NLP 中的 Transfer-learning（迁移学习）探究

迁移学习是机器学习中比较火的一块领域，使用迁移学习可以减少模型的训练数据量，加快训练速度等优点。在学术界和工业界都有很好的应用。迁移学习首先广泛用于图像处理中，近些年才应用到 NLP 领域。也是 NLP 领域中比较新的内容，从 18 年开始 Google、OpenAI、Fastai 都有相应的研究论文。这代表了未来的一个趋势与方向。

本场 Chat 主要围绕 BERT 的原理与使用，首先针对 BERT 模型进行深入剖析，然后从原理到实践逐步进行讲解，最后对 UMLFIT 进行拓展阅读。从解决 TextClassification 这个经典的 NLP 问题为视角，对比分析两者的区别。学习本 Chat 可以拓展读者视野，锻炼读者的代码能力，探讨 NLP 领域最前沿的研究方向。

本场 Chat 内容如下：

1. 了解 BERT 模型结构；
2. 了解 Base-Attention 原理；
3. 深入剖析 Self-Attention；
4. 揭开 Transformer 的奥秘；
5. BERT 案例展示；
6. UMLFIT 与 BERT 解决 TextClassification 的差异。

本 Chat 适合有深度学习经验或者对深度学习有兴趣的读者阅读。

阅读全文: http://gitbook.cn/gitchat/activity/5c6a744fff00d04d11dd9d43

一场场看太麻烦？成为 GitChat 会员，畅享 1000+ 场 Chat ！点击查看