LSTM CRF模型中的CRF是完整的CRF還是動(dòng)態(tài)規(guī)劃算法？你好，謝謝你的邀請(qǐng)。首先，CRF與LSTM無關(guān)。其次，CRF和HMM最大的區(qū)別是CRF是全局標(biāo)準(zhǔn)化的，這減輕了標(biāo)簽偏差。那么LSTM的本征

LSTM CRF模型中的CRF是完整的CRF還是動(dòng)態(tài)規(guī)劃算法？

你好，謝謝你的邀請(qǐng)。

首先，CRF與LSTM無關(guān)。

其次，CRF和HMM最大的區(qū)別是CRF是全局標(biāo)準(zhǔn)化的，這減輕了標(biāo)簽偏差。

那么LSTM的本征函數(shù)就是提取的向量，或者LSTM本身就是一個(gè)本征函數(shù)。

那么，LSTM CRF中的轉(zhuǎn)移概率非常棘手。實(shí)際上，它是由tune導(dǎo)出的轉(zhuǎn)移矩陣。目的是增加馬爾可夫性和使用CRF。實(shí)踐表明，在LSTM上使用CRF是沒有用的?，F(xiàn)在我們不用它了，因?yàn)長(zhǎng)STM本身已經(jīng)足夠精確了。

最后，我認(rèn)為動(dòng)態(tài)規(guī)劃只是CRF的計(jì)算方法，而不是模型本身。

您所知道的關(guān)于人工智能AI的知識(shí)有哪些？分享一下？

作為一名it從業(yè)者和教育家，讓我來回答這個(gè)問題。

首先，人工智能的知識(shí)體系非常龐大。從目前的研究方向來看，可以分為六大研究領(lǐng)域：計(jì)算機(jī)視覺、自然語言處理、知識(shí)表示、自動(dòng)推理、機(jī)器學(xué)習(xí)和機(jī)器人學(xué)。這些不同的領(lǐng)域也有許多細(xì)分的研究方向。

從學(xué)科體系來看，人工智能是一門非常典型的交叉學(xué)科，涉及數(shù)學(xué)、計(jì)算機(jī)、控制科學(xué)、經(jīng)濟(jì)學(xué)、神經(jīng)科學(xué)、語言學(xué)、哲學(xué)等多個(gè)學(xué)科，因此人工智能領(lǐng)域的人才培養(yǎng)一直比較困難，而不是一門學(xué)科不僅知識(shí)量比較大，而且難度也比較高。由于人工智能領(lǐng)域的許多研發(fā)方向還處于發(fā)展初期，有大量的課題需要攻關(guān)，因此在人工智能領(lǐng)域聚集了大量的創(chuàng)新人才。

從目前人工智能技術(shù)的落地應(yīng)用來看，在計(jì)算機(jī)視覺和自然語言處理兩個(gè)方向出現(xiàn)了很多落地案例。隨著大型科技公司紛紛推出自己的人工智能平臺(tái)，基于這些人工智能平臺(tái)，可以與行業(yè)產(chǎn)生更多的組合，為人工智能技術(shù)在行業(yè)中的應(yīng)用奠定基礎(chǔ)，同時(shí)進(jìn)行研究和開發(fā)。人工智能的門檻大大降低。

從行業(yè)發(fā)展趨勢(shì)來看，未來很多領(lǐng)域需要與人工智能技術(shù)相結(jié)合。智能化也是當(dāng)前產(chǎn)業(yè)結(jié)構(gòu)升級(jí)的重要要求之一。在工業(yè)互聯(lián)網(wǎng)快速發(fā)展的推動(dòng)下，大數(shù)據(jù)、云計(jì)算、物聯(lián)網(wǎng)等技術(shù)的落地應(yīng)用，也將為人工智能技術(shù)的發(fā)展和應(yīng)用奠定基礎(chǔ)。目前，應(yīng)用人工智能技術(shù)的行業(yè)主要集中在it（互聯(lián)網(wǎng)）、裝備制造、金融、醫(yī)療等領(lǐng)域。未來，將有更多的產(chǎn)業(yè)與人工智能技術(shù)相結(jié)合。

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(duì)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(jì)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(shí)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(jì)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(jì)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(shí)別中。在圖像分割、目標(biāo)檢測(cè)等方面，提出了更有針對(duì)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(shí)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(zhǎng)、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(gè)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(chǎng)景有不同的模型和策略來解決一些問題。

中文自然語言處理預(yù)訓(xùn)練時(shí)是把每個(gè)字做onehot標(biāo)簽嗎？為什么？

計(jì)算機(jī)在進(jìn)行計(jì)算時(shí)，不能直接對(duì)文本進(jìn)行處理，所以需要將文本轉(zhuǎn)換成一個(gè)向量，一個(gè)文本和一個(gè)向量一一對(duì)應(yīng)，類似于人們的身份證號(hào)碼。Onehot編碼是一種文本矢量化，但它失去了文本的意義，只是一個(gè)身份標(biāo)記。TF-IDF還可以實(shí)現(xiàn)詞向量，增加了文本的統(tǒng)計(jì)特征，如詞頻和逆文檔詞頻。應(yīng)用廣泛，效果良好。最流行的word2vec模型保留了大部分語義特征，成為自然語言處理的標(biāo)準(zhǔn)工具。近年來，研究的熱點(diǎn)是Bert模型，它也是一種文字矢量化。這些詞向量模型往往成為其他模型的輸入端口，如命名實(shí)體識(shí)別模型word2vec-billistm-CRF和Bert-billistm-CRF。

Juba是一個(gè)中文自然語言處理（NLP）工具包，實(shí)現(xiàn)了詞向量、文檔向量、詞相似度、文檔相似度、文本生成、時(shí)間序列擬合和中文命名實(shí)體識(shí)別等功能。https://github.com/lihanju/juba

Juba的命名實(shí)體識(shí)別模型使用Bert billistm CRF，所以我們可以嘗試一下。

500元左右的耳機(jī)？

如何理解LSTM后接CRF？

LSTM CRF完全是為了提高實(shí)驗(yàn)的準(zhǔn)確性（例如，動(dòng)詞后面的名詞更容易被使用）。CRF可以完全使用，并且您不需要另一個(gè)RNN，只需將其作為第一個(gè)LSTM學(xué)習(xí)即可。然而，LSTM學(xué)習(xí)標(biāo)簽間關(guān)聯(lián)的效果會(huì)更差，在實(shí)際應(yīng)用中，可能只有一個(gè)LSTM作為序列標(biāo)準(zhǔn)。