Easy-NLP

本课程将带大家通过使用pytorch中的线性层来手搓传统NLP中的RNN, GRU, LSTM和带注意力机制的Seq2Seq模型, 帮助大家理解和入门传统的NLP模型。同时每个神经网络写好后都会结合一个实际的例子, 带大家了解这些模型是怎么训练的,以及如何对数据做预处理。

课程大纲

章节	内容	备注
1. 手搓 RNN	介绍 RNN 并从零开始构建	涵盖基础 RNN 单元结构、前向传播
2. 手搓 LSTM	理解并实现 LSTM 单元	包括遗忘门、输入门、输出门，解释 LSTM 如何改进 RNN
3. 手搓 GRU	GRU 结构及从零实现	重点介绍 GRU 的门控机制及其相较于 LSTM 的效率
4. 手搓 Seq2Seq	构建用于序列预测的 Seq2Seq 模型	涵盖编码器-解码器结构，和注意力机制原理

参与贡献

• 如果你想参与到项目中来欢迎查看项目的 Issue 查看没有被分配的任务✨。
• 如果你发现了一些问题，欢迎在 Issue 中进行反馈🐛。

如果你对 Datawhale 很感兴趣并想要发起一个新的项目，欢迎查看 Datawhale 贡献指南。

贡献者名单

姓名	职责	简介
苏向标	项目负责人	DataWhale 助教, 广州大学
徐韵婉	第1章贡献者	DataWhale 助教,在职
杨卓	第2章贡献者	DataWhale 意向成员, 西安电子科技大学
陈国威	第3章贡献者	DataWhale 意向成员
苏向标	第4章贡献者

关注我们

LICENSE

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。

注：默认使用CC 4.0协议，也可根据自身项目情况选用其他协议