Как преобразить старое окно
Новая жизнь старых окон - реставрация деревянных рам
Рано или поздно наступает тот момент, когда окна в нашем доме или квартире начинают изнашиваться, что приводит к протеканию воды во время дождя, рассыханию створок и появлению в них трещин и сколов. И хотя кажется, что выход только один – покупка новых металлопластиковых окон взамен прежних, деревянных, не спешите. Всего несколько дней неспешной работы и ваши старые деревянные окна засияют новыми красками и прослужат вам еще не один год.
Итак, реставрация старых деревянных окон… Несмотря на кажущуюся сложность работ, в этом процессе нет ничего такого, чего нельзя было бы сделать самостоятельно, запастись терпением и ознакомившись с теорией. И если терпением эта статья вас не наградит, то знаниями автор поделится уже сейчас.
Сперва давайте определимся, какие именно инструменты и материалы нам понадобятся. Для реставрации старых окон подготовьте: строительный фен, шлифовальную машинку, несколько кистей, морилку и лак для дерева, обыкновенные деревянные штапики взамен старых, уплотнитель для окон и фурнитуру, стекла (по необходимости), несколько шлифовальных кругов для работы с деревом.
Мелкие инструменты, такие как кисти, наверняка есть у вас в хозяйстве; если же они отсутствуют, их легко можно приобрести в любом строительном магазине. Что касается инструментов «посерьезнее», таких как шлифовальная машина и строительный фен, то, учитывая достаточно высокую стоимость последних, рекомендуем взять их напрокат у знакомых или друзей.
Работы начинаются с разборки старых окон. Снимаем створки, откручивая старые болты. Если болты заржавели, помогаем себе смазкой от ржавчины, если же и она не спасает, то маленьким сверлом по металлу аккуратно высверливаем негодные болты.
После того, как створки окна сняты, необходимо их осмотреть. Если они расшатались, разбираем их и, проклеив специальным клеем, собираем обратно до полного высыхания.
Далее необходимо разобрать окно, сняв с него всю фурнитуру, демонтировать штапики, удерживающие стекла, и вытащить стекла. Небольшой совет: как правило, штапики выходят из строя первыми, сгнивая от влаги, поэтому старые штапики откладываем в сторону; в дальнейшем заменим старые штапики новыми.
Разобрав окно, приступаем к его зачистке от слоев старой краски. Для этого строительным феном нагреваем поверхность дерева и шпателем снимаем разогретый слой краски. Есть несколько нюансов, которые обязательно нужно учесть: во-первых, шпатель должен быть слегка затупленный, чтобы во время работы с деревом не поцарапать его; во-вторых, не стоит держать фен над одним участком окна слишком долго, это чревато порчей древесины. Обратите внимание на то, что снять краску можно и шлифовальными кругами, однако, такие круги быстро забьются остатками старой краски, и значит, быстрее выйдут из строя.
Сняв большую часть старой краски, приступаем к шлифованию древесины. Для этого тщательно зачищаем поверхность окна от краски и выравниваем ее; далее с помощью сначала грубой, а потом и мелкой насадок шлифуем окно. Труднодоступные участки окон, например углы в местах стыков обрабатываем вручную наждачной бумагой.
Подготовив должным образом поверхность окон, принимаемся за штапики. Для этого из купленных ранее штапиков нарезаем заготовки нужной нам длины и тонким сверлом просверливаем в них отверстия в местах крепления гвоздей. Не игнорируйте этот шаг, без предварительного просверливания отверстий штапики могут треснуть в момент забивания в них гвоздей.
Далее переходим к покрасочным работам. Обрабатываем морилкой поверхность окон и подготовленные штапики.
После того, как все части окон высохнут, покрываем их несколькими слоями лака, дав каждому слою полностью высохнуть.
Далее собираем все части окон воедино и устанавливаем наши окна на место. В данном случае можно и изменить последовательность действий, сначала собрав окна, а после покрыв их лаком. В таком случае стекла необходимо защитить от брызг лака малярным скотчем.
