自然语言处理NLP星空智能对话机器人系列：NLP on Transformers 101 Transformers 101 第21章 基于Bayesian Theory的MRC文本理解基础经典模型算法

第21章：基于Bayesian Theory的MRC文本理解基础经典模型算法详解 1，Bayesian prior在模型训练时候对Weight控制、训练速度影响等功能详解 2，Bayesian prior能够提供模型训练速度和质量的数学原理剖析 3，从Word2vec走向GloVe：从Local 信息走向Global+Local信息表示模式 4，GloVe 中的Vector相关性算法 5，GloVe的Co-occurrence matrix解析 6，GloVe的Loss计算 7，神经网络表达信息的三大局限剖析 7，使用Convolutions取代神经网络传统的matrix multiplication操作 8，文本序列的Vector表示及Convolutions的天然契合点分析 9，Parameter sharing背后的数学原理和工程的广泛应用 10，Vector中的参数真的能够很好的表达信息吗？数学原理及工程实践 11，TextCNN架构设计解析 12，CNN-rand数学原理及工程实现 13，CNN-static数学原理及工程实现 14，CNN-non-static数学原理及工程实现 15，CNN-multiple channel数学原理及工程实现 16，处理长短不一的Sentence 17，Kernel设置的数学原理及最佳实践 18，传统模型Attention实现本质：权重分配 19，通过Soft-Search的方式来构建Attention机制及数学原理剖析 20，KQV：Attention-based model based on wei