Natural Language Processing (NLP) with TensorFlow

python的工作知识

TensorFlow™ 是使用数据流图表进行数字计算的开源软件图书馆。

SyntaxNet 是一种神经网络的自然语言处理框架。

Word2Vec 用于学习 vector 表达词,称为 "word embeddings"。 Word2vec 是一个特别计算效率预测模型,用于从原始文本中学习字体内置。 它分为两种品味,即CBOW(Continuous Bag-of-0)模型和Skip-Gram模型(Mikolov et al.第3.1和第3.2章)。) )

SyntaxNet 和 Word2Vec 在同步中使用,允许用户从自然语言输入中创建学习嵌入式模型。

观众

该课程针对开发人员和工程师,他们打算在他们的图表中与SintaxNet和 Word2Vec模型合作。

完成此课程后,代表将:

• 理解 TensorFlow’的结构和部署机制
• 能够执行安装 / 生产环境 / 建筑任务和配置
• 能够评估代码质量,进行解体,监测
• 能够实施先进的生产,如培训模型、包装条款、构建图表和登记

开始

• 设置和安装

TensorFlow 基本资讯

• 创建、初始化、保存和恢复 TensorFlow 变数
• 馈送、读取和预载入 TensorFlow 数据
• 如何使用 TensorFlow 基础设施大规模训练模型
• 使用 TensorBoard 视觉化和评估模型

TensorFlow 力学 101

• 准备数据
  • 下载
  • 输入和占位元
• 构建图形
  • 推理
  • 损失
  • 训练
• 训练模型
  • 图表
  • 会议
  • 火车环线
• 评估模型
  • 构建 Eval Graph
  • Eval 输出

高级用法

• 线程和伫列
• 分散式 TensorFlow
• 编写 Documentation 并共用模型
• 自定义 Data Reader
• 使用 GPUs
• 操作 TensorFlow 模型档

TensorFlow 份量

• 介绍
• 基本服务教程
• 高级服务教程
• Serving Inception 模型教程

SyntaxNet 入门

• 从标准输入解析
• 对语料库进行注释
• 配置 Python 脚本

使用 SyntaxNet 构建 NLP 管道

• 获取数据
• 词性标记
• 训练 SyntaxNet POS 标记器
• 使用 Tagger 进行预处理
• 依赖关系解析：基于转换的解析
• 训练解析器步骤 1：本地预训练
• 训练解析器步骤 2：全域训练

Words 的向量表示

• 动机：为什么要学习单词嵌入？
• 使用 Noise-Contrastive Training 进行扩展
• Skip-gram 模型
• 构建图形
• 训练模型
• 可视化学习的嵌入
• 评估嵌入：类比推理
• 优化实施