Что касается штапиков, то вариант с покраской их после установки на окна не подходит, так как штапики покрыть лаком изнутри уже после установки не получится.
Основная работа с реставрацией окон закончена, и поэтому пора сказать пару слов об их утеплении.
Утепление окон выполняется с целью уменьшения теплопотерь в квартире; кроме того, нужным образом утепленные окна обеспечивают более плотное их закрытие и предотвращает появление сквозняков в вашей квартире.
Как утеплить окна? Существует несколько вариантов: утепление с помощью специальной вклеивающейся ленты либо с помощью уплотнителя из резины, вставляющегося в специально сделанные канавки в «теле» окна.
Первый случай является более бюджетным, не требует больших усилий в плане установки; однако он же является и менее долговечным.
Что касается второго варианта, то такой утеплитель безусловно более надежен и долговечен, однако более затратен по стоимости и требует наличия специальных навыков и инструментов для установки; установка его может оказаться не под силу человеку, никогда не занимавшемуся подобным ранее.
Исходя из сказанного выше, рекомендуем воспользоваться первым вариантом, который хотя и не столь надежен и долговечен, однако не принесет вам никаких хлопот в процессе монтажа и защитит ваш дом от холода на несколько лет.
python - как преобразовать данные с помощью скользящего окна по данным временного ряда в Pyspark
Переполнение стека- Около
- Товары
- Для команд
- Переполнение стека Общественные вопросы и ответы
- Переполнение стека для команд Где разработчики и технологи делятся частными знаниями с коллегами
- Вакансии Программирование и связанные с ним технические возможности карьерного роста
- Талант Нанимайте технических специалистов и создавайте свой бренд работодателя
c # - Как применить RenderTransform.TranslateTransform в сетке с помощью раскадровки?
Переполнение стека- Около
- Товары
- Для команд
- Переполнение стека Общественные вопросы и ответы
- Переполнение стека для команд Где разработчики и технологи делятся частными знаниями с коллегами
- Вакансии Программирование и связанные с ним технические возможности карьерного роста
- Талант Нанимайте технических специалистов и создавайте свой бренд работодателя
как преобразовать текст в числа
В области обработки естественного языка мы хотим создавать компьютерные программы, которые понимают, генерируют и, в более общем плане, работают с человеческими языками. Звучит здорово! Но тут возникает проблема: мы, люди, общаемся словами и предложениями; Между тем компьютеры понимают только числа.
По этой причине мы должны сопоставить эти слова (иногда даже предложения) с векторами: просто набором чисел. Это называется векторизация текста , и вы можете узнать больше о ней в этом руководстве для начинающих.Но подождите, не празднуйте так быстро, это не так просто, как присвоить номер каждому слову, гораздо лучше, если этот вектор чисел представляет слова и предоставленную информацию.
Что значит представлять слово? И что еще более важно, как мы это делаем? Если вы задаете себе эти вопросы, я рад, что вы читаете этот пост.
Вложения слов по сравнению с одним горячим кодировщиком
Самый простой способ кодирования слова (или почти всего чего-либо в этом мире) называется горячим кодированием: вы предполагаете, что вы будете кодировать слово из предопределенного набора и конечного набора возможных слов.В машинном обучении это обычно определяется как все слова, которые появляются в ваших обучающих данных. Вы подсчитываете, сколько слов в словаре, скажем, 1500, и устанавливаете для них порядок от 0 до этого размера (в данном случае 1500). Затем вы определяете вектор i-го слова как все нули, за исключением 1 в позиции i .
Представьте, что весь наш словарный запас состоит из 3 слов: обезьяна, обезьяна и банан. Вектор для Monkey будет [1, 0, 0]. Тот, который предназначен для Ape [0, 1, 0].И да, вы угадали: тот, что для банана [0, 0, 1].
Так просто, но работает! Алгоритмы машинного обучения настолько мощны, что могут генерировать множество потрясающих результатов и приложений.
