目录
- 时间序列表示
- 梯度弥散和梯度爆炸
- RNN（循环神经网络）
- LSTM
- Seq2Seq
- ELMo
时间序列表示
核心是加入历史信息去预测下一步骤
在NLP中，序列维度一般是这个样子:[b,seq_len,feature_len]
b个句子，每个句子seq_len个单词，每个单词feature_len个维度
NLP大部分是和时间相关的
步长，在计算机又叫记忆，比如预测一个点的值，是用多长的步长去预测它，要根据不同数据选择不同的步长
Embedding是词向量的分布式表示
梯度弥散和梯度爆炸
当解决短文本没有这个问题，解决长文本时，这个模型就有问题
RNN（循环神经网络）
xt@wxh是自身的影响，ht@wxh是历史信息的影响
只要Y4的输出信息，因为Y4记录了前面的历史信息，所以4个单词就变成只要1个单词
多层循环神经网络
堆叠RNN
信息越来越明确、清晰
双向RNN
反向进行也有可能让信息更加明确
LSTM
由RNN来的，在此基础上增加一些门控机制，门控用来选择存储哪些历史信息
ft决定遗忘哪些信息
it和Ct决定学习哪些新信息
Seq2Seq
编码解码模型
ELMo
用来预训练语言模型
相当于2个双向的LSTM
注意力机制：在Seq2Seq中注意到每个单词的重要程度
