暂无搜索历史
在前五章中,我们分别掌握了知识表示、图谱构建、图神经网络、神经符号融合以及大模型应用。
在前面的章节中,我们分别掌握了“连接主义”(神经网络、知识图谱)和“符号主义”(逻辑推理)。但这两者就像人类的左脑和右脑,如果各自为战,总有缺陷。
在前两章中,我们学会了如何定义知识和构建知识图谱。但传统的知识图谱是静态的——它像一本死记硬背的百科全书,如果书里没写,它就不知道。
如果说第一章我们了解了“知识表示”的宏观概念,那么第二章我们将进入实战的核心——知识图谱。它是目前人工智能领域最主流、最成功的知识表示形式,也是让机器从“感知智...
欢迎来到知识推理的世界。如果把人工智能比作一个大脑,那么“数据”是感官接收到的信号,“知识”则是经过整理存入记忆的经验和常识,而“推理”就是大脑利用这些记忆去解...
尽管语音处理技术取得了显著进展,但在复杂场景下的表现仍有待提升。远场语音识别、高噪音环境、多人同时说话等场景下,识别准确率仍然面临挑战。这些场景中,语音信号容易...
Hugging Face Transformers:提供wav2vec 2.0、Whisper、VITS等预训练模型
多模态融合是指将语音、文本、图像三种不同模态的信息进行整合、互补,利用各模态的优势,提升模型的性能和应用场景的适配能力。其中,语音提供听觉信息,文本提供语义信息...
ASR、TTS和声纹识别作为语音处理的三大核心技术,各自拥有完整的技术体系和应用场景。通过深入理解其核心技术流程、性能影响因素和主流模型演进,可以更好地设计和优...
语音处理是一门融合信号处理、计算机科学、语言学、声学等多学科的技术,核心是对语音信号进行采集、分析、转换、合成、识别等操作,实现"机器听懂语音""机器说出语音"...
随着自然语言处理(NLP)技术的不断进步,它已经成为人工智能领域中最具活力和发展潜力的方向之一。本章节将探讨当前NLP领域的几个前沿方向及其发展趋势。
本章通过两个工业级 NLP 项目——智能客服问答系统与多模态图文内容生成系统,整合全书所学知识:从需求分析、架构设计、模型选型,到工程实现与部署。我们将采用模块...
在自然语言处理(NLP)项目中,“数据决定上限,模型决定下限”。高质量、大规模、标注精准的数据是构建高性能 NLP 系统的前提。本章将系统介绍 NLP 项目全生...
深度学习框架是构建自然语言处理(NLP)模型的基础设施。目前,TensorFlow/Keras 与 PyTorch 是两大主流选择,它们在设计理念、开发体验和部...
自然语言处理(NLP)的工程落地离不开强大而丰富的 Python 生态系统。从基础数据处理、文本清洗,到词向量训练、预训练模型微调,Python 提供了覆盖全流...
随着人工智能从“单模态感知”迈向“多模态认知”,多模态预训练模型(Multimodal Pre-trained Models) 成为连接语言、视觉、听觉等信息的...
生成式预训练模型(Generative Pre-trained Models)是自然语言处理(NLP)迈向通用人工智能的关键一步。与仅能“理解”语言的判别式模型...
暂未填写个人网址