Однако представьте, что мы пытаемся понять, что ест животное, анализируя текст в Интернете, и обнаруживаем, что «обезьяны едят бананы». Наш алгоритм должен понимать, что информация в этом предложении очень похожа на информацию «обезьяны едят фрукты».Наша интуиция подсказывает нам, что они в основном одинаковы. Но если вы сравните векторы, генерируемые одним горячим кодировщиком из этих предложений, единственное, что вы обнаружите, - это отсутствие совпадения слов между обеими фразами. В результате наша программа будет понимать их как две совершенно разные части информации! У нас, людей, никогда не было бы такой проблемы.
Даже когда мы не знаем слова, мы можем догадаться, что оно означает, зная контекст , где оно используется.В частности, мы знаем, что значение одного слова похоже на значение другого слова, если мы можем их поменять местами, это называется распределительной гипотезой.
Например, представьте, что вы читаете, что «Pouteria широко распространена в тропических регионах мира, и обезьяны едят их плоды». Возможно, вы не знали, что такое Путерия, но держу пари, вы уже поняли, что это дерево.
Гипотеза распределения является основой того, как создаются векторы слов, и мы владеем, по крайней мере, частью этого Джона Руперта Ферта, и, эй, это не было бы правильным сообщением о встраивании слов, если бы мы не цитировали его:
слово характеризует компания, которую оно держит - Джон Руперт Ферт
В идеале нам нужны векторные представления, в которых похожих слов заканчиваются аналогичными векторами .Для этого мы создадим плотных векторов (где значениями являются не только нули и единицы, но и любые десятичные числа между ними). Итак, вместо того, чтобы иметь вектор для Monkey , равный [1, 0, 0], как раньше, у нас будет что-то вроде [0,96, 0,55… 0,32], и у него будет размер (количество чисел), который мы выбираем.
Еще лучше, мы хотели бы иметь больше похожих представлений, когда слова имеют некоторые общие свойства, например, являются ли они одновременно множественным или единственным числом, глаголами или прилагательными, или если они оба относятся к мужчине.Все эти характеристики могут быть закодированы в векторах. Именно это и продемонстрировал Word2Vec в 2013 году, изменив поле векторизации текста.
Цели и показатели оценки
Итак, мы хотим, чтобы векторы лучше представляли слова, но что это означает? И как мы узнаем, что у него все хорошо?
Есть два основных способа узнать, как они работают: явные методы и неявные методы.
Явные методы
- Оценка человеком: Первый метод так же прост, как взять несколько слов, измерить расстояние между векторами, сгенерированными для каждого из них, и спросить кого-нибудь, что они думают об этом.Если они лингвисты, тем лучше. Однако это не масштабируемо, требует много времени и требует тысячи, даже миллионов слов каждый раз, когда вы получаете новые векторы.
- Синтаксические аналогии : Как бы глупо это ни звучало, помните, что векторы слов являются векторами, поэтому мы можем их складывать и вычитать. Таким образом, мы генерируем тесты вида « есть, - , есть , так как прогон, - __», затем выполняем операцию есть - есть + запускаем и находим вектор, наиболее похожий на этот результат.Как вы уже догадались, это должен быть тот, кто соответствует , работающему с .
- Семантические аналогии: Они почти такие же, как и синтаксические, но в этом случае аналогии будут больше похожи на « обезьяна - это животное , как банан - __», и мы ожидаем плодов в результате. Мы можем даже провести более сложные аналогии: обезьяна + еда = банан .
Подумайте об этом: если мы можем добиться успеха наших векторов в подобных тестах, это означает, что они фиксируют форму и значение слов.Как будто они понимают слова .
Неявные методы
Но, эй, как бы захватывающе и замечательно это ни звучало, кажется маловероятным, что наличие слов-векторов является реальным решением реальной проблемы. Они всего лишь инструмент, позволяющий делать все крутые и действительно полезные вещи, которые мы можем делать с помощью НЛП.
Итак, неявные методы так же просты, как использование векторов слов в некоторой задаче НЛП и измерение их воздействия. Если они заставят ваш алгоритм работать лучше, они будут хорошими!
