以ChatGPT为例进行自然语言处理学习
我叫忆_恒心,一名喜欢书写博客的在读研究生👨?🎓。 如果觉得本文能帮到您,👍呗!
近期会不断在专栏里进行更新讲解博客~~~ 有什么问题的小伙伴 欢迎留言提问欧,喜欢的小伙伴给个三连支持一下呗。👍 定期更新Qt的一些项目Demo 定期更新比赛的一些心得,面试项目常被问到的知识点。
最近在整理以前的学习资料时,看到了之前之前入门NLP的一些学习笔记,就进行了一些整理。
- 一、热点与背景
- 二、什么是自然语言处理
- 三、目前自然语言处理有哪些挑战呢?
- 四、Word2Vec
- 4.1 为什么要学习`Word2Vec`
- 4.2 为什么需要词向量?
- 1、词语序的问题
- 2、词相似性带来的问题
- 4.3 Word2Vec有什么意义呢?
- 4.4 Word2Vec的维度意义
- 一、**词向量模型训练**
- 二、词向量模型训练--黑盒
- 三、Word2Vec的实现方法
- 四、直接建模的问题――以Skip-gram为例
- 五、负采样方法的引入――以Skip-gram为例
- 六、小结
- 附录:词向量长什么样子:
各位同学,欢迎来到今天的课程!我们将会探索一门有趣且富有挑战性的领域――自然语言处理。在本次课程中,我将先介绍一下当下人工智能领域的热点,以此引出什么是什么是自然语言处理,以及它的应用,以及自然语言基石的“词向量。
相信各位同学最近都听过,,百度的甚至有些同学也已经玩上了这些工具,大家都知道这是人工智能的产物,但是有哪些功能,我们进行一个简单的介绍。
我们输入一句:
即使这个输入,可能含有错别字。
那这背后运用的是那些技术的呢?
是还是
上述设计到的模型所用的人工智能领域技术是自然语言处理,那么什么是自然语言处理呢?
我们来看一下维基百科上是如何进行定义的:
这么说可能会优点抽象,简单来说就是:
自然语言处理 () =自然语言理解() + 自然语言生成 ()。
可能这在你看来是很神奇的一件事情,但其实也就做了这两部分的内容。
总的来说:。
可以说是自然语言处理综合应用的一个典型的模型了
自然语言处理技术可以看出是两个阶段。
我们以为例,他是如何做到这些功能的呢?
(通过一个图 人C>电脑 电脑―人)
以为例,我们每一次向他输入一段话的时候,会发生哪些事情呢?
其中属于任务,、属于任务。
我门进行一个简单的小结。
与图像处理相比,自然语言处理更为复杂。
图像:所见即所得
文本:所要的文字背后的语义。
简单来说自然语言处理,普遍遇到以下三个问题:
万丈高楼平地起,接下来我们讲解一下自然语言处理的基石
自然语言处理以及语言模型的本质是词向量。
我们以问题为导向进行的学习。
从自然语言的发展趋势来看:
从词向量表示方法出现后,短短5年时间,自然语言处理就得到了大幅度进展(预训练语言模型、).。
一句话或一个文章都是一个词一个词组成。
解决了基于规则和基于统计学习方法遗留的问题:
?输入词的语序问题。
?词之间相似性的问题。
1、词语序的问题
基于统计的方法:
只看一个词的出现和总体的关系。
但是这种统计词频,避免不了一个问题,就是比如一个词出现在不同的位置,所表达的语义是不同的。如下面的例句。
Input1:我|要|学习|自然|语言|处理。
Input2:我|要|语言|自然|地|学习。
2、词相似性带来的问题
比如:
“自然语言处理”=“NLP”
但与“吃饭”无关。
不同语义的文字相似度应该低,相同语义的相似度高。
具体表现在二维空间上是
越相近的表达离得越近 。
通过一些问题来解释。
这里有个前提大家先熟悉了神经网络,不过多强调神经网络而是把重点放到词向量模型中。
先考虑第一个问题:
看起来比较抽象,可以先从人的角度来观察。
比如说,现在来了一个人,我们应该如何对其进行描述呢?
