第一节：语言模型任务回顾 在深入研究复杂的神经网络架构之前，我们首先需要明确：什么是语言模型（Language Modeling）？ 简单来说，语言模型的目标是预测序列中下一个出现的词。假设我们已经有了一个单词序列 x(1), x(2), ... , x(t)，模型的核心任务就是计算在给定这些已知词
第一节：什么是语言模型？ 在自然语言处理（NLP）的广阔领域中，语言模型（Language Modeling） 是最基础且最重要的核心任务之一。简单来说，它的目标是让计算机能够理解和生成人类的语言序列。 1. 核心任务：预测下一个词 语言模型的核心任务非常直观：给定一段已经出现的词序列，预测下一个可
第一节：绪论——优化算法在神经网络训练中的核心地位 在深度学习的范畴内，模型训练的本质是一个在大规模参数空间内寻找最优解的非凸优化问题。优化器（Optimizer）作为连接模型架构与数据特征的桥梁，其核心任务是通过计算损失函数 L 对模型参数 θ 的梯度，利用特定的更新规则使目标函数最小化。
一、 引言：深度神经网络中的过拟合风险与正则化策略 在深度学习领域，模型的泛化能力（Generalization Ability）是衡量算法优劣的核心指标。随着网络深度的增加和参数量（Capacity）的指数级增长，深度神经网络展现出了极强的函数拟合能力。然而，这种强大的表达能力往往是一把双刃剑：当
第一节：句式结构的两种视野 在自然语言处理中，理解一个句子不仅仅是识别每个词的意思，更重要的是理解这些词是如何组合在一起表达完整语义的。目前主流的句法分析主要有两种视角：成分句法分析和依存句法分析。 1. 成分句法分析 (Constituency Parsing) 成分句法分析又被称为短语结构语法（
第一节：计算图定义 在深度学习中，软件并不是直接处理一长串复杂的数学公式，而是将神经网络的方程式表示为一张“图”。这种表达方式不仅让复杂的运算变得直观，更是自动求导技术的基础。 1. 什么是计算图？ 计算图（Computation Graph）是数学表达式的一种图形化表示。在这种结构中： 源节点（S
第一节：从并行逻辑回归到神经网络 1. 神经网络的本质 很多人初学神经网络时会觉得它是一个复杂的“黑箱”，但从数学视角来看，神经网络并不是某种全新的魔法。本质上，一个神经网络可以看作是同时运行的多个逻辑回归。 当我们审视一个简单的单层结构时，它执行的操作与逻辑回归高度相似：对输入特征进行加权求和，然
第一节：NLP 分类任务的本质挑战 在自然语言处理（NLP）的演进过程中，我们始终在解决一个核心矛盾：语言的离散符号本性与语义的连续复杂性之间的冲突。 从离散符号到分布式表示 早期的 NLP 依赖于独热编码（One-hot encoding），这种方式将单词视为孤立的符号，无法捕捉词与词之间的相似性
第一节：机器如何“理解”语义？ 在深度学习统治自然语言处理（NLP）之前，计算机看待单词的方式非常简单：每一个词都被视为一个孤立的符号。通常我们使用 One-hot 编码，即给每个词一个极长的向量，其中只有一个位置是 1，其余全是 0。 但这种方法有一个致命的缺陷：它无法表达词与词之间的关系。在 O
第一节：计算机如何理解“意义”？ (How do we represent meaning?) 在深入研究复杂的算法之前，我们需要先思考一个哲学问题：什么是“意义”（Meaning）？ 1. 语言学中的“意义” 根据《韦伯斯特词典》的定义，意义通常指一个词、短语所代表的“思想”（Idea）。在传统
