索引 / 标签
#NLP
共 7 篇
- Ch04 机器学习
迁移学习 (Transfer Learning)
在任务A上学到的知识迁移到任务B——AI时代的"举一反三"。你不需要从零开始教模型识别猫,只需要在已经理解"毛茸茸四条腿"的模型上微调即可。
约 4 分钟1,295 字 - Ch05 评估与特征工程
数据增强 (Data Augmentation)
概述 数据增强（Data Augmentation）是一种通过人工方式扩充训练数据的技术，通过对原始数据施加各种保持语义的变换（Transformations），生成新的、多样化的训练样本。它
约 6 分钟2,070 字 - Ch06 神经网络基础
Embedding (嵌入 / 向量表示)
Embedding（嵌入）是机器学习中将离散对象（词、句子、文档、图像、用户、商品等）映射到连续稠密向量空间的技术。与传统的 One-Hot 编码（高维稀疏）不同，Embedding 将对象表示为低维稠密向量（通常 128-4096 维），向量之间的距离和方向蕴含了语义信息。Em
约 3 分钟1,089 字 - Ch09 Transformer
Transformer 架构
Transformer 是由 Vaswani 等人在 2017 年论文 "Attention Is All You Need" 中提出的神经网络架构。它完全基于注意力机制（Attention Mechanism），摒弃了传统的循环（RNN）和卷积（CNN）结构。Transform
约 3 分钟920 字 - Ch09 Transformer
- Ch10 LLM架构
Token (词元)
Token 是 LLM 处理文本的最小单位——不是字，不是词，而是介于两者之间的"子词单元"。LLM 先把文本切成 Token，再给每个 Token 一个数字 ID，然后才能做数学运算。
约 4 分钟1,258 字 - Ch17 多模态AI
CLIP (Contrastive Language-Image Pre-training)
一句话理解 OpenAI的图文对齐模型,用对比学习让文本和图像映射到同一个向量空间——"猫的照片"和文字"猫"在这个空间里距离很近,而"猫的照片"和文字"汽车"距离很远。 核心创新: 不是分类
约 4 分钟1,226 字