吴恩达深度学习系列课程完结，第五部分学霸笔记了解一下？

大数据文摘作品

吴恩达深度学习系列课程的第五部分更新后，整个课程终于完结。紧随吴老师的步伐，文摘菌邀请到了两位对该领域颇有研究的学者，为大家赶制了课程第五部分内容的笔记，趁着学习热情还未退去，尽快拿下这门课程！

让我们先来回顾一下第五部分课程内容简介：

第一周：循环神经网络RNN

RNN

Gated Recurrent Unit(GRU)

LSTM

第二周：自然语言处理和词嵌入

Word2Vec

GloVe

第三周：序列模型和注意力机制

Beam Search

语音识别

与内容相对，我们的笔记也按课程安排分为三个部分，分别是RNN相关理论介绍、结合Word2Vec和GloVe的应用以及RNN在机器翻译和语音识别等方面的应用。

序列模型

序列模型, 普遍称为RNN(递归神经网络 - Recurrent Neural Network), 做为深度学习中非常重要的一环，有着比普通神经网络更广的宽度与更多的可能性，其应用领域包括但不限于“语音识别”， “自然语言处理”， “DNA序列分析”，“机器翻译”， “视频动作分析”，等等等等... 有这样一种说法，也许并不严谨，但是有助于我们理解RNN，大意是这样的：

普通神经网络处理的是一维的数据，CNN处理的是二维的数据，RNN处理的是三维的数据。

最直观的理解是在CNN对图片的分析基础上，RNN可以对视频进行分析，这里也就引入了第三维“时间”的概念。

RNN模型可以用下图表示：

Word2Vec

Beam Search介绍

鉴于微信呈现方式有限，我们在本文文末仅用图片形式发布部分笔记，希望查看更完整的笔记请点击以下链接前往收藏：

大数据文摘GitHub专栏：

https://github.com/theBigDataDigest/Andrew-Ng-deeplearning-part-5-Course-notes-in-Chinese

大数据文摘CSDN专栏：

Coursera课程链接：

https://www.coursera.org/learn/nlp-sequence-models