上，许多重要的任务可以清晰地描述为，在给定一组特定的可用数据的情况下，估计未知事物的概率。比如： • 根据计算机断层扫描（Computed Tomography，CT）肿瘤图像，预测是否为癌症； • 给出一个英语句子，预测正确的法语翻译； • 根据本月的财务报告数据，预测下个月股票的价格； 监督学习的学习过程一般可以分为三大步骤： 1. 从已知大量数据样本中随机选取一个子集，为每个样本获取真实标签。有时，这些样本已有标签（例如， 10., 11., 4., 3., 2., 1.]])) 有时，我们想通过逻辑运算符构建二元张量。以X == Y为例：对于每个位置，如果X和Y在该位置相等，则新 张量中相应项的值为1。这意味着逻辑语句X == Y在该位置处为真，否则该位置为0。 2.1. 数据操作 43 X == Y tensor([[False, True, False, True], [False, False, False • 深度学习存储和操作数据的主要接口是张量（n维数组）。它提供了各种功能，包括基本数学运算、广 播、索引、切片、内存节省和转换其他Python对象。 练习 1. 运行本节中的代码。将本节中的条件语句X == Y更改为X < Y或X > Y，然后看看你可以得到什么样的 张量。 2. 用其他形状（例如三维张量）替换广播机制中按元素操作的两个张量。结果是否与预期相同？ Discussions36

词的最可能的三个选项，然后集束搜 索算法会把结果存到计算机内存里以 便后面尝试用这三个词。 “Jane visite l'Afrique en Septembre.”（法语句 子），我们希望翻译成英语，"Jane is visiting Africa in September".（英语句子） 45 3.Transformer的训练 依据例子训练模型得到的目标概率分布 46 3.Transformer的训练 Transformer

CustomObjectScope() 提供一个无法转义的 _GLOBAL_CUSTOM_OBJECTS 范围。 with 语句中的代码将能够通过名称访问自定义对象。对全局自定义对象的更改会在封闭的 with 语句中持续存在。在 with 语句结束时，全局自定义对象将恢复到 with 语句开始时的状 态。 例子 考虑自定义对象 MyObject (例如一个类)： with CustomObjec

• 如何加入外部信息 • 如何产生个性化答复 总结：三个Bot框架 • IR-Bot（成熟度： ） • 基于检索/排序的流程，历史悠久，技术成熟 • 引入深度学习，计入长效依赖，生成更好的语句表达 • Task-Bot（成熟度： ） • 解决任务型多轮问答 • 深度学习端到端？ • Chitchat-Bot（成熟度： ） • 开域聊天 • 深度学习在NLP里的新舞台 • 通向强人工智能之路？

文本量性完全由不同的编码控制的状态。 对话式文本生成适用于智能客服等任务型和闲聊型机器人等 非任务型人机交互场景，可分类为管道模式及端对端模式。 结构性的文本生成，首先通过注意力机制、多层感知器等系 统进行语句内容预选，对数值、时间等类型数据进行推理。 增强数据间的结构信息。其次通过Transformer等模式结合 上下文进行推导，生成最终文本。 ◼ Transformer架构可分为自回归系列（例如

本书基于清华大学出版社出版的《TensorFlow 深度学习—深入理解人工智能算法》一书 进行二次撰写，代码部分完全基于 PyTorch 进行实现。考虑到本人能力有限、行文仓促，可 以预见地，本书会存在部分语句表达不准确、部分素材尚未创作完成、部分参考引用未能及 时补充、甚至一些错误出现，因此本书以开源、免费地方式发布，希望一方面能够帮助初学 者快速上手深度学习算法，另一方面也能汇聚众多行业专家们的力量，修正测试版中的谬误