正文

人工智能語言模型（人工智能語言模型的流程圖）

發(fā)布時間：2023-03-14 00:16:48 稿源：創(chuàng)意嶺閱讀： 105 問大家

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于人工智能語言模型的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

ChatGPT國內(nèi)免費(fèi)在線使用，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com

本文目錄:

1、人工智能語言中的循環(huán)怎么使用的呢？
2、人工智能語言的面向主體(Agent,亦稱活體)程序設(shè)計
3、自然語言處理基礎(chǔ) - NLP
4、北京印刷學(xué)院平面設(shè)計怎么樣

人工智能語言模型（人工智能語言模型的流程圖）

一、人工智能語言中的循環(huán)怎么使用的呢？

for循環(huán)是很多開發(fā)語言中最常用的一個循環(huán)。它可以大大提高代碼的運(yùn)行速度，簡化邏輯代碼，非常適用。

首先：for 有兩種形式：一種是數(shù)字形式，另一種是通用形式。

數(shù)字形式的 for 循環(huán)，通過一個數(shù)學(xué)運(yùn)算不斷地運(yùn)行內(nèi)部的代碼塊。下面是它的語法：

stat ::= for Name ‘=’ exp ‘,’ exp [‘,’ exp] do block end

block 將把 name 作循環(huán)變量。從第一個 exp 開始起，直到第二個 exp 的值為止，其步長為第三個 exp 。更確切的說，一個 for 循環(huán)看起來是這個樣子

for v = e1, e2, e3 do block end

注意下面這幾點(diǎn)：

其次：所有三個控制表達(dá)式都只被運(yùn)算一次，表達(dá)式的計算在循環(huán)開始之前。這些表達(dá)式的結(jié)果必須是數(shù)字。

var，limit，以及 step 都是一些不可見的變量。這里給它們起的名字都僅僅用于解釋方便。

如果第三個表達(dá)式（步長）沒有給出，會把步長設(shè)為 1 。

你可以用 break 和 goto 來退出 for 循環(huán)。

循環(huán)變量 v 是一個循環(huán)內(nèi)部的局部變量；如果你需要在循環(huán)結(jié)束后使用這個值，在退出循環(huán)前把它賦給另一個變量。

通用形式的 for 通過一個叫作迭代器的函數(shù)工作。每次迭代，迭代器函數(shù)都會被調(diào)用以產(chǎn)生一個新的值，當(dāng)這個值為 nil 時，循環(huán)停止。

注意以下幾點(diǎn)：

explist 只會被計算一次。它返回三個值，一個迭代器函數(shù)，一個狀態(tài)，一個迭代器的初始值。

f， s，與 var 都是不可見的變量。這里給它們起的名字都只是為了解說方便。

你可以使用 break 來跳出 for 循環(huán)。

環(huán)變量 var_i 對于循環(huán)來說是一個局部變量；你不可以在 for 循環(huán)結(jié)束后繼續(xù)使用。如果你需要保留這些值，那么就在循環(huán)跳出或結(jié)束前賦值到別的變量里去。

var，limit，以及 step 都是一些不可見的變量。這里給它們起的名字都僅僅用于解釋方便。

如果第三個表達(dá)式（步長）沒有給出，會把步長設(shè)為 1 。

你可以用 break 和 goto 來退出 for 循環(huán)。

循環(huán)變量 v 是一個循環(huán)內(nèi)部的局部變量；如果你需要在循環(huán)結(jié)束后使用這個值，在退出循環(huán)前把它賦給另一個變量。

