zzulp的专栏

卷积神经网络简介卷积神经网络和全连接神经网络一样，都是由多个神经网络层连接而成。不同的是CNN一般是由多个卷积层，池化层交替连接起来，用于提取输入数据的高层特征，并缩小数据的维度。最后对提取出的特征进行神经网络分类形成最终的输出。

分类是为给定输入选择正确的类标签的任务。比如判断一封Email是否是垃圾邮件，确定一篇新闻的主题。 如果分类需要人工标准的标签进行训练，则称为有监督分类。特征是一个非常重要的概念。使用分类器首先要决定选择什么 样的特征，以及对特征进行编码。如果没有特征直接输入原始数据，则数据会十分离散而难以训练出有用的模型。

nltk的全称是natural language toolkit，是一套基于python的自然语言处理工具集。1 NLTK的安装nltk的安装十分便捷，只需要pip就可以。pip install nltk在nltk中集成了语料与模型等的包管理器，通过在python解释器中执行>>> import nltk>>> nltk.download()便会弹出下面的包管理界面，在管理器中可以下载语料，预训练

自然语言是人类在沟通中形成的一套规则体系。规则有强有弱，比如非正式场合使用口语，正式场合下的书面语。要处理自然语言，也要遵循这些形成的规则，否则就会得出令人无法理解的结论。

1 信息抽取从数据库中抽取信息是容易的，但对于从自然文本中抽取信息则不那么直观。通常信息抽取的流程如下：它开始于分句，分词，接下来进行词性标注，识别其中的命名实体，最后使用关系识别搜索相近实体间的可能的关系。

keras提供了两种模型，一种是Sequential,译做序列模型。另一种是Functional，译做函数型模型。二者可以从使用形式来区分，序列模型可以看做是面向对象的方法，一系列对象协作完成任务。函数模型则是一系列的过程调用来完成任务。

1 简介在进行自然语言处理之前，需要对文本进行处理。 本文介绍keras提供的预处理包keras.preproceing下的text与序列处理模块sequence模块2 text模块提供的方法text_to_word_sequence(text,fileter) 可以简单理解此函数功能类str.splitone_hot(text,vocab_size) 基于hash函数(桶大小为voca

对Keras提供的一些训练辅助工具类进行介绍

对Keras提供的对各种层的抽象进行相对全面的概括,以对Keras有更全面的认识。

RNN即循环神经网络，其主要用途是处理和预测序列数据。在CNN中，神经网络层间采用全连接的方式连接，但层内节点之间却无连接。RNN为了处理序列数据，层内节点的输出还会重新输入本层，以实现学习历史，预测未来。 RNN的两个主要改进是LSTM(长短时记忆网络)和GRU(门控循环单元)，二者为基本神经单元增加了额外的功能门，从而更好的实现长时记忆的处理。

Pytorch实现基于CharRNN的文本分类与生成标签： deep-learning pytorch nlp1 简介本篇主要介绍使用pytorch实现基于CharRNN来进行文本分类与内容生成所需要的相关知识，并最。2 相关API的说明pytorch框架中每种网络模型都有构造函数，在构造函数中定义模型的静态参数，这些参数将对模型所包含weights参数的维度进行设置。在运行时，模型的...