隨機(jī)場和隱馬爾可夫模型的區(qū)別？CRF就像一個反向隱馬爾可夫模型（HMM）。它們都是以馬爾可夫鏈為隱變量的概率轉(zhuǎn)移模型。然而，隱馬爾可夫模型使用隱變量來產(chǎn)生可觀測狀態(tài)，其產(chǎn)生概率是一個產(chǎn)生模型，可以從注

隨機(jī)場和隱馬爾可夫模型的區(qū)別？

CRF就像一個反向隱馬爾可夫模型（HMM）。它們都是以馬爾可夫鏈為隱變量的概率轉(zhuǎn)移模型。然而，隱馬爾可夫模型使用隱變量來產(chǎn)生可觀測狀態(tài)，其產(chǎn)生概率是一個產(chǎn)生模型，可以從注釋集的統(tǒng)計信息中得到。CRF又能區(qū)分隱藏變量和可觀測狀態(tài)，其概率也是由注釋集的統(tǒng)計信息得到的，是一種判別模型。由于這兩個模型有著相同的主干，它們的應(yīng)用領(lǐng)域往往是重疊的，而CRF在命名實(shí)體和語法分析方面的應(yīng)用則更好。

隱馬爾可夫模型為什么是生成模型？

HMM可以表示為最簡單的動態(tài)貝葉斯網(wǎng)絡(luò)。隱馬爾可夫模型背后的數(shù)學(xué)是由勒鮑姆和他的同事開發(fā)的。它與早期不同羅斯蘭斯特拉托諾維奇他首先提出了前處理和后處理的概念。在一個簡單的馬爾可夫模型（如馬爾可夫鏈）中，狀態(tài)對觀察者是直接可見的，因此狀態(tài)轉(zhuǎn)移概率是唯一的參數(shù)。在隱馬爾可夫模型中，狀態(tài)不是直接可見的，而輸出依賴于狀態(tài)，是可見的。通過可能輸出符號，每個狀態(tài)都有一個可能的概率分布。因此，通過HMM生成標(biāo)簽序列提供了一些關(guān)于狀態(tài)的序列信息。請注意，“隱藏”是指模型傳遞的狀態(tài)序列，而不是模型的參數(shù)；即使這些參數(shù)是精確已知的，我們?nèi)匀环Q該模型為“隱藏”馬爾可夫模型。HMM以其時間模式識別而聞名，如語音、筆跡、手勢識別、詞性標(biāo)注、樂譜、局部放電和生物信息學(xué)等應(yīng)用。隱馬爾可夫模型可以看作是一種廣義的混合模型，通過馬爾可夫過程而不是獨(dú)立相關(guān)為每個觀測值選擇隱變量（或多個變量）。近年來，隱馬爾可夫模型被擴(kuò)展到成對馬爾可夫模型和三重馬爾可夫模型，使得數(shù)據(jù)結(jié)構(gòu)和非平穩(wěn)數(shù)據(jù)建模更加復(fù)雜。

hmm什么意思？

隱馬爾可夫模型（HMM）是一種用于描述具有未知參數(shù)的馬爾可夫過程的統(tǒng)計模型。困難在于從可觀測參數(shù)中確定過程的隱藏參數(shù)。然后將這些參數(shù)用于進(jìn)一步的分析，如模式識別。隱馬爾可夫模型最早是由Leonard E.Baum和其他作者在20世紀(jì)60年代后半期的一系列統(tǒng)計論文中描述的。隱馬爾可夫模型最早的應(yīng)用之一是語音識別，始于20世紀(jì)70年代中期。80年代后半期，隱馬爾可夫模型開始應(yīng)用于生物序列，特別是DNA序列的分析。此后，隱馬爾可夫模型逐漸成為生物信息學(xué)領(lǐng)域不可或缺的技術(shù)。擴(kuò)展數(shù)據(jù)：隱馬爾可夫模型的三個假設(shè)。

1）齊次馬爾可夫假設(shè)。又稱一階馬爾可夫假設(shè)，即任何時刻的狀態(tài)只依賴于前一時刻的狀態(tài)，而與其他時刻無關(guān)。符號如下：

2）觀察獨(dú)立假設(shè)。任何時候的觀察都只取決于當(dāng)時的狀態(tài)，與其他狀態(tài)無關(guān)。

3）參數(shù)不變性假設(shè)。以上三個要素不隨時間變化，即在整個培訓(xùn)過程中保持不變。

是否存在通用的神經(jīng)網(wǎng)絡(luò)模型，可以處理圖像，語音以及NLP？

對于目前的深度學(xué)習(xí)模型，雖然深度學(xué)習(xí)的目標(biāo)之一是設(shè)計能夠處理各種任務(wù)的算法，但是深度學(xué)習(xí)的應(yīng)用還需要一定的專業(yè)化，目前還沒有通用的神經(jīng)網(wǎng)絡(luò)處理模型。然而，每一種模式也在相互學(xué)習(xí)、相互融合、共同提高。例如，一些創(chuàng)新可以同時改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)，如批量標(biāo)準(zhǔn)化和關(guān)注度。一般模型需要在將來提出。

圖像和視頻處理，計算機(jī)視覺，最流行的是CNN，卷積神經(jīng)網(wǎng)絡(luò)，它的變形和發(fā)展，CNN適合處理空間數(shù)據(jù)，廣泛應(yīng)用于計算機(jī)視覺領(lǐng)域。例如，alexnet、vggnet、googlenet、RESNET等都有自己的特點(diǎn)。將上述模型應(yīng)用于圖像分類識別中。在圖像分割、目標(biāo)檢測等方面，提出了更有針對性的模型，并得到了廣泛的應(yīng)用。

語音處理，2012年之前，最先進(jìn)的語音識別系統(tǒng)是隱馬爾可夫模型（HMM）和高斯混合模型（GMM）的結(jié)合。目前最流行的是深度學(xué)習(xí)RNN遞歸神經(jīng)網(wǎng)絡(luò)，其長、短期記憶網(wǎng)絡(luò)LSTM、Gru、雙向RNN、層次RNN等。

除了傳統(tǒng)的自然語言處理方法外，目前的自然語言處理深度學(xué)習(xí)模型也經(jīng)歷了幾個發(fā)展階段，如基于CNN的模型、基于RNN的模型、基于注意的模型、基于變壓器的模型等。不同的任務(wù)場景有不同的模型和策略來解決一些問題。