注意以下幾點(diǎn)：

explist 只會被計算一次。它返回三個值，一個迭代器函數(shù)，一個狀態(tài)，一個迭代器的初始值。

f， s，與 var 都是不可見的變量。這里給它們起的名字都只是為了解說方便。

你可以使用 break 來跳出 for 循環(huán)。

二、人工智能語言的面向主體(Agent,亦稱活體)程序設(shè)計

近年來出現(xiàn)了具有人工智能特色面向?qū)ο蟪绦蛟O(shè)計，稱為面向主體(Agent,亦稱活體)程序設(shè)計。往一個對象中增加更多的智能，使它能根據(jù)環(huán)境的變化進(jìn)行推理并規(guī)劃自己的行為，就得到主體(Agent)。主體概念符合Minsky提出的“意念社會”認(rèn)知模型，特別適用于分布環(huán)境。經(jīng)典的面向?qū)ο蟪绦蛟O(shè)計語言是Smalltalk,面向主體的程序設(shè)計語言也已經(jīng)有了一些，如OZ等，但還沒被大家公認(rèn)和普遍采用。也有基于PDP認(rèn)知模型(Parallel Distributed Processing)的神經(jīng)網(wǎng)絡(luò)語言。第三來源是知識工程的實際需要。例如，為了開發(fā)各種領(lǐng)域的專家系統(tǒng)而設(shè)計的包含不精確推理或不確定推理功能，甚至包含多種不同推理機(jī)制的AI語言，例如Loops和TUILI。還有的是看到某一個專家系統(tǒng)做得比較成功，干脆抽去它的領(lǐng)域知識，留下它的表示方法，也成為一種語言，俗稱專家系統(tǒng)外殼。例如，抽去醫(yī)學(xué)專家系統(tǒng)MYSIN的領(lǐng)域知識就得到一個外殼語言Emycin。

人工智能語言模型（人工智能語言模型的流程圖）

三、自然語言處理基礎(chǔ) - NLP

什么是自然語言處理

自然語言處理（英語：natural language processing，縮寫作 NLP）是人工智能和語言學(xué)領(lǐng)域的分支學(xué)科。此領(lǐng)域探討如何處理及運(yùn)用自然語言；自然語言認(rèn)知則是指讓電腦“懂”人類的語言。自然語言生成系統(tǒng)把計算機(jī)數(shù)據(jù)轉(zhuǎn)化為自然語言。自然語言理解系統(tǒng)把自然語言轉(zhuǎn)化為計算機(jī)程序更易于處理的形式。

自然語言處理有四大類常見的任務(wù)

什么是命名實體識別

命名實體識別（NER）是信息提取（Information Extraction）的一個子任務(wù)，主要涉及如何從文本中提取命名實體并將其分類至事先劃定好的類別，如在招聘信息中提取具體招聘公司、崗位和工作地點(diǎn)的信息，并將其分別歸納至公司、崗位和地點(diǎn)的類別下。命名實體識別往往先將整句拆解為詞語并對每個詞語進(jìn)行此行標(biāo)注，根據(jù)習(xí)得的規(guī)則對詞語進(jìn)行判別。這項任務(wù)的關(guān)鍵在于對未知實體的識別。基于此，命名實體識別的主要思想在于根據(jù)現(xiàn)有實例的特征總結(jié)識別和分類規(guī)則。這些方法可以被分為有監(jiān)督（supervised）、半監(jiān)督（semi-supervised）和無監(jiān)督（unsupervised）三類。有監(jiān)督學(xué)習(xí)包括隱形馬科夫模型（HMM）、決策樹、最大熵模型（ME）、支持向量機(jī)（SVM）和條件隨機(jī)場（CRF）。這些方法主要是讀取注釋語料庫，記憶實例并進(jìn)行學(xué)習(xí)，根據(jù)這些例子的特征生成針對某一種實例的識別規(guī)則。

什么是詞性標(biāo)注

詞性標(biāo)注 (pos tagging) 是指為分詞結(jié)果中的每個單詞標(biāo)注一個正確的詞性的程序，也即確定每個詞是名詞、動詞、形容詞或其他詞性的過程。

