第21章：基于Bayesian Theory的MRC文本理解基础经典模型算法详解
作者：互联网
1，Bayesian prior在模型训练时候对Weight控制、训练速度影响等功能详解
2，Bayesian prior能够提供模型训练速度和质量的数学原理剖析
3，从Word2vec走向GloVe：从Local 信息走向Global+Local信息表示模式
4，GloVe 中的Vector相关性算法
5，GloVe的Co-occurrence matrix解析
6，GloVe的Loss计算
7，神经网络表达信息的三大局限剖析
7，使用Convolutions取代神经网络传统的matrix multiplication操作
8，文本序列的Vector表示及Convolutions的天然契合点分析
9，Parameter sharing背后的数学原理和工程的广泛应用
10，Vector中的参数真的能够很好的表达信息吗？数学原理及工程实践
11，TextCNN架构设计解析
12，CNN-rand数学原理及工程实现
13，CNN-static数学原理及工程实现
14，CNN-non-static数学原理及工程实现
15，CNN-multiple channel数学原理及工程实现
16，处理长短不一的Sentence
17，Kernel设置的数学原理及最佳实践
18，传统模型Attention实现本质：权重分配
19，通过Soft-Search的方式来构建Attention机制及数学原理剖析
20，KQV：Attention-based model based on weight allocation
21，Local-Attention、Global-Attention、Self-Attention对比及最佳实践
22，基于一维匹配的Attentive Reader架构及数学原理剖析
23，基于二维匹配的Impatient Reader架构及数学原理剖析
24，Multi-Hop机制多次提取更充足信息的Attention实现剖析
25，Multi-Hop机制多次提取更充足信息的TimeStep状态推进剖析
26，Pointer network和Attention机制的对比
27，R-NET：借助pointer network和使用gateway机制的attention实现
28，R-NET的Encoding Layer解析
29，R-NET的Question-Passage Matching解析
30，R-NET的Passage Self-Matching解析
31，R-NET的Answer Prediction解析
32，Fully-Aware Fusion Network提出的MRC的Fusion层次划分解析
33，Fully-Aware Fusion Network中的History-of-word机制来更好的理解语意
34，Fully-Aware Fusion Network的Attention机制解析
35，Fully-Aware Fusion Network的Encoding Layer：GloVe、CoVe、POS、NER等
36，Fully-Aware Fusion Network的Multi-level Fusion解析
37，Fully-Aware Fusion Network的Fully-Aware Self-Boosted Fusion解析
38，Fully-Aware Fusion Network的Output layer解析
39，QA-Net的架构之Embedding Encoder Layer解析
40，QA-Net的架构之Context-Query Attention Layer解析
41，QA-Net的架构之Model Encoder Layer解析
42，QA-Net的架构之Output Layer解析
标签：21,Fully,Attention,Aware,Fusion,数学原理,Bayesian,解析,Theory 来源： https://blog.csdn.net/StarSpaceNLP667/article/details/121551747