之前配置过环境，然后过段时间就忘了，最近又在折腾机器，重新配置环境，跟着网上的教程来，发现走了很多坑，所以记录下。 我的账号是带sudo权限的非root用户，不带sudo权限应该也是可以的。1、准备前期准备主要是版本对应上： cuda和驱动

使用Hugging Face提供的pytorch接口来使用bert，这篇主要记录下BertTokenizer中英文分词情况。 1、准备pip install pytorch-pretrained-bert 2、分词思路BertToken

昨天把这个教程的目录给理出来了，然后今天就想趁着这满腔热情（无心搬砖）把剩下的教程也写了。 对于整个系统，不管具体细节是怎么实现的，是逻辑一定要理清楚，于是这一节主要介绍各个模块的逻辑，为什么要这么做。 首先我简单的画了一个示意图（这叫

貌似很久没有写了，这段时间一直在忙着准备复试，就有点耽误了，好吧，今天继续写。你们的魔鬼又来啦 （什么鬼 在上一篇中，我对整个系统的业务逻辑啰里啰唆的梳理了一遍，如果你被我绕晕了，那也没关系，因为不用看上面那篇也能继续往下走，当你自

今天冷得，我在五月份穿了三件衣服，你敢相信。。。 这篇主要介绍对用户问题的处理，也就是从获取用户问题到明白用户意图这个过程，主要涉及到命名实体识别（这个任务简单，我就用词性标注来代替了），问题分类，以及填充问题模板这几个部分。介绍的时候

啦啦啦，终于快写完了，虽然我也知道并没有写什么实质性的东西，至少我坚持下来啦，后面再慢慢多拧拧，少一些水分。 在上一篇中，主要介绍了如何从接收到的用户问题中抽取关键信息，以及如何识别用户的意图，那么接下来就将介绍在得到了这些信息后，如何

论文搜索： semantic scholar or 谷歌学术 or 谷歌学术搜索按钮插件 NLP论文list: ACL Anthology 第一个国内都可以访问，后面的需要访问国外，如果学校图书馆可以上谷歌学术的话，可以直接使用

平时除了看论文还是看论文，感觉有点无聊，于是嘛就想着搞点东西来玩玩，然后就搞了一个非常简单的基于知识图谱的电影问答系统。系统是用python实现的，大概只花了1天吧，代码也仅有300多行，可以说是很容易上手了。然后在这里也简单的记录下整个

Beam search 算法在文本生成中用得比较多，用于选择较优的结果（可能并不是最优的）。接下来将以seq2seq机器翻译为例来说明这个Beam search的算法思想。在机器翻译中，beam search算法在测试的时候用的，因为在训练

本文主要介绍GA reader模型的基本思想，由论文《Gated-Attention Readers for Text Comprehension》提出，论文直通车 1 论文概述本篇论文的思想其实是很简单的，可以把其看成是AS reader

本文主要介绍AoA reader 的模型结构，由论文《Attention-over-Attention Neural Networks for Reading Comprehension》提出，论文直通车 1 论文概述该论文针对机器阅读理解

（1）论文创新点 这个模型的文章和问题在真正使用时，都是根据前一时刻的隐层状态，动态的表示成一个向量； 在更新状态时，使用了gated机制(虽然看起来有点复杂)。 （2）论文模型模型的整体结构图如下所示：接下来将对该模型上的组成部分做简单