人工智能

本文介绍了 Attentino 的详细原理，并且还从可视化的角度解释了这一机制，最后附带了有趣的翻译案例，注释详细，包教包会。

本文主要介绍了 Seq2Seq 的训练和预测原理，以及常用的提升技巧，最后还附带了自己实现的有趣翻译案例

主要介绍了使用 RNN 实现的文本生成的相关原理，并且在最后附上了两个我自己实现的案例，以及 github 上面的两个实际项目供大家学习

这里详解介绍了 LSTM 的原理，另外还介绍了它的升级版 Bi-LSTM ，以及变体，最后还给出了我之前写的两个案例，觉好留赞

文中介绍了one to one 模型和 many to many模型，并且还介绍了典型的 Simple RNN 模型及其优缺点

《NLP 中文词嵌入简单介绍》一文中主要介绍了中文文本词嵌入的一系列过程，包括对文本的预处理、分词、去停用词和用向量表示等

什么是知识图谱？ 简单理解就是一个图，节点是各种各样的现实当中的实体，如人、物、组织等，线是反应节点之间的关系或者属性。如图所示。 知识图谱的作用 如今知识图谱广泛应用于聊天机器人，推荐系统等方面，而

这里只是用简单例子演示关于 self-attention 的逻辑，判断一句话的情感是正面或者是负面，具体原理自己百度即可。

attention 的原理自己找，这里只展示原理，用来进行翻译，所用到的相似度计算方法，这里用到了两种方法

原理自己找，这里就是用示例简单实现 S2S 的原理，主要用来进行单词的翻译。解释都放到了每行注释里面。

原理自己上网找，这里只用简单的示例来展示原理，输入一句话，用 BI-LSTM 预测下一个词。解释都放在了注释里面。

LSTM 的原理自己找，这里只给出简单的示例代码，就是对单词最后一个字母的预测。解释都放在了注释里面。

RNN 原理自己找，这里只给出简单例子的实现代码，实现对下一个单词的预测结果打印，关键解释都放在了注释里面。

NNLM 的用法思路：输入句子序列，预测下一个单词（英文）或者字（中文）的一种语言模型。关键解释都放在了注释里面。

环境：架构：s2s.py代码如下train.py代码如下，直接运行python文件即可运行结果如下：test.py代码如下，直接运行python文件即可运行结果如下：

NLP基本知识：https://www.cnblogs.com/mokoaxx/p/12740303.htmlNLP学习路线：https://www.jiqizhixin.com/articles/2

中文地址基本上是非结构化的中文自然语言，地址匹配的本质是把含有位置信息的文字信息与空间信息关联起来，这在理论上是可行的。 中文的自然语言理解方法包括中文分词、语义标注、句法分析和语义推理四个环节。在地址匹配的特殊场景，需要对这四个环节做特殊处理。 完整的算法流程包括预处理、地址…