《深度学习用于文本和序列》

前言

前期回顾： Python深度学习篇五《深度学习用于计算机视觉》 该文详细探讨了计算机视觉相关的内容。

• 卷积神经网络作为解决视觉分类问题的核心技术表现出色。
• 卷积神经网络通过学习模块化模式和概念的层次结构来展现对视觉世界的理解。
• 卷积神经网络所学到的知识便于可视化呈现；同时该架构并非完全透明。
• 你可以从零开始训练一个卷积神经网络以实现图像分类任务。
• 数据增强技术有助于防止模型过拟合。
• 利用预训练模型进行特征提取与微调优化是一种有效的方法。
• 滤波器的可视化有助于理解模型决策过程；同时类激活热力图也是一种重要的可视化工具。

好，接下来切入正题。

本章包括以下内容：

• 将文本数据转换为有意义的数据形式
• 应用循环神经网络模型
• 通过一维卷积神经网络模型对序列进行分析

本章将阐述使用深度学习模型处理文本（可将其视为单词序列或字符序列）、时间序列数据以及常规序列数据等不同类型的序列数据。在处理这类问题时主要采用的是循环神经网络（recurrent neural network）与一维卷积神经网络（1D convnet）。值得注意的是后者实际上是上一章中介绍的二维卷积神经网络的一维版本。本章重点讨论这两种方法及其应用前景。

这些算法的应用包括：

• 文本分类与时