Module 01 · Recurrent Neural Networks
Why Sequence Models?序列模型介绍
欢迎来到深度学习的第五门课程！在本课程中，您将学习序列模型（Sequence Models），这是深度学习领域最令人兴奋的一个方向。像递归神经网络（Recurrent Neural Networks, RNNs）这样的模型已经彻底改变了语音识别、自然语言处理等领域。在本课程中，您将学习如何构建这些模型。
让我们从一些序列模型的应用实例开始，了解它们如何在实际问题中发挥作用。🚀
1. 语音识别
在语音识别任务中，输入是一个音频片段 X，目标是将其映射为文本转录 Y。此时，输入和输出都是序列数据，因为：
- 输入 X 是一个音频片段，随着时间的推移而变化。
- 输出 Y 是一个单词序列。
因此，序列模型（如递归神经网络 RNN）及其变种在语音识别中非常有用。
2. 音乐生成
音乐生成也是一个典型的序列数据问题。在这个问题中，只有输出 Y 是序列，而输入 X 可以为空集，或者是一个单一整数，例如：
- 可能指示要生成的音乐类型，或者
- 可能是指示您希望生成的音乐片段的前几个音符。
此时，输入 X 可以为空或仅为一个整数，输出 Y 则是音乐的序列。
3. 情感分类
在情感分类中，输入 X 是一个序列。例如，给定一段文字：“这个电影一点也不好看”，您需要判断这篇评论的星级评分。这也是一个典型的序列问题。
4. DNA 序列分析
DNA 序列分析是另一个典型的序列数据应用。您的DNA通过四个字母（A、C、G、T）来表示，给定一个DNA序列，您需要判断其中的某部分是否对应某个蛋白质。
5. 机器翻译
在机器翻译中，输入是一个句子，例如：
- "Voulez-vous chanter avec moi?"
您需要将其翻译成另一种语言。
6. 视频活动识别
在视频活动识别任务中，输入是一个视频帧的序列，目标是识别其中的活动。
7. 命名实体识别
在命名实体识别任务中，您将得到一句话，并需要识别出其中的人名或其他实体。
序列问题的多样性
如您所见，这些问题都可以通过监督学习（Supervised Learning）来解决，输入数据 X 和标签数据 Y 构成训练集。
然而，这些序列问题有很多不同的类型：
- 在某些问题中，输入 X 和输出 Y 都是序列，而且有时它们的长度不同。
- 在其他问题中，只有输入 X 是序列，或者只有输出 Y 是序列。
在本课程中，您将学习如何应对这些不同类型的序列问题，并深入探讨序列模型的应用。
课程目标
通过本课程，您将了解到：
- 序列模型在各种任务中的广泛应用。
- 如何构建和训练这些模型，以解决实际问题。
希望这些内容能帮助您对序列模型的应用场景有一个初步的了解。在接下来的课程中，我们将开始定义解决这些序列问题所用的符号与标记法，敬请期待！