深度学习在自然语言处理中的应用 自然语言处理是教会机器如何去处理或者读懂人类语言的系统，主要应用领域： 对话系统-聊天机器人（小冰） 情感分析-对一段文本进行情感识别（我们一会要做的） 图文映射-CNN和RNN的融合 机器翻译-将一种语言翻译成另一种语言 语音识别 词向量模型 计算机可只认识数字！ 例子：把上面一个词一个词的做成一个16*D的矩阵 …

之前的内容是RNN网络架构，递归神经网络，从它的优势上来说，它会把我前一阶段的一个值给它考虑进来。 但是他有一个缺点，就是比如我早饭吃什么，午饭吃什么，和晚上做什么，这些是不相关的，所以就不需要之前的结果。 因此RNN进化成LSTM 差别是：只多了一个控制参数C 决定什么样的信息会被保留什么样的会被遗忘 如图就是控制参数C，不是一成不变的，是始终更…

传统的神经网络 RNN网络架构 怎样在这个时间上一个前后的关系给它再联系在一起？ 在中间的Hidden Layer进行特征组合，输出一个结果 如图，x2的结果带有x1，x1的结果带有x0，这样一层一层的最好xt的结果和前面的每一层都有关系。 最后一步的输出，包含了前面所有过程的一个信息的总和 本内容相关项目实战：项目实战：LSTM情感分析（基于Te…

数据并不总是以最终处理过的形式出现，而机器学习算法需要的是经过处理的数据。我们使用转换（transforms）对数据进行一些操作，使其适用于训练。 所有的TorchVision数据集都有两个参数-transform和target_transform，用于接受包含转换逻辑的可调用对象，transform用于修改特征，target_transform用…

TENSORS的官方网址：点击进入 以下是内容笔记和相关翻译： 处理数据样本的代码可能会变得杂乱且难以维护；理想情况下，我们希望数据集的代码与模型训练代码解耦，以提高可读性和模块化性。PyTorch提供了两个数据原语：torch.utils.data.DataLoader和torch.utils.data.Dataset，它们允许您使用预加载的数据…

TENSORS的官方网址：点击进入 以下是内容笔记和相关翻译： 张量（Tensors）是一种专门的数据结构，非常类似于数组和矩阵。在PyTorch中，我们使用张量来编码模型的输入和输出，以及模型的参数。 张量类似于NumPy的ndarrays，唯一的区别是张量可以在GPU或其他硬件加速器上运行。事实上，张量和NumPy数组通常可以共享相同的底层内存…

转换为PyTorch张量（Tensor）是将数据转换为PyTorch框架所定义的一种多维数组类型，即张量类型。更准确地说，一个张量就是一组数字，这些数字以一个指定的形状（即张量的形状）排列在内存中，可以使用张量上的操作进行数学计算和其他数值处理。 在机器学习中，一般使用张量作为训练和执行模型的输入和输出数据格式。在上面的代码中，通过将每个图像样本转…

Quickstart的网址：点击进入 以下是内容笔记和相关翻译： 快速开始 本节介绍了机器学习中常见任务的API。请参阅各部分中的链接，以深入了解更多内容。 数据处理 PyTorch提供了两个基本工具来处理数据：torch.utils.data.DataLoader和torch.utils.data.Dataset。Dataset用于存储样本及其对…

Introduction to PyTorch [-] Learn the Basics Quickstart Tensors Datasets & DataLoaders Transforms Build the Neural Network Automatic Differentiation with torch.autograd Op…

张量是什么 张量是一个多维数组，它是标量、向量、矩阵的高维拓展 张量与Variable Variable已经并入tensor Variable是给张量添加属性 Variable是torch.autograd中的数据类型 主要用于封装Tensor，使Tensor进行自动求导 Variable有5个属性 data：被包装的Tensor grad：dat…