目录

9.1 序列模型

9.2 文本预处理

9.3 语言模型

9.4 循环神经网络

9.5 门控循环单元（GRU）

9.6 LSTM

9.7 深层循环神经网络 

9.8 双向循环神经网络 

---

9.1 序列模型

方案A——马尔可夫假设：假设当前数据只与t个过去数据点相关 

方案B——潜变量模型：引入潜变量ht来表示过去的信息

9.2 文本预处理

步骤：

1、将数据集读取搭配由多条文本行组成的列表中

2、每个文本序列被拆分成一个标记列表

3、构建一个字典，通常也叫做词汇表（vocabulary），用来将字符串类型的标记映射到从0开始的数字索引中

4、将每一条文本行转换成一个数字索引列表

9.3 语言模型

eg：Bert、GPT

1、使用计数来建模

2、N元语法 引入马尔可夫假设

9.4 循环神经网络

• 对隐状态使用循环计算的神经网络称为循环神经网络（RNN）。

• 循环神经网络的隐状态可以捕获直到当前时间步序列的历史信息。

• 循环神经网络模型的参数数量不会随着时间步的增加而增加。

• 我们可以使用循环神经网络创建字符级语言模型。

• 我们可以使用困惑度来评价语言模型的质量。

9.5 门控循环单元（GRU）

能关注的机制（更新门）

能遗忘的机制（重置门）

9.6 LSTM

忘记门：将值朝0减少

输入门：决定不是忽略掉输入数据

输出门：决定是不是使用隐状态

9.7 深层循环神经网络 

使用多个隐藏层来获得更多的非线性性

9.8 双向循环神经网络 

取决于过去与未来的上下文