《TensorFlow自然语言处理》—1.7　总结

1.7　总结

在本章中，通过广泛探索NLP，我们了解了构建基于NLP的良好系统所涉及的任务类型。首先，我们解释了为什么需要NLP，然后讨论NLP的各种任务，以便大致了解每项任务的目标以及在这些任务中取得成功的难度。接下来，我们研究了解决NLP的经典方法，并使用生成足球比赛的摘要作为例子，了解流程的细节。我们看到传统方法通常涉及烦琐乏味的特征工程。例如，为了检查生成的短语的正确性，我们可能需要为该短语生成一个解析树。接下来，我们讨论了深度学习所带来的范式转变，并看到了深度学习如何使特征工程步骤变得过时。我们回顾了深度学习和人工神经网络的历史，然后介绍了有数百个隐藏层的大规模现代网络。之后，我们通过一个简单的例子来阐明一个深层模型（多层感知器模型）来理解在这样一个模型中的数学原理。

有了传统和现代NLP方法的良好基础后，我们讨论了本书主题的路线图，从学习词嵌入到强大的LSTM，从生成图像的标题到神经机器翻译。最后，我们介绍了如何安装Python、scikit-learn、Jupyter Notebook和TensorFlow来设置我们的环境。

在下一章中，你将学习TensorFlow的基础知识，学习结束时，你应该学会编写一个简单算法，它可以接受输入，并通过定义的函数对输入进行转换，最后输出结果。