自然语言处理终极方向：深度学习用于自然语言处理的5大优势

持续改进

NLP的深度进修的另一个承诺是，在挑衅性问题上持续快速改进。

在《天然说话处理与深度进修》讲座第一讲中，Chris Manning表示，深度进修的办法很受迎接，因为它们很管用。他说，“深度进修对大年夜多半仁攀来说如斯令人高兴的┞锋正原因是，它确切管用。“

他强调，深度进修的初步结不雅令人印象深刻。深度进修在语音范畴的表示比以前30年中任何其他办法的表示都更好。

Chris 提到，深度进修带来的不仅是最先辈的结不雅，并且是赓续改进的进步速度。他说，”……在以前的六七年中，异常令人赞叹的是，深度进修办法一向在赓续改进，并以惊人的速度变得更好。我其实想说，这是前所未竽暌剐的，我看到这个范畴飞速地进展，每个月都邑推出更好的办法。“

端对端模型典范诺

深度进修的最终承诺是，开辟和练习天然说话问题的端对端模型才能，而不是为专门模型开辟流程。

端对端模型不仅能改进模型的机能，也能带来更好的开辟速度和简洁性。

神经机械翻译(简称NMT)是指，测验测验进修将一种说话翻译成另一种说话的大年夜型神经收集。传统上，这是由一系列手工调剂的模型构成的流程来处理的，而流程中的每个模型都须要专业说话常识。

Chris Manning 在斯坦福大年夜学NLP深度进修课程第十讲《神经机械翻译和留意模型》中描述了这一点。他说：”神经机械翻译是指，我们想要做的是构建一个大年夜型神经收集，在这个收集中我们可以对练习全部端到端机械翻译过程并进行优化。……这种远离人工定制模型、朝向端到端、序列到序列猜测模型的趋势，一向是语音识其余趋势。如许做的体系被称为NMT (神经机械翻译)体系。

设计端到端模型，而非为专门体系设计流程，这也是语音识其余一个趋势。

在斯坦福NLP课程第十二讲《语音处理的端到端模型》中，今朝就职于Nvidia的 NLP研究察Navdeep Jaitly强调，语音识其余每个构成部分都可以用神经收集来代替。主动语音辨认流程中的几大年夜组块是语音处理，声学模型，发音模型和说话模型。问题是，每个组块的属性和缺点类型是不合的。这激发了开辟一个神经收集来端到端地进修全部问题的须要。

天然说话处理深度进修收集的类型

深度进修是一个很大年夜的进修范畴，并不是它的所有内容都与天然说话处理相干。

哪些类型的深度进修模型能晋升机能?进修者在具体优化办法上很轻易陷入泥沼。

大年夜较高层次看，深度进修中有5种办法在天然说话处理中应用最为广泛。

他们是：