实体识别作为一项基础的NLP任务，其用在信息抽取、关系抽取、图谱构建等任务中都作为基础存在

文本分类作为NLP基础任务，是最常用的服务了，本文提供一个开箱即用的文本分类器。

在做NER实体识别时，经常会遇到将BIO等格式的标注或者预测数据转成brat等json格式，反之将brat等json格式（各类比赛中采用格式）转成BIO格式进行模型训练也是常常遇到的，下面给出开箱即用的函数工具。...

TextCNN basic基础知识自动提取文本的特征，将sentence进行分词，组成每个句子的词，每个词对应一个id，（也可以不分词，以字为粒度）并将词转化为id，每个句子都是id组成的数据，将所有的句子都padding到最长的句子max_len_stence，也可以设置一个值为句子长度值。然后进行embedding，每个id对应一个size的词向量，这样每个句子的presentation即为[max_len_stence，size],到此也就完成了embedding，后面类似图像的卷积和池化提取句子

在前馈神经网络中，各神经元分别属于不同的层。整个网络中无反馈，信号从输入层向输出层单向传播，可用一个有向无环图表示。为了引入非线性变换（因为如果没有非线性变换，即使层数再多也只是做了一些仿射函数而已），在各个层中可能会引入一些激活函数（如sigmonid激活函数将值域映射到0～1，tanh激活函数将值域映射到-1～1。）这个设计初衷最开始是模仿人脑神经元的想法（其实关联并不是特别大），细胞体中的神经细胞膜上有各种受体和离子通道，胞膜的受体可与相应的...

GPT3问世已经半年之久了，GPT3模型在刚刚问世之前一段不可思议，超出预期，可后期却有点后劲无力了，被测出各种badcase，今天一起吃瓜看看吧！喧嚣GPT-3 是著名人工智能科研公司 OpenAI 开发的文字生成 (text generation) 人工智能，相关论文今年5月份已经发表，当时就以天文数字级别的1,750亿参数量引发轰动。7月份时候GPT3提供了对商业公司、学校和个人可以使用的OpenAI api供研究者自行调用，自此研究者做了五花八门的应用，名噪一时。随便看一个GPT3常识推理的