Если вы работаете, например, с классификатором анализа тональности, неявный метод оценки будет заключаться в обучении того же набора данных, но с изменением однократной кодировки, вместо использования векторов встраивания слов и измерения повышения вашей точности.Если ваш алгоритм дает лучшие результаты, то эти векторы подходят для вашей проблемы. Кроме того, вы можете обучить или получить новый набор векторов и снова тренироваться с ними, и сравнить, какой из них дает лучшие результаты, то есть они даже лучше для этого случая.
Как вы понимаете, это может быть очень-очень дорого, потому что требует множества экспериментов и тестирования того, что работает лучше. Таким образом, это означает не только создание различных наборов векторов, но и обучение вашего алгоритма с использованием каждого из них (возможно, много раз, так как вы захотите настроить гиперпараметры, чтобы они были справедливыми при сравнении).Это требует много времени и вычислительных ресурсов.
Обезьяна ест банан, чего еще вы хотите? Как создаются словесные векторы?
Что ж, мы знаем, что такое векторы слов, мы знаем, почему они нам нужны, и знаем, какими они должны быть. Но как их получить?
Как мы уже говорили, основная идея состоит в том, чтобы тренировать большой объем текста и фиксировать взаимозаменяемость слов и то, как часто они, как правило, используются вместе. Вам интересно, сколько стоит «много текста»? Обычно это порядка миллиардов слов .
Есть три больших семейства векторов слов, и мы кратко опишем каждое из них.
Статистические методы
Статистические методы работают путем создания матрицы совместной встречаемости. То есть: они устанавливают размер окна N (обычно от 2 до 10). Затем они просматривают весь текст и подсчитывают, сколько раз каждая пара из двух слов находится вместе, то есть их разделяет до N слов.
Скажем для примера, что весь наш обучающий набор состоит только из двух текстов: «Я люблю обезьян» и «Обезьяны и обезьяны любят бананы», и мы установили размер окна N = 2.Наша матрица будет:
| Матрица совместной встречаемости | I | любовь | обезьяны | и | обезьяны | бананы |
| I | 0 | 1 | 1 | 0 | 0 | 0 |
| любовь | 1 | 0 | 2 | 1 | 0 | 1 |
| обезьяны | 1 | 2 | 0 | 1 | 1 | 1 |
| и | 0 | 1 | 1 | 0 | 1 | 0 |
| обезьяны | 0 | 0 | 1 | 1 | 0 | 0 |
| бананы | 0 | 1 | 1 | 0 | 0 | 0 |
Затем вы применяете какой-нибудь метод уменьшения размерности матрицы, такой как разложение по сингулярным значениям и voilà , каждая строка вашей матрицы является вектором слов.Если вам интересно, что такое уменьшение размерности: когда в матрице есть избыточные данные, вы можете сгенерировать меньшую матрицу с почти такой же информацией. Есть много алгоритмов и способов сделать это, обычно все они связаны с поиском собственных векторов.
Однако, как сказал бы Заза Пачулия, нет ничего легкого, и у нас все еще есть некоторые проблемы, которые нужно решить:
- Число совпадений само по себе не является хорошим числом для измерения вероятности совпадения двух слов, потому что оно не учитывает, сколько раз каждое из них встречается.
Представьте себе слова «the» и «обезьяна», их совместное использование в текстах будет очень большим, но это в основном потому, что «the» встречается очень часто (мы его часто используем).
Чтобы решить эту проблему, обычно мы вызываем PMI (Pointwise Mutual Information) и оцениваем вероятности по совпадениям. Подумайте так: p («the») настолько велик, что знаменатель будет намного больше чем числитель, поэтому число будет близко к log (0) = отрицательное число.
С другой стороны, p («обезьяна») и p («банан») не будут даже ближе к p («the»), потому что мы не используем их так часто, поэтому их будет не так много вхождения в тексты.Кроме того, мы найдем много текстов, в которых они встречаются вместе. Другими словами: вероятность совпадения будет высокой, поэтому PMI для «обезьяны» и «банана» также будут высокими.
