文章
在没有训练数据的情况下通过领域知识利用弱监督方法生成NLP大型标记数据集
在现实世界中开发机器学习(ML)模型的主要瓶颈之一是需要大量手动标记的训练数据。例如,Imagenet数据集由超过1400万手动标记的各种现实的图像组成。虽然迁移学习的出现极大地缓解了这一要求但是仍然需要数百个标记的示例来进行微调。但是获得此类手动注释通常是耗时的和劳动力密集的,并且容易发生人类
微调大型语言模型示例:使用T5将自然语言转换成SQL语句
将自然语言转换为SQL语句已经不再遥不可及。NLP的进步使得我们不仅可以使用LLM(大型语言模型),还可以通过微调教授他们新的技能,这也被称为迁移学习。可以使用一个预先训练的模型作为起点,然后使用较小的标记数据集从而获得比单独使用数据训练更好的性能。在本文中,我们将使用谷歌的文本到文本生成模型T
斯坦福NLP课程 | 第20讲 - NLP与深度学习的未来
!ShowMeAI研究中心(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/adf720538cc2851be92b562534658ab3.png)作者:韩信子(https://link.segmentfault.
斯坦福NLP课程 | 第19讲 - AI安全偏见与公平
!ShowMeAI研究中心(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/adf720538cc2851be92b562534658ab3.png)作者:韩信子(https://link.segmentfault.
斯坦福NLP课程 | 第18讲 - 句法分析与树形递归神经网络
!ShowMeAI研究中心(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/adf720538cc2851be92b562534658ab3.png)作者:韩信子(https://link.segmentfault.
数据标注丨关于3D点云的这些知识,你知道几个?
点,作为人类感知与认知最原始的概念,是打开人类思维世界的新窗口。欧氏几何学中最简单的图形就是由点构成,点的云集掀开了人类观测世界的新篇章,重构了我们的世界。以地图和影像为代表的二维空间数据表达已经走过了漫长的历史,但远远不能满足人们对现实三维空间认知和地学研究的需求。而随着激光扫描、摄影测量
NLP教程(9) - 句法分析与树形递归神经网络
!ShowMeAI研究中心(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/adf720538cc2851be92b562534658ab3.png)作者:韩信子(https://link.segmentfault.
斯坦福NLP课程 | 第17讲 - 多任务学习(以问答系统为例)
!ShowMeAI研究中心(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/adf720538cc2851be92b562534658ab3.png)作者:韩信子(https://link.segmentfault.
斯坦福NLP课程 | 第16讲 - 指代消解问题与神经网络方法
!ShowMeAI研究中心(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/adf720538cc2851be92b562534658ab3.png)作者:韩信子(https://link.segmentfault.
斯坦福NLP课程 | 第15讲 - NLP文本生成任务
!ShowMeAI研究中心(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/adf720538cc2851be92b562534658ab3.png)作者:韩信子(https://link.segmentfault.
已加载文章中没有匹配内容,试试其他关键词或清空搜索。