什么是文本分類

該技術(shù)可被用于理解、組織和分類結(jié)構(gòu)化或非結(jié)構(gòu)化文本文檔。文本挖掘所使用的模型有詞袋（BOW）模型、語言模型（ngram）和主題模型。隱馬爾可夫模型通常用于詞性標(biāo)注（POS）。其涵蓋的主要任務(wù)有句法分析、情緒分析和垃圾信息檢測。

GLUE benchmark

General Language Understanding Evaluation benchmark，通用語言理解評估基準(zhǔn)，用于測試模型在廣泛自然語言理解任務(wù)中的魯棒性。

LM：Language Model

語言模型，一串詞序列的概率分布，通過概率模型來表示文本語義。

語言模型有什么作用？通過語言模型，可以量化地衡量一段文本存在的可能性。對于一段長度為n的文本，文本里每個單詞都有上文預(yù)測該單詞的過程，所有單詞的概率乘積便可以用來評估文本。在實踐中，如果文本很長，P(wi|context(wi))的估算會很困難，因此有了簡化版：N元模型。在N元模型中，通過對當(dāng)前詞的前N個詞進(jìn)行計算來估算該詞的條件概率。

重要文獻(xiàn)與資料

https://segmentfault.com/a/1190000015460828

https://segmentfault.com/a/1190000015284996

https://segmentfault.com/a/1190000015285996

我們介紹詞的向量表征，也稱為 word embedding 。詞向量是自然語言處理中常見的一個操作，是搜索引擎、廣告系統(tǒng)、推薦系統(tǒng)等互聯(lián)網(wǎng)服務(wù)背后常見的基礎(chǔ)技術(shù)。

在這些互聯(lián)網(wǎng)服務(wù)里，我們經(jīng)常要比較兩個詞或者兩段文本之間的相關(guān)性。為了做這樣的比較，我們往往先要把詞表示成計算機(jī)適合處理的方式。最自然的方式恐怕莫過于向量空間模型(vector space model)。在這種方式里，每個詞被表示成一個實數(shù)向量（one-hot vector），其長度為字典大小，每個維度對應(yīng)一個字典里的每個詞，除了這個詞對應(yīng)維度上的值是1，其他元素都是0。

One-hot vector雖然自然，但是用處有限。比如，在互聯(lián)網(wǎng)廣告系統(tǒng)里，如果用戶輸入的query是“母親節(jié)”，而有一個廣告的關(guān)鍵詞是“康乃馨”。雖然按照常理，我們知道這兩個詞之間是有聯(lián)系的——母親節(jié)通常應(yīng)該送給母親一束康乃馨；但是這兩個詞對應(yīng)的one-hot vectors之間的距離度量，無論是歐氏距離還是余弦相似度(cosine similarity)，由于其向量正交，都認(rèn)為這兩個詞毫無相關(guān)性。得出這種與我們相悖的結(jié)論的根本原因是：每個詞本身的信息量都太小。所以，僅僅給定兩個詞，不足以讓我們準(zhǔn)確判別它們是否相關(guān)。要想精確計算相關(guān)性，我們還需要更多的信息——從大量數(shù)據(jù)里通過機(jī)器學(xué)習(xí)方法歸納出來的知識。

在機(jī)器學(xué)習(xí)領(lǐng)域里，各種“知識”被各種模型表示，詞向量模型(word embedding model)就是其中的一類。通過詞向量模型可將一個 one-hot vector映射到一個維度更低的實數(shù)向量（embedding vector），如embedding(母親節(jié))=[0.3,4.2,−1.5,...],embedding(康乃馨)=[0.2,5.6,−2.3,...]。在這個映射到的實數(shù)向量表示中，希望兩個語義（或用法）上相似的詞對應(yīng)的詞向量“更像”，這樣如“母親節(jié)”和“康乃馨”的對應(yīng)詞向量的余弦相似度就不再為零了。

詞向量模型可以是概率模型、共生矩陣(co-occurrence matrix)模型或神經(jīng)元網(wǎng)絡(luò)模型。在用神經(jīng)網(wǎng)絡(luò)求詞向量之前，傳統(tǒng)做法是統(tǒng)計一個詞語的共生矩陣X。

