色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

研究人員開發(fā)解釋多義詞的神經(jīng)網(wǎng)絡(luò)

NVIDIA英偉達企業(yè)解決方案 ? 來源:未知 ? 作者:胡薇 ? 2018-09-12 15:52 ? 次閱讀

脫離上下文時,每個英文單詞都有多重含義。例如,“bank”可以指銀行或河岸;“Fair”可以指展覽會,也可以指對展覽會的評價;“Duck”可以是躲避傷害的動作,也可以指鴨子。

對于人類來說搞清楚一個單詞在某場景中適用的含義是非常簡單的。但是,對于自然語言處理模型就是另一回事了。近些年已經(jīng)出現(xiàn)很多用于解析文本的AI工具,但是當(dāng)涉及到多重含義的單詞時,這些工具往往會陷入困境。來自艾倫人工智能研究所(Allen Institute for Artificial Intelligence)和華盛頓大學(xué)的研究人員正在努力解決這一難題,他們使用了可以根據(jù)上下文來確定英文單詞含義的神經(jīng)網(wǎng)絡(luò)

向前和向后閱讀

通常,NLP模型通過詞向量(在每個單詞中附加語言含義和單詞語法的基礎(chǔ)元素)中的結(jié)構(gòu)化數(shù)據(jù)進行訓(xùn)練。此算法基于假設(shè)每個單詞只有一種向量表示,但實際上英文單詞并非如此。

研究人員利用名為“ELMo”的神經(jīng)系統(tǒng)打破了這一假設(shè),此神經(jīng)系統(tǒng)可以為每個單詞創(chuàng)造出無限數(shù)量的向量。

“‘ELMo’是‘Embeddings from Language Models’的縮寫,而不是毛茸茸的紅色芝麻街角色”,論文“Deep contextualized word representations”的第一作者Matthew Peters解釋道。

ELMo喜歡閱讀:這不是美國幼兒教育電視節(jié)目《芝麻街》中的Elmo,而是使用雙向語言模型的神經(jīng)系統(tǒng)ELMo。

常規(guī)語言模型嘗試預(yù)測句子中即將出現(xiàn)的下一個單詞。如果片段是“The people sat down on the …,”,那么算法將預(yù)測出“bench”或“grass”之類的單詞。為了給單詞附加所有潛在含義的詞向量,這個團隊使用了雙向語言模型。

使用雙向模型意味著,該模型可以通過一個二次的回顧性算法,獲取句子的結(jié)尾并嘗試預(yù)測出現(xiàn)在句子結(jié)尾前邊的單詞。當(dāng)模型嘗試分析的單詞出現(xiàn)在句首,并且相關(guān)上下文隨即出現(xiàn)時,這會非常有用。

“就像‘He lies to his teacher’與‘He lies on the sofa’這種情況”,Peters說道。

為測試ELMo的技能,該團隊利用六種不同的NLP任務(wù)(包括情緒分析和問答等)對算法進行測試。與之前使用相同訓(xùn)練數(shù)據(jù)的方法相比,ELMo每次都會得到更新、更出色的結(jié)果,在某些情況下可以比之前的領(lǐng)先模型提升25%的速度。

“在NLP中,很重要的一點是,單一的方法能夠提高多樣化任務(wù)的性能”,Peters指出。

ELMo在半監(jiān)督式學(xué)習(xí)領(lǐng)域大放異彩

在進行自然語言處理時,訓(xùn)練數(shù)據(jù)的類型非常關(guān)鍵。例如,問答系統(tǒng)使用的模型無法在任何舊文本上進行訓(xùn)練。通常,此類模型需要在由帶標注的問題和答案對組成的大型數(shù)據(jù)庫中訓(xùn)練,以學(xué)習(xí)如何做出正確的回答。

標注數(shù)據(jù)非常耗時并且成本高昂。因此,研究人員首先選擇使用包含大約十億個單詞的大型無標記學(xué)術(shù)數(shù)據(jù)庫來訓(xùn)練ELMo。然后,針對特定任務(wù)(例如問答)將此數(shù)據(jù)庫調(diào)整為一個帶標注的小型數(shù)據(jù)庫。對于這種結(jié)合使用大量無標記數(shù)據(jù)和一小部分已標記數(shù)據(jù)的方法,統(tǒng)稱為“半監(jiān)督式學(xué)習(xí)”。

減少對已標記和帶標注數(shù)據(jù)的依賴后,研究人員可以更輕松地在現(xiàn)實問題中應(yīng)用其NLP模型應(yīng)用。

“在我們的示例中,我們選擇了一個未標記的學(xué)術(shù)數(shù)據(jù)庫來訓(xùn)練語言模型”,Peters說道。但是研究人員能夠調(diào)整算法,以便在任何其他未標記的數(shù)據(jù)庫中運行該算法,也可以將其應(yīng)用于生物醫(yī)學(xué)論文、法律合同或其他語言等專業(yè)領(lǐng)域中。

