自然语言处理之动手学NER视频教程分享下载。课程大纲：
章节1:动手命名实体识别开篇
章节2:动手学命名实体识别之环境搭建
章节3:深度学习基础之卷积神经网络
章节4:深度学习基础之循环神经网络
章节5:深度学习基础之LSTM
章节6:基于BiLSTM+CRF的中文命名实体识别实战
章节7:命名实体识别项目案例
章节8:基于IDCNN+CRF的中文命名实体识别实战
章节9:Bert相关理论详细详解
章节10:基于Bert+LSTM+CRF的中文命名实体识别实战
章节11:基于Tensorflow2.x的命名实体识别实战
2021-06-02 18:11:42
901B
1
分享一套课程--动手学关系抽取-知识图谱基础篇
知识图谱技术提供了一种更好的组织、管理和理解互联网海量信息的能力，将互联网的信息表达成更接近于人类认知世界的形式。关系抽取作为知识图谱构建与使用关键技术之一，一直受到众多研发人员追捧。
2021-05-14 19:06:37
761B
1
【动手学深度学习（pyTorch）】d2lzh_pytorch包，亲测可用，已经所有函数写在包中。免费下载，热心无偿分享。
2021-04-15 14:40:38
9KB
1
LeNet模型1. LeNet模型2. PyTorch实现2.1 模型实现2.2 获取数据与训练
1. LeNet模型
LeNet分为卷积层块和全连接层块两个部分。下面我们分别介绍这两个模块。
卷积层块里的基本单位是卷积层后接平均池化层：卷积层用来识别图像里的空间模式，如线条和物体局部，之后的平均池化层则用来降低卷积层对位置的敏感性。
卷积层块由两个这样的基本单位重复堆叠构成。在卷积层块中，每个卷积层都使用5×55 \times 55×5的窗口，并在输出上使用sigmoid激活函数。第一个卷积层输出通道数为6，第二个卷积层输出通道数则增加到16。
全连接层块含3个全连接层。它们的输出个数分别
2021-03-29 11:27:17
196KB
1
批量归一化（BatchNormalization）
ps 批量归一化本质上是对数据的标准化处理，输入标准化一般用于浅层模型，但是对于深层网络，输入的标准化不够，因为随着模型的迭代更新，依然容易造成靠近输出层，它的数据是剧烈变化的。所以批量归一化的出现是应对深度模型的。
对输入的标准化（浅层模型）
处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1。
标准化处理输入数据使各个特征的分布相近
批量归一化（深度模型）
利用小批量上的均值和标准差，不断调整神经网络中间输出，从而使整个神经网络在各层的中间输出的数值更稳定。
1.对全连接层做批量归一化
（形状 m×d，对m个元素做批量归一化）
2021-03-20 22:42:31
208KB
1