做网站行业,建筑工程网络教育网,社区网站建设方案书,高端网站设计找哪个公司序列模型
定义
序列模型是自然语言处理#xff08;NLP#xff09;和机器学习领域中一类重要的模型#xff0c;它们特别适合处理具有时间顺序或序列结构的数据#xff0c;例如文本、语音信号或时间序列数据。
举个例子#xff1a;一部电影的评分在不同时间段的评分可能是…序列模型
定义
序列模型是自然语言处理NLP和机器学习领域中一类重要的模型它们特别适合处理具有时间顺序或序列结构的数据例如文本、语音信号或时间序列数据。
举个例子一部电影的评分在不同时间段的评分可能是不一样的锚定效应当一部电影获得某项大奖后该电影的评分可能会上升。季节性新年贺岁电影和圣诞电影在相应时间会更受欢迎。电影评分不是不变的,和时间是有相关性的。
统计工具
处理序列数据需要统计工具和新的深度神经网络架构。我们通常使用 x t x_t xt 表示模型在时间 t t t 的输出 t t t 代表时间步通过以下公式进行预测 x t ∼ P ( x t ∣ x t − 1 , … , x 1 ) x_t\sim P(x_t|x_{t-1},\dots,x_1) xt∼P(xt∣xt−1,…,x1) 使用条件概率展开 P ( a , b ) P ( a ) P ( b ∣ a ) P ( b ) P ( a ∣ b ) P(a,b)P(a)P(b|a)P(b)P(a|b) P(a,b)P(a)P(b∣a)P(b)P(a∣b) 根据条件概率的链式法则有 P ( x ) P ( x 1 ) ⋅ P ( x 2 ∣ x 1 ) ⋅ P ( x 3 ∣ x 1 , x 2 ) ⋅ ⋯ P ( x t ∣ x 1 , ⋯ , x t − 1 ) P(x)P(x_1)\cdot P(x_2|x_1)\cdot P(x_3|x_1,x_2)\cdot \cdots P(x_t|x_1,\cdots,x_{t-1}) P(x)P(x1)⋅P(x2∣x1)⋅P(x3∣x1,x2)⋅⋯P(xt∣x1,⋯,xt−1)
对条件概率建模 P ( x t ∣ x 1 , ⋯ , x t − 1 ) P ( x t ∣ f ( x 1 , ⋯ , x t − 1 ) ) P(x_t|x_1,\cdots,x_{t-1})P(x_t|f(x_1,\cdots,x_{t-1})) P(xt∣x1,⋯,xt−1)P(xt∣f(x1,⋯,xt−1))这里的 f f f 函数可以看作对之前的数据进行建模来预测序列中的下一个元素。这正是序列模型如循环神经网络RNN、长短时记忆网络LSTM、门控循环单元GRU和最近的Transformer模型所做的事情
举个序列预测的例子文本生成输入一段文本根据该文本的数据训练好一个模型现在有一句话“今天天气……”要求对之后的话进行续写续写其实就是预测下一个最可能的字这也是GPT系列模型的原理这里每个字就可以看作在时间 t t t 的输出。 根据之前的文本可能之前出现很多次“今天天气真好”那么“真”字在“今天天气”已经存在的情况下的概率就会比较高 P ( 真 ∣ 今天天气 ) P ( 不 ∣ 今天天气 ) P(真|今天天气) P(不|今天天气) P(真∣今天天气)P(不∣今天天气)。再根据“真”预测出“好”。
自回归模型
自回归模型根据自己之前的序列数据建模进行之后元素的预测所以叫自回归。 输入数据的数量 输入 x t − 1 , … , x 1 x_{t-1},\dots,x_1 xt−1,…,x1 本身因 t t t而异。 也就是说输入数据的数量这个数字将会随着我们遇到的数据量的增加而增加甚至是指数级的增长 因此需要一个近似方法来使这个计算变得容易处理。有以下两种策略。
马尔可夫模型
马尔可夫假设认为现实情况下相当长的序列 x t − 1 , ⋯ , x 1 x_{t-1},\cdots,x_1 xt−1,⋯,x1 可能是不必要的 因此我们只需要满足某个长度为 τ \tau τ 的时间跨度 即使用观测序列 x t − 1 ⋯ , x t − τ x_{t-1}\cdots,x_{t-\tau} xt−1⋯,xt−τ 来进行 x t x_t xt 的预测。 这样当 t τ t\tau tτ 时参数的数量总是不变的。
隐变量自回归模型
在序列模型中隐变量Latent Variable是指那些在时间序列数据中不可直接观测但却对序列的产生及其动态变化有着重要影响的变量。在这里隐变量可以看作对过去序列观测的总结 h t f ( x 1 , ⋯ , x t − 1 ) h_t f(x_1,\cdots,x_{t-1}) htf(x1,⋯,xt−1). 这样模型需要同时预测 x t x_t xt 和更新 h t h_t ht于是模型形式上就变成 h t g ( h t − 1 , x t − 1 ) h_tg(h_{t-1},x_{t-1}) htg(ht−1,xt−1) x t P ( x t ∣ h t ) x_tP(x_t|h_t) xtP(xt∣ht)
总结 本专栏用于记录学习笔记和理解其内容都是基于李沐老师的课程动手学深度学习。 可以在b站学习老师的课程动手学深度学习 PyTorch版 教材教材