與之前最先進(SOTA)的基準相比,ELMo在六個基準NLP任務(wù)中都增強了神經(jīng)模型的性能。從左到右,這些任務(wù)依次是:語義推理、命名實體識別、問題回答、指代消解、語義角色標注和情感分類。

研究人員通過Amazon Web Service,使用NVIDIA Tesla V100和K80 GPU助力訓(xùn)練和推理。

在后續(xù)論文中,研究人員指出其僅使用了幾百個已標記示例,便可應(yīng)用ELMo模式回答幾何問題。人工需要花費幾個小時便能完成此標記工作,但卻會顯著提高NLP模型的性能。

ELMo已作為開源庫提供。Peters表示其他的NLP研究人員已經(jīng)將此模型應(yīng)用到了他們自己的工作中,包括除英語外的其他語言。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • 神經(jīng)網(wǎng)絡(luò)

    關(guān)注

    42

    文章

    4771

    瀏覽量

    100719
  • nlp
    nlp
    +關(guān)注

    關(guān)注

    1

    文章

    488

    瀏覽量

    22033

原文標題:“躲避”or“鴨子”:看深度學(xué)習(xí)如何解釋多義詞

文章出處:【微信號:NVIDIA-Enterprise,微信公眾號:NVIDIA英偉達企業(yè)解決方案】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

收藏 人收藏

    評論

    相關(guān)推薦

    基于光學(xué)衍射神經(jīng)網(wǎng)絡(luò)的軌道角動量復(fù)用全息技術(shù)的設(shè)計與實驗研究

    隨著神經(jīng)網(wǎng)絡(luò)的發(fā)展,光學(xué)神經(jīng)網(wǎng)絡(luò)(ONN)的研究受到廣泛關(guān)注。研究人員從衍射光學(xué)、散射光、光干涉以及光學(xué)傅里葉變換等基礎(chǔ)理論出發(fā),利用各種光學(xué)設(shè)備及材料成功實現(xiàn)了
    的頭像 發(fā)表于 12-07 17:39 ?1790次閱讀
    基于光學(xué)衍射<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的軌道角動量復(fù)用全息技術(shù)的設(shè)計與實驗<b class='flag-5'>研究</b>

    卷積神經(jīng)網(wǎng)絡(luò)的實現(xiàn)工具與框架

    卷積神經(jīng)網(wǎng)絡(luò)因其在圖像和視頻處理任務(wù)中的卓越性能而廣受歡迎。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展,多種實現(xiàn)工具和框架應(yīng)運而生,為研究人員開發(fā)者提供了強大的支持。 TensorFlow 概述
    的頭像 發(fā)表于 11-15 15:20 ?257次閱讀

    BP神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的關(guān)系

    BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,簡稱CNN)是兩種在人工智能和機器學(xué)習(xí)領(lǐng)域
    的頭像 發(fā)表于 07-10 15:24 ?1442次閱讀

    BP神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)的區(qū)別

    BP神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,簡稱ANNs)之間的關(guān)系與區(qū)別,是神經(jīng)網(wǎng)絡(luò)領(lǐng)域中一個基礎(chǔ)且重要的話題。本文將從定義、結(jié)構(gòu)、算法、應(yīng)用及未來發(fā)展等多個方面,詳細闡述BP
    的頭像 發(fā)表于 07-10 15:20 ?1025次閱讀

    全連接前饋神經(jīng)網(wǎng)絡(luò)與前饋神經(jīng)網(wǎng)絡(luò)的比較

    Neural Network, FCNN)和前饋神經(jīng)網(wǎng)絡(luò)(Feedforward Neural Network, FNN)因其結(jié)構(gòu)簡單、易于理解和實現(xiàn),成為了研究者們關(guān)注的熱點。本文將從概念、模型結(jié)構(gòu)、優(yōu)缺點以及應(yīng)用場景等方面,對全連接前饋
    的頭像 發(fā)表于 07-09 10:31 ?8876次閱讀

    rnn是遞歸神經(jīng)網(wǎng)絡(luò)還是循環(huán)神經(jīng)網(wǎng)絡(luò)

    RNN(Recurrent Neural Network)是循環(huán)神經(jīng)網(wǎng)絡(luò),而非遞歸神經(jīng)網(wǎng)絡(luò)。循環(huán)神經(jīng)網(wǎng)絡(luò)是一種具有時間序列特性的神經(jīng)網(wǎng)絡(luò),能夠處理序列數(shù)據(jù),具有記憶功能。以下是關(guān)于循環(huán)
    的頭像 發(fā)表于 07-05 09:52 ?559次閱讀

    遞歸神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)

    遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,簡稱RNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,簡稱RNN)實際上是同一個概念,只是不同的翻譯方式
    的頭像 發(fā)表于 07-04 14:54 ?733次閱讀