Наконец, когда два слова встречаются очень мало, результатом будет логарифм, близкий к 0: очень низкое отрицательное число.
- Этот метод PMI приводит к множеству записей журнала (0) (т.е. -∞) (каждый раз, когда два слова не встречаются одновременно). Кроме того, матрица плотная, в ней не так много нулей, что не очень хорошо с вычислительной точки зрения, и помните, что мы говорим о матрице HUGE .
Иногда для решения обеих проблем используют положительный PMI, просто max (PMI, 0). Интуиция, лежащая в основе PPMI, заключается в том, что слова с отрицательным PMI имеют «меньшее, чем ожидалось» совпадение, что не является очень ценной информацией и может быть просто вызвано недостаточным количеством текста.
- Время вычислений для подсчета всего этого очень дорогое, особенно если это делается наивно. К счастью, есть способы сделать это, требуя всего одного прохода через весь корпус для сбора статистики.
Методы прогнозирования
Методы прогнозирования работают, обучая алгоритм машинного обучения делать прогнозы на основе слов и их контекстов. Затем они используют некоторые веса, которые алгоритм узнает для представления каждого слова. Иногда их называют нейронными методами, потому что они обычно используют нейронные сети.
На самом деле использование нейронных сетей для встраивания слов не ново: идея была представлена в этой статье 1986 года. Однако, как и во всех областях, связанных с глубоким обучением и нейронными сетями, вычислительные мощности и новые методы сделали их намного лучше за последние годы.
Первые подходы обычно делались с использованием нейронных сетей и обучения их предсказанию следующего слова в тексте с учетом предыдущих N слов. Здесь важно то, что нейронная сеть обучена лучше справляться с этой задачей, но на самом деле вас не волнует этот результат: все, что вам обычно нужно, это веса матрицы, представляющей слова.
Одним из ярких примеров такого подхода является статья, опубликованная Bengio et. al. в 2003 году вышла очень важная статья в этой области, где для этого использовалась нейронная сеть с одним скрытым слоем.
И затем прорыв, работа, которая поместила встраивание слов в классный статус , тот, которого вы, вероятно, ждали: Word2vec.
Миколов и др. сосредоточились на производительности: они удалили скрытые слои нейронной сети, чтобы они обучались намного быстрее. Это может звучать как потеря «способности к обучению», и на самом деле равно , но тот факт, что вы можете тренироваться с огромным объемом данных, даже с сотнями миллиардов слов, не только компенсирует это, но и доказал свою эффективность. дают лучших результатов .
Кроме того, они представили два варианта обучения и множество оптимизаций, которые применимы к ним обоим. Рассмотрим подробнее каждый:
-
Непрерывный пакет слов (CBOW)
Основная идея здесь состоит в том, чтобы установить скользящее окно размером N, в данном случае, скажем, N равно 2. Затем вы берете огромный объем текста и обучаете нейронную сеть предсказывать слово, вводя N слов с каждой стороны. .
Представьте себе, что у вас есть текст «Обезьяна ест банан», вы попытаетесь предсказать, что слово будет , учитывая, что два предыдущих слова - и обезьяна , а следующие два - едят и а .Кроме того, вы научитесь предсказывать , съев , зная, что четыре окружающих слова: обезьяна , - , - и банан . И продолжай со всем текстом.
И помните, что нейронная сеть очень маленькая, давайте рассмотрим ее шаг за шагом:
В CBOW мы пытаемся предсказать слово «еда» с учетом закодированных векторов контекста. В skip-грамме мы пытаемся предсказать контекст по слову «еда». - Он имеет входной слой, который принимает четыре быстро закодированных слова размерности V (размер словаря).
- Он усредняет их, создавая один входной вектор.
- Этот входной вектор умножается на матрицу весов W (которая имеет размер VxD, а D не меньше размера векторов, которые вы хотите создать). Это дает вам в результате D-мерный вектор.
