CS224N（Natural Language Processing with Deep Learning）总结：模型、任务、作业、作业中涉及到的特殊代码

最新推荐文章于 2024-05-03 12:32:39 发布

mmc2015

最新推荐文章于 2024-05-03 12:32:39 发布

阅读量2.2k

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习文章标签： CS224N 深度学习中的自然语言处理 NLP with DL

本文总结了CS224N课程，涵盖了word2vec、GloVe、RNN、GRU、LSTM、Attention、CNN等模型，涉及机器翻译、依存句法分析和指代消解等任务。作业包括skip-gram、情感分析、命名实体识别和阅读理解，强调了训练技巧和特殊代码应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

模型：word2vec（skip-gram、CBOW）、GloVe、DNN/BP/Tips for training、RNN/GRU/LSTM、Attention、CNN、TreeRNN

应用：Neural Machine Translation、Dependency Parsing、Coreference Resolution

作业：skip-gram、window-based sentiment classification；dependency parsing；named entity recognition、RNN、GRU；question answer！

收获很大！！！

=======================课程中涉及到的模型、方法

word2vec：skip-gram（根据中间的词预测周围的词）、CBOW（根据周围词的(平均)预测中间的词）

This captures co-occurrence of words one at a time

==》一般直接用W作为最终的embedding

GloVe：考虑word-word co-occurrence以及单个word本身频率

This captures co-occurrence counts directly

==》一般用U+V作为最终的embedding

lecture notes写的很好：gradient check、regularization、dropout、activation function、data preprocessing、parameter initialization、optimizer

Gradient vanishing：正交初始化+relu；或者使用GRU, LSTM

梯度爆炸：gradient clipping，[-5, +5] is a good choice

Fancy RNN：GRU, LSTM, bi-directional RNN, multi-layer RNN

Vanilla attention：global attention/local attention、soft attention/hard attention è dot-product attention；Multiplicative attention；Additive attention。

控制attention的位置：encourage covering ALL important parts；prevent attending to the same part repeatedly.（主要通过修改attention weight实现）

Self-attention：同一个RNN，当前的位置attend之前所有的位置

200万优质内容无限畅学