zoukankan      html  css  js  c++  java
  • 清华大学刘洋--基于深度学习的机器翻译(1)

                               <-----  1980                                           2013----------->    

    基于规则的机器翻译                    基于统计的机器翻译      基于神经网络的机器翻译

    ——————————————————————————————————————

    平行语料库

    数据驱动的机器翻译

    短语的切分、调序

    统计机器翻译的优缺点:

    然而,用神经网络进行建模,核心思路:用连续替代离散。

    RNN 进行句子向量表示

     hidden layer的最后一个神经元包含了这个句子所携带的所有信息,听起来特别的荒诞,但是就是好用啊。

    这时再用decoder解码器进行解码

     那么,递归神经网络进行机器翻译,有哪些优缺点呢?

    这时,为了解决“梯度消失”或者“梯度爆炸”的问题,就引入了LSTM。LSTM,引入了“input gate”" forget gate" "output gate"。

    我们的神经网络学习到了什么呢?谷歌到研究人员做了一些可视化的工作。说明,神经网络来进行机器翻译,还是有一定的效果的。

    但是,编码器-解码器架构存在缺点,即(个人理解)在解码过程中的神经元是黑盒的,可解释性很低。

    在这种情况下,注意力机制横空出世。

    其核心思想是:集中关注相关的上下文。

    注意力机制是怎么回事呢?

    首先,进行一步双向的RNN,双向RNN的好处时,每一个单词都可以获得一个自己全局的地位。

    再根据每个词的重要程度,动态地生成下一个词。

    注意力机制能够有效的提升长句的翻译效果,LSTM是固定原语言的生成,而注意力是动态原语言生成

    目前,注意力机制也应用在其他领域

  • 相关阅读:
    双写一致性的讨论
    webstorm设置新建vue文件的模板
    java基础类及方法
    中国大学零基础学Java语言练习题
    java基础继承
    java基础接口、继承、多态
    Windows、Mac 命令行启动程序(为了查看Electron打包后主进程日志)
    【Typescirpt】定义数字范围类型
    MRP
    Raid 学习
  • 原文地址:https://www.cnblogs.com/vector11248/p/10380862.html
Copyright © 2011-2022 走看看