- Затем вектор умножается на другую матрицу, размер DxV. Результатом будет новый V-мерный вектор.
- Этот V-мерный вектор нормализован, чтобы сделать все записи числами от 0 до 1 и что все они суммируют 1, используя функцию softmax, и это результат.Он имеет в i-м месте предсказанную вероятность того, что i-е слово в словаре окажется посередине для данного контекста.
Вот и все. О, вам интересно, где там векторы слов? Ну, они в той весовой матрице Вт и . Помните, мы сказали, что его размер равен VxD, поэтому строка i является D-мерным вектором, представляющим слово i в словаре.
На самом деле, подумайте, что если бы у вас было только одно слово, используемое в качестве контекста, ваш входной вектор был бы мгновенно закодированным представлением этого слова, и умножение его на W было бы таким же, как выбор соответствующего вектора слов: все имеет смысл, право?
Skipgram - это то же самое, что и CBOW, но с одним большим отличием: вместо того, чтобы предсказывать слово в середине с учетом всех остальных, вы тренируетесь предсказывать все остальные по слову в середине.
Да, зная всего одно слово, он пытается угадать четыре. Я уже давно знаком с word2vec, и эта идея до сих пор поражает меня. Это кажется абсурдным, но, эй, работает! И он действительно работает немного лучше, чем CBOW.
Помимо алгоритмов, word2vec предложил им множество оптимизаций, например:
- Придать больший вес более близким словам в окне.
- Удалите из текстов редкие слова (которые встречаются всего несколько раз).
- Обработка общих пар слов, таких как «Нью-Йорк», как одного слова.
- Отрицательная выборка: это метод сокращения времени обучения. Когда вы тренируетесь с одним словом и контекстом, вы обычно обновляете все веса в нейронной сети (помните, что их много!). При отрицательной выборке вы просто обновляете веса, которые соответствуют фактическому слову, которое должно было быть предсказано, и некоторым другим случайно выбранным словам (предлагается выбрать от 2 до 20 слов), оставляя большинство из них такими, какие они есть. Подробнее об отрицательной выборке, я рекомендую вам прочитать об этом хороший пост в блоге.Отрицательная выборка настолько важна, что вы часто будете встречать алгоритм, называемый SGNS (Skip-Gram with Negative Sampling)
Комбинированные методы
Как обычно, когда два метода дают хорошие результаты, вы можете добиться еще лучших результатов, комбинируя их. В данном случае это означает обучение модели машинного обучения и получение векторов слов из ее весов, но вместо использования скользящего окна для получения контекстов тренируйтесь с использованием матрицы совместной встречаемости.
Самым важным из этих комбинированных методов является GloVe.Они создали алгоритм, который состоит из очень простого алгоритма машинного обучения (взвешенная регрессия наименьших квадратов), который обучается создавать векторы, удовлетворяющие тому, что если вы возьмете вектор из двух слов i и j и умножите их, результат будет следующим: аналогично логарифму записи ij в матрице совпадения, т. е. количеству совпадений для этих двух слов.
Они также делают некоторые оптимизации, например, добавляют вес, чтобы предотвратить редкие совпадения, вызывающие шум, и очень частые, слишком большие искажения цели.
Они создают явные и неявные методы тестирования (помните их?), Чтобы получить действительно хорошие результаты.
5 мифов, которым нельзя верить
Я надеюсь, что к этому времени вы знаете, что такое словесные векторы, как узнать, хорош ли какой-то набор векторов, и иметь хотя бы представление о том, как они создаются.
Но, как обычно бывает, когда что-то получает крутой статус , есть несколько широко распространенных идей, которые я хотел бы прояснить, но которые не соответствуют действительности:
1- Word2vec - лучший алгоритм векторных слов
Во многих смыслах это не так.В самом простом смысле: word2vec - это не алгоритм, это группа связанных моделей, тестов и кода. Они фактически представили в word2vec два разных алгоритма, как мы объясняли ранее: Skip-gram и CBOW.
