人工智能基础 课件 6.1 使用序列到序列模型完成数字加法.pptx

第6章自然语言处理与计算机视觉

任务1：使用序列到序列模型完成数字加法任务2：基于图片相似度的图片搜索自然语言处理基于LSTM的Seq2Seq模型计算机视觉图片搜索技术

任务1：使用序列到序列模型完成数字加法1自然语言处理基于LSTM的Seq2Seq模型

自然语言处理自然语言处理（NaturalLanguageProcessing，简称NLP）是一门融语言学、计算机科学、数学于一体的科学，旨在让计算机能够理解、解释和生成人类语言。它通过模拟人类的语言理解和分析能力，实现人机交互、信息提取、语义分析等多种任务。其核心包括文本预处理、词嵌入、句法分析、语义分析和文本生成等关键技术。

自然语言处理自然语言处理技术在多个领域有广泛应用搜索引擎：当我们在百度、谷歌等搜索引擎中输入“适合初学者的编程语言”，搜索引擎利用自然语言处理技术分析语义，关联相关信息，快速从海量网页中筛选出最匹配的内容，提供给我们包含Python、Java等多种编程语言介绍及学习资源的结果。机器翻译：实现不同语言间的翻译，像出国旅行时，使用有道翻译、百度翻译等APP，对着手机说出中文，就能即时获得外语翻译结果，无论是问路、点菜还是购物交流，都变得轻松便捷。情感分析：分析文本中的情感倾向，电商平台通过分析用户对商品的评价，能迅速了解用户满意度，例如当大量用户在评价中提到某款手机“拍照模糊”，企业就可以针对性地改进摄像头配置。

自然语言处理自然语言处理技术在多个领域有广泛应用聊天机器人：在很多电商平台，当用户咨询商品信息时，智能客服机器人能快速响应，解答常见问题，像“这款衣服有哪些尺码？”“商品什么时候发货？”，节省了用户等待时间，也降低了企业的人力成本。语音助手：苹果的Siri、小米的小爱同学等，我们可以通过语音指令让它们完成各种任务，如查询天气（“明天天气怎么样？”）、设置提醒（“提醒我明天上午10点开会”）、播放音乐（“播放周杰伦的歌曲”）等，实现便捷的生活和工作辅助。智能投顾：金融机构利用自然语言处理技术，理解客户的投资需求和风险偏好描述。例如客户表达“我想在低风险的情况下获得一定的资产增值”，智能投顾系统可以据此为客户推荐合适的理财产品和投资组合。

自然语言处理近年来，深度学习技术在自然语言处理领域取得了巨大的成功。深度学习方法通过构建深度神经网络模型，能够自动学习文本中的深层特征表示，从而实现对自然语言更精确的理解和处理。常见的深度学习方法包括循环神经网络(RNN)、长短时记忆网络(LSTM)等。

基于LSTM的Seq2Seq模型自然语言处理是人工智能领域的一个重要分支，而序列到序列（Seq2Seq）模型则成为了NLP领域的新标杆。Seq2Seq模型通过将一个序列转换成另一个序列，实现了机器翻译、对话生成、摘要提取等任务。

基于LSTM的Seq2Seq模型Seq2Seq模型由编码器（Encoder）和解码器（Decoder）组成，通过将输入序列编码成一个向量表示，然后再将这个向量解码成目标序列。编码器使用循环神经网络（RNN）或者长短时记忆网络（LSTM）、门控循环单元（GRU）对输入序列进行建模，得到上下文信息；解码器则利用编码器输出的上下文信息生成目标序列。

基于LSTM的Seq2Seq模型本任务中将使用一个简单的基于LSTM的Seq2Seq模型，该模型一共有如下4个主要的网络层。（1）嵌入层(Embedding)：将输入的文本序列转为嵌入向量。（2）编码层(LSTM)：将嵌入向量进行编码。（3）解码层(LSTM)：将编码向量进行解码。（4）全连接层(Linear)：对解码完成的向量进行线性映射。

基于LSTM的Seq2Seq模型本任务目标：在百度AIStudio平台，完成一个数字加法任务，使用飞桨提供的LSTM，组建一个序列到序列模型，并在随机生成的数据集上完成数字加法任务的模型训练与预测。

第6章自然语言处理与计算机视觉