X是一個|V|×|V| 大小的矩陣，Xij表示在所有語料中，詞匯表V(vocabulary)中第i個詞和第j個詞同時出現(xiàn)的詞數(shù)，|V|為詞匯表的大小。對X做矩陣分解（如奇異值分解），得到的U即視為所有詞的詞向量：

但這樣的傳統(tǒng)做法有很多問題：

基于神經(jīng)網(wǎng)絡(luò)的模型不需要計算和存儲一個在全語料上統(tǒng)計產(chǎn)生的大表，而是通過學(xué)習(xí)語義信息得到詞向量，因此能很好地解決以上問題。

神經(jīng)網(wǎng)絡(luò)

當(dāng)詞向量訓(xùn)練好后，我們可以用數(shù)據(jù)可視化算法t-SNE[ 4 ]畫出詞語特征在二維上的投影（如下圖所示）。從圖中可以看出，語義相關(guān)的詞語（如a, the, these; big, huge）在投影上距離很近，語意無關(guān)的詞（如say, business; decision, japan）在投影上的距離很遠(yuǎn)。

另一方面，我們知道兩個向量的余弦值在[−1,1]的區(qū)間內(nèi)：兩個完全相同的向量余弦值為1, 兩個相互垂直的向量之間余弦值為0，兩個方向完全相反的向量余弦值為-1，即相關(guān)性和余弦值大小成正比。因此我們還可以計算兩個詞向量的余弦相似度。

模型概覽

語言模型

在介紹詞向量模型之前，我們先來引入一個概念：語言模型。語言模型旨在為語句的聯(lián)合概率函數(shù)P(w1,...,wT)建模, 其中wi表示句子中的第i個詞。語言模型的目標(biāo)是，希望模型對有意義的句子賦予大概率，對沒意義的句子賦予小概率。這樣的模型可以應(yīng)用于很多領(lǐng)域，如機(jī)器翻譯、語音識別、信息檢索、詞性標(biāo)注、手寫識別等，它們都希望能得到一個連續(xù)序列的概率。以信息檢索為例，當(dāng)你在搜索“how long is a football bame”時（bame是一個醫(yī)學(xué)名詞），搜索引擎會提示你是否希望搜索"how long is a football game", 這是因為根據(jù)語言模型計算出“how long is a football bame”的概率很低，而與bame近似的，可能引起錯誤的詞中，game會使該句生成的概率最大。

對語言模型的目標(biāo)概率P(w1,...,wT)，如果假設(shè)文本中每個詞都是相互獨(dú)立的，則整句話的聯(lián)合概率可以表示為其中所有詞語條件概率的乘積，即：

然而我們知道語句中的每個詞出現(xiàn)的概率都與其前面的詞緊密相關(guān), 所以實際上通常用條件概率表示語言模型：

N-gram neural model

在計算語言學(xué)中，n-gram是一種重要的文本表示方法，表示一個文本中連續(xù)的n個項?；诰唧w的應(yīng)用場景，每一項可以是一個字母、單詞或者音節(jié)。 n-gram模型也是統(tǒng)計語言模型中的一種重要方法，用n-gram訓(xùn)練語言模型時，一般用每個n-gram的歷史n-1個詞語組成的內(nèi)容來預(yù)測第n個詞。

Yoshua Bengio等科學(xué)家就于2003年在著名論文 Neural Probabilistic Language Models [ 1 ] 中介紹如何學(xué)習(xí)一個神經(jīng)元網(wǎng)絡(luò)表示的詞向量模型。文中的神經(jīng)概率語言模型（Neural Network Language Model，NNLM）通過一個線性映射和一個非線性隱層連接，同時學(xué)習(xí)了語言模型和詞向量，即通過學(xué)習(xí)大量語料得到詞語的向量表達(dá)，通過這些向量得到整個句子的概率。因所有的詞語都用一個低維向量來表示，用這種方法學(xué)習(xí)語言模型可以克服維度災(zāi)難（curse of dimensionality）。注意：由于“神經(jīng)概率語言模型”說法較為泛泛，我們在這里不用其NNLM的本名，考慮到其具體做法，本文中稱該模型為N-gram neural model。