    循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的區(qū)別

    循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)是深度學(xué)習(xí)領(lǐng)域中兩種非常重要的神經(jīng)網(wǎng)絡(luò)
    的頭像 發(fā)表于 07-04 14:24 ?1267次閱讀

    深度神經(jīng)網(wǎng)絡(luò)與基本神經(jīng)網(wǎng)絡(luò)的區(qū)別

    在探討深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks, DNNs)與基本神經(jīng)網(wǎng)絡(luò)(通常指傳統(tǒng)神經(jīng)網(wǎng)絡(luò)或前向神經(jīng)網(wǎng)絡(luò))的區(qū)別時,我們需要從多個維度進行深入分析。這些維度包括
    的頭像 發(fā)表于 07-04 13:20 ?840次閱讀

    bp神經(jīng)網(wǎng)絡(luò)和反向傳播神經(jīng)網(wǎng)絡(luò)區(qū)別在哪

    神經(jīng)網(wǎng)絡(luò)在許多領(lǐng)域都有廣泛的應(yīng)用,如語音識別、圖像識別、自然語言處理等。然而,BP神經(jīng)網(wǎng)絡(luò)也存在一些問題,如容易陷入局部最優(yōu)解、訓(xùn)練時間長、對初始權(quán)重敏感等。為了解決這些問題,研究者們提出了一些改進的BP
    的頭像 發(fā)表于 07-04 09:51 ?423次閱讀

    反向傳播神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的區(qū)別

    神經(jīng)網(wǎng)絡(luò)在許多領(lǐng)域都有廣泛的應(yīng)用,如語音識別、圖像識別、自然語言處理等。然而,BP神經(jīng)網(wǎng)絡(luò)也存在一些問題,如容易陷入局部最優(yōu)解、訓(xùn)練時間長、對初始權(quán)重敏感等。為了解決這些問題,研究者們提出了一些改進的BP
    的頭像 發(fā)表于 07-03 11:00 ?790次閱讀

    bp神經(jīng)網(wǎng)絡(luò)是深度神經(jīng)網(wǎng)絡(luò)

    Network)有相似之處,但它們之間還是存在一些關(guān)鍵的區(qū)別。 一、引言 神經(jīng)網(wǎng)絡(luò)是一種模擬人腦神經(jīng)元結(jié)構(gòu)的計算模型,它由大量的神經(jīng)元(或稱為節(jié)點)組成,這些神經(jīng)元通過權(quán)重連接在一起
    的頭像 發(fā)表于 07-03 10:14 ?829次閱讀

    bp神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)區(qū)別是什么

    BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,簡稱CNN)是兩種不同類型的人工神經(jīng)網(wǎng)絡(luò),它們在
    的頭像 發(fā)表于 07-03 10:12 ?1155次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的區(qū)別

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,簡稱CNN)和BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Networks,簡稱BPNN)是兩種
    的頭像 發(fā)表于 07-02 14:24 ?3651次閱讀

    詳解深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用

    處理技術(shù)也可以通過深度學(xué)習(xí)來獲得更優(yōu)異的效果,比如去噪、超分辨率和跟蹤算法等。為了跟上時代的步伐,必須對深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)技術(shù)有所學(xué)習(xí)和研究。本文將介紹深度學(xué)習(xí)技術(shù)、神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)
    的頭像 發(fā)表于 01-11 10:51 ?2025次閱讀
    詳解深度學(xué)習(xí)、<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>與卷積<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的應(yīng)用
    主站蜘蛛池模板: 胖老太与人牲交BBWBBW高潮| 亚洲乱码国产一区三区| 99爱免费视频| 久久 这里只精品 免费| 亚洲福利精品电影在线观看| 国产69精品久久久久麻豆| 男生射女生| 4虎影院午夜在线观看| 久久毛片基地| 一级做a爰片久久毛片一| 国产综合18久久久久久软件| 偷窥wc美女毛茸茸视频| 丰满少妇被猛烈进出69影院| 欧美怡红院视频一区二区三区 | 18美女腿打开无遮软件| 久久精品熟女亚洲AV国产| 杨幂被视频在线观看| 精品久久香蕉国产线看观看麻豆 | 亚洲444777KKK在线观看| 国产成人精品视频频| 熟妇的味道HD中文字幕| 囯产免费久久久久久国产免费| 日本高清免费看| 动漫成人片| 无码一区二区三区| 国产乱码精品一区二区三区四川| 网址在线观看你懂我意思吧免费的| 国产白丝精品爽爽久久蜜臀| 婷婷五月久久丁香国产综合| 国产精品视频免费观看| 亚洲 欧美 中文 日韩 视频| 国产这里有精品| 伊人22222| 麻豆精品传媒一二三区 | 亚洲AV无码专区国产精品麻豆| 国产女人乱人伦精品一区二区| 亚州性夜夜射在线观看| 精品久久久爽爽久久久AV| 中国成人在线视频| 母狗黄淑珍| 岛国大片在线播放高清|