本文介绍了 NLP 句法分析与树形递归神经网络，主要讲解句法分析、Recursive Neural Networks (RNN)、成分句法分析、SU-RNN、MV-RNN、RNTN等。

NLP课程第17讲介绍了问答系统(QA)、多任务学习、自然语言处理的十项全能(decaNLP)、多任务问答系统(MQAN)等。

NLP课程第13讲介绍了词向量 (word representations) 知识回顾、ELMo模型、ULMfit模型、Transformer结构和BERT等。

NLP课程第10讲介绍了问答系统动机与历史、SQuAD问答数据集、斯坦福注意力阅读模型、BiDAF模型、近期前沿模型等。

NLP课程第14讲介绍了Attention注意力机制、文本生成、自相似度、相对自注意力、图片与音乐生成、迁移学习等。

NLP课程第12讲介绍了语法学 (linguistics) 基础知识、基于字符粒度的模型、子词模型 (Subword-models)、混合字符与词粒度的模型、fastText模型等。

NLP课程第11讲介绍了卷积神经网络 (CNN)及模型细节，并讲解CNN和深度CNN在文本分类中的使用，最后介绍了Q-RNN模型。

本文介绍 NLP 中的卷积神经网络（CNN），讲解卷积神经网络的卷积层、池化层、多卷积核、多通道、卷积核、N-gram、filter、k-max pooling、文本分类等。

本文介绍 NLP 中的问答系统（Question Answering），包括 NLP 中的问答系统场景、动态记忆网络（Dynamic Memory Networks）、问答（QA）、对话、MemNN、

NLP课程第6讲介绍一个新的NLP任务 Language Modeling (motivate RNNs) ，介绍一个新的神经网络家族 Recurrent Neural Networks (RNNs)

在深度学习编译器优化工作中，对多层 for 循环算子的优化十分重要。本篇文章介绍了一种优化算法——多面体模型算法，并且以优化简单的两层循环代码为例，详述了该算法的思想及工作流程。

本文已参与「新人创作礼」活动，一起开启掘金创作之路 背景 在使用keras训练图像数据时，通常使用ImageDataGenerator()的方式迭代目录，分批次读取。而对于容量超大甚至超过内存数组文件

本文介绍自然语言处理(NLP)的概念及其面临的问题，进而介绍词向量和其构建方法（包括基于共现矩阵降维和Word2Vec）。

本文介首先介绍了语言模型及其应用场景，进而介绍了循环神经网络（RNN）及优化后的变种LSTM(长短时记忆网络)和GRU模型。

NLP课程第7讲介绍RNNs的梯度消失问题、两种新类型RNN（LSTM和GRU），以及其他梯度消失(爆炸)的解决方案——Gradient clipping、Skip connections等。

本文单层&多层介绍神经网络及反向传播技术，并讨论训练神经网络的实用技巧，包括神经元单元(非线性)、梯度检查、Xavier参数初始化、学习率、Adagrad优化算法等。

自监督学习（Self-Supervised Learning）能利用大量无标注的数据进行表征学习，然后在特定下游任务上对参数进行微调。通过这样的方式，能够在较少有标注数据上取得优于有监督学习方法的精度

NLP课程第5讲内容覆盖：句法结构（成分与依赖），依赖语法与树库，基于转换的依存分析模型，神经网络依存分析器等。

对于 ParameterServerStrategy V2，本文主要看看如何使用，如何初始化。在下一篇之中会重点看看如何分发计算。

BP（Back Propagation）是深度学习神经网络的理论核心，本文通过两个例子展示手动推导BP的过程。