Кроме того, когда он был впервые опубликован, результаты были определенно лучше, чем современные. Но важно отметить, что они представили, помимо алгоритмов, множество оптимизаций, которые были преобразованы в статистические методы, улучшающие их результаты до сопоставимого (иногда даже лучшего) уровня.В этой замечательной статье объясняется, что это за оптимизации и как они использовались для улучшения статистических методов.
Векторы из 2 слов создаются с помощью глубокого обучения
Это просто неправда. Как вы знаете, если вы вдумчиво прочитали этот пост, некоторые векторы создаются с помощью статистических методов, и в них даже не задействована нейронная сеть, не говоря уже о глубокой нейронной сети.
И, на самом деле, одним из самых важных изменений в методах прогнозирования, внесенных в word2vec, было удаление скрытых слоев нейронных сетей, поэтому было бы неправильно называть эту нейронную сеть «глубокой».
3-словные векторы используются только с глубоким обучением
ВекторыWord отлично подходят для использования в качестве входных данных для моделей глубокого обучения, но это не исключение. Они также отлично подходят для использования в SVM, MNB или почти любой другой модели машинного обучения, о которой вы только можете подумать.
4- Статистические методы и методы прогнозирования не имеют ничего общего друг с другом
Они были созданы по отдельности как разные подходы к проблеме создания векторов, но их можно комбинировать, как мы видели с GloVe, и некоторые методы можно применить к ним обоим.
Фактически было доказано, что Skip-Gram с отрицательной выборкой неявно факторизует матрицу PMI, сдвинутую на глобальную константу. Очень важный результат, поскольку он связывает два мира статистических и прогнозных методов.
5- Существует идеальный набор векторов слов, который можно использовать в каждом проекте НЛП.
Вы добрались до последней части этого поста, поэтому я предполагаю, что вы это уже знаете: векторы слов зависят от контекста, они создаются на основе текста.
Итак, если вы тренировали свои векторы с английскими новостями, вектор football будет аналогичен, скажем, гол, нападающий, полузащитник, вратарь и Mess i. С другой стороны, если вы тренировали свои векторы с помощью американских новостей, вектор футбол будет аналогичен тачдауну, квотербеку, защитнику и Брэди .
Это характеристика, которую необходимо учитывать, особенно при работе с проблемами конкретной предметной области.
Сказав это, одно из самых больших воздействий векторов слов состоит в том, что они действительно действительно хороши при использовании в трансферном обучении: области использования полученных знаний при решении одной проблемы для решения другой. Более того, очень необычно обучать свои векторы с нуля при запуске проекта, в большинстве случаев вы начинаете с набора уже созданных векторов и тренируете их с вашими конкретными текстами.
Заключение
Вложения слов не новость, но прогресс, достигнутый в этой области за последние годы, подтолкнул их к современному уровню НЛП.Не только вычислительная мощность позволила обучать их намного быстрее и обрабатывать огромные объемы текста, но также было создано множество новых алгоритмов и оптимизаций.
В этом посте мы представили основы работы большинства этих алгоритмов, но есть много других хитростей и хитростей, которые необходимо обнаружить. Кроме того, появились новые тенденции, такие как встраивание уровней подслов, реализованное в библиотеке FastText (я говорю вам, мы любим FastText здесь, в MonkeyLearn, это , так что быстро!), Другие библиотеки, такие как StarSpace, и многое другое.
С вложениямислов весело играть, их не так сложно понять и они очень полезны в большинстве задач НЛП, поэтому я надеюсь, что вам понравилось узнавать о них!
Подпишитесь на нашу рассылку новостей
Получайте отличные публикации и руководства по машинному обучению!
.Преобразование- Как реализовать преобразование Арнольда изображения
Переполнение стека- Около
- Товары
- Для команд
- Переполнение стека Общественные вопросы и ответы
- Переполнение стека для команд Где разработчики и технологи делятся частными знаниями с коллегами
- Вакансии Программирование и связанные с ним технические возможности карьерного роста
- Талант Нанимайте технических специалистов и создавайте свой бренд работодателя