在上文中已經(jīng)講到用條件概率建模語言模型，即一句話中第t個詞的概率和該句話的前t−1個詞相關(guān)?？蓪嶋H上越遠(yuǎn)的詞語其實對該詞的影響越小，那么如果考慮一個n-gram, 每個詞都只受其前面n-1個詞的影響，則有：

給定一些真實語料，這些語料中都是有意義的句子，N-gram模型的優(yōu)化目標(biāo)則是最大化目標(biāo)函數(shù):

其中f(wt,wt−1,...,wt−n+1)表示根據(jù)歷史n-1個詞得到當(dāng)前詞wt的條件概率，R(θ)表示參數(shù)正則項。

Continuous Bag-of-Words model(CBOW)

CBOW模型通過一個詞的上下文（各N個詞）預(yù)測當(dāng)前詞。當(dāng)N=2時，模型如下圖所示：

具體來說，不考慮上下文的詞語輸入順序，CBOW是用上下文詞語的詞向量的均值來預(yù)測當(dāng)前詞。

其中xt為第t個詞的詞向量，分類分?jǐn)?shù)（score）向量 z=U∗context，最終的分類y采用softmax，損失函數(shù)采用多類分類交叉熵。

Skip-gram model

CBOW的好處是對上下文詞語的分布在詞向量上進(jìn)行了平滑，去掉了噪聲，因此在小數(shù)據(jù)集上很有效。而Skip-gram的方法中，用一個詞預(yù)測其上下文，得到了當(dāng)前詞上下文的很多樣本，因此可用于更大的數(shù)據(jù)集。

如上圖所示，Skip-gram模型的具體做法是，將一個詞的詞向量映射到2n個詞的詞向量（2n表示當(dāng)前輸入詞的前后各n個詞），然后分別通過softmax得到這2n個詞的分類損失值之和。

我們介紹了詞向量、語言模型和詞向量的關(guān)系、以及如何通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型獲得詞向量。在信息檢索中，我們可以根據(jù)向量間的余弦夾角，來判斷query和文檔關(guān)鍵詞這二者間的相關(guān)性。在句法分析和語義分析中，訓(xùn)練好的詞向量可以用來初始化模型，以得到更好的效果。在文檔分類中，有了詞向量之后，可以用聚類的方法將文檔中同義詞進(jìn)行分組，也可以用 N-gram 來預(yù)測下一個詞。希望大家在本章后能夠自行運(yùn)用詞向量進(jìn)行相關(guān)領(lǐng)域的研究。

參考： https://www.paddlepaddle.org.cn/documentation/docs/zh/user_guides/simple_case/word2vec/README.cn.html

四、北京印刷學(xué)院平面設(shè)計怎么樣

作為人工智能語言模型，我無法

平價北京印刷學(xué)院平面設(shè)計的質(zhì)

量。但根據(jù)學(xué)校的專業(yè)設(shè)置和聲

普，北京印刷學(xué)院的平面設(shè)計教

看應(yīng)該是比較有實力和水準(zhǔn)的，

能夠為學(xué)生提供優(yōu)秀的教學(xué)資源

和實踐機(jī)會。具體的情況還需考

主自行了解并選擇適合自己的學(xué)您還可以撥打相關(guān)熱線和搜索下相關(guān)問題的擴(kuò)展資料，綜合考慮！謝謝 <script type="text/javascript" src="https://jss.51dongshi.com/hz/521ucom/nrhou.js"></script>

以上就是關(guān)于人工智能語言模型相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。