对一个人进行打分,一个指标相当于一个维度****。
身高、性格、能力等综合特征多个维度构成了一个独特的人的描述。
当我们有了这种多个指标构成的多种维度时,我们就可以进行。
比如相似度计算:
欧拉公式、余弦公式通过距离计算他们的相似度。
在实际的训练过程中,数据的维度越高,能提供的信息也就越多,从而计算结果的可靠性就更值得信赖。(通常为50-300维)
一、词向量模型训练
?输入:词的特征。
?黑盒:通过神经神经网络反向传播调整模型参数
?输出:下个单词的预测
二、词向量模型训练C黑盒
我们来看一下一个整体的结果:
训练过程:
1.从embedding表中查找输入词的初始embedding值
2.通过神经网络来预测下一个值。
3.前向传播:求损失函数的值
4.反向传播:更新权重参数和输入的embedding值
三、Word2Vec的实现方法
输入:自然 语言 处理 包含 很多 任务
分为两个部分
简单来说:
就是输入的不同,,以上下文预测中渐次。 以一个中间词预测上下文。
四、直接建模的问题――以Skip-gram为例
输入:自然 语言 处理 包含 很多 任务
Window Size = 3
存在的问题:求解一个Length(corpus)的多分类问题。
解释:因为从预测结果来看,候选词为长度-1 个。
解决办法:将输入与输出同时作为输入,计算候选输出的概率。
解释:然而由于输入包含了输出的标签,预测目标全为1,因此模型进行乱猜导致无法训练。
五、负采样方法的引入――以Skip-gram为例
由于训练过程只有正样本,导致模型训练无法收敛,因此可以适当添加错误的样本。
:在输入样本中加入负样本(错误的样本)
输入:自然 语言 处理 包含 很多 任务
根据大量实验的经验值:负样本个数3-5个比较合适
六、小结
- Word2Vec的意义
- 词向量模型的训练
- Word2Vec实现方法
- 直接建模的问题
- 负采样的引入
附录:词向量长什么样子:
输出下面是一个五十维的向量:
我们用热度图来判断他们之间的相似性
我们用热度图来判断他们之间的相似性,其中红色越深 关系越强。
假设我们已经训练好了词向量,
观察一下当前的词向量的相似性:
可以可视化的观察到,词向量的相关性。
最后,最后 如果觉得有用,麻烦三连👍支持一下呀,希望这篇文章可以帮到你,你的点赞是我持续更新的动力
如何用chatgpt开发项目
如果要开发基于ChatGPT的应用,可能需要经过以下一些步骤:确定应用场景和需求:根据实际应用需要,明确所需的功能和性能指标,选择合适的ChatGPT模型和算法。数据收集和预处理:收集和整理与应用场景相关的数据,进行数据清洗、标注、分割等预处理工作。模型训练和调优:利用ChatGPT模型进行训练,并根据实际应用场景对模型进行调优,以提高模型的准确性和稳定性。模型部署和测试:将训练好的模型部署到应用程序中,并进行相应的测试和验证,确保模型在实际应用中的效果符合预期。
界面设计和开发:设计和开发用户界面,实现用户与ChatGPT模型之间的交互功能,例如输入框、发送按钮、回答区域等。功能优化和改进:持续进行功能优化和改进,针对用户反馈和市场需求进行相应的调整和升级。安全和隐私保护:采取相应的安全和隐私保护措施,确保用户数据和隐私的安全和保密。发布和推广:将应用程序发布到相应的应用商店或网站上,进行推广和宣传,增加用户数量和活跃度。ChatGPT是一种自然语言处理技术,可以用于开发基于文本的对话系统,例如智能客服、知识问答、聊天机器人等应用。ChatGPT可以通过学习大量文本数据中的语义和语法规则,实现对用户问题的理解和回答。具体来说,ChatGPT软件的作用可能包括以下几个方面:自动回答:ChatGPT可以根据用户提出的问题,自动给出相应的回答,从而帮助用户快速获取所需信息。智能对话:ChatGPT不断提高其对话交互能力,实现更加自然和流畅的对话体验,能够模拟人类的对话过程,解决用户提出的问题。个性化定制:ChatGPT可以根据用户需求和场景,提供个性化定制服务,可以根据特定要求优化算法模型或增加特定功能。数据分析和统计:ChatGPT内置数据分析和统计功能,可以对用户的提问和回答情况进行分析和统计,以便更好地了解用户需求并进行相应的改进。跨平台应用:ChatGPT可支持跨平台应用,如微信、钉钉、小程序、APP等多种形式的应用场景,满足多样化的用户需求。
版权声明:本文作者由漫云科技原创文章,著作权归作者所有,转载请告知作者并注明出处