Apr, 2019

NeuronBlocks: 像玩乐高一样构建你的自然语言处理深度神经网络模型

PDF
TL;DR本文介绍了一种名为 NeuronBlocks 的 NLP 深度神经网络工具包，提供了一个包括多个模块的模型构建方式，并通过简单的 JSON 配置文件实现模型的构建、训练和测试，并在 GLUE、WikiQA 和 CoNLL-2003 数据集上进行的实验证明了 NeuronBlocks 的有效性。
deep neural networksnatural language processingnlp toolkitneuronblocksjson files
发现论文，激发创造
  • 用于创建深度学习模型的可视化编程工具

    本文介绍了 DeepBlocks 可视化编程工具，它可以帮助深度学习开发者在不需要使用特定编程语言的情况下设计、训练和评估模型，结果表明该工具可以帮助开发者可视化设计复杂的深度学习架构。

    Mar, 2023

  • 深度自然语言处理模型的神经元分析 NeuroX 库

    NeuroX 是一个开源的工具包，提供统一的 API 接口和数据处理评估框架，方便研究人员和实践者进行神经元分析，从而深入了解知识表示和神经元在网络中的作用，并实现 AI 的可解释性。

    May, 2023

  • 自然语言理解的多任务深度神经网络 Microsoft 工具包

    MT-DNN 是一种基于 PyTorch 和 Transformers 的自然语言理解工具包，支持深度学习模型的个性化训练，使用多种目标和文本编码器，并具有鲁棒性和可迁移性的多任务学习方法，支持多任务知识蒸馏。MT-DNN 已在一系列 NLU 应用中展示了其效果。

    Feb, 2020

  • 深度学习的框架：Blocks 和 Fuel

    介绍了两个 Python 框架 Blocks 和 Fuel 用于训练大型数据集上的神经网络模型，其中 Blocks 基于 Theano 支持 CUDA 加速，提供了多种辅助训练神经网络的工具，而 Fuel 提供了标准格式的机器学习数据集，可以快速迭代和处理数据。

    Jun, 2015

  • DropNeuron：简化深度神经网络结构

    本研究提出了一种通过网络结构正则化来优化深度神经网络的新方法，在训练过程中简化神经网络可以在合理的计算时间内实现良好的性能，该方法在稀疏线性回归、深度自编码器和卷积神经网络等方面证明了出色的性能。

    Jun, 2016

  • 文本分类的模型混合

    本文旨在通过将深度神经网络 (LSTM) 模型的知识提取到基于卷积神经网络 (CNN) 的模型中，来降低自然语言识别任务（如文本分类）中的推理时间，以实现模型的简化、压缩和加速。

    Aug, 2022

  • 自然语言处理的图神经网络综述

    本研究综述了基于图形神经网络在自然语言处理中的应用，并提出了一个新的分类（基于图构建、图表示学习和基于图的编码器 - 解码器模型），同时介绍了许多利用 GNN 的 NLP 应用程序，并总结了相应的基准数据集、评估指标和开源代码；最后，讨论了利用 GNN 进行 NLP 的各种未解决问题以及未来的研究方向。

    Jun, 2021

  • LegoNN: 构建模块化编码器 - 解码器模型

    描述了 LegoNN 过程，它通过重新使用 decoder 模块来构建 encoder-decoder 结构，从而实现在各种机器翻译和语音识别任务中的重复使用，同时引入了一种模态不可知编码器来提高其可移植性。实验证明 LegoNN 模型的有效性。

    Jun, 2022

  • 通过示例学习积木塔的物理直觉

    探索深度前馈模型对婴幼儿木制积木玩具的直觉物理学习能力的研究，并运用三维游戏引擎创建稳定性随机的木制积木小塔并在其坍塌或保持竖直状态的情况下识别积木轨迹，训练大型卷积神经网络模型以准确预测结果，及在新的物理场景和真实木质积木的图像中进行泛化。

    Mar, 2016

  • 利用逻辑规则开发深度神经网络

    这篇论文提出了一种深度学习和逻辑规则相结合的通用框架，能够将逻辑规则的结构信息转移至神经网络的权重中，有效地提高了 CNN 和 RNN 的性能，适用于情感分析和命名实体识别等多个领域。

    Mar, 2016