自然語言
關注創(chuàng)建者：龍騰AI技術 創(chuàng)建時間：2022-11-10
自然語言的實例教程
?
人工智能 |自然語言生成
人工智能，定義為機器表現(xiàn)出的智能，在當今社會有許多應用。它應用最廣泛的應用之一是自然語言生成。
什么是自然語言生成 （NLG）？
自然語言生成 （NLG） 簡單地意味著從計算機數(shù)據(jù)生成文本。它充當翻譯并將計算機化數(shù)據(jù)轉(zhuǎn)換為自然語言表示。在這種情況下，根據(jù)收集的數(shù)據(jù)和用戶提供的輸入生成結論或文本。它是從機器表示系統(tǒng)生成自然語言的自然語言處理任務。自然語言生成在某種程度上與自然語言理解相反。在自然語言理解中，系統(tǒng)需要消除輸入句子的歧義以產(chǎn)生機器表示語言，而在自然語言生成中，系統(tǒng)需要決定如何將概念轉(zhuǎn)化為文字。
生成文本的過程可以像保留復制和粘貼的現(xiàn)成文本列表一樣簡單。在簡單的應用程序中，例如星座運勢機或個性化商業(yè)信函的生成器，后果可能是令人滿意的。但是，需要一個復雜的 NLG 系統(tǒng)來包括規(guī)劃和合并信息的各個階段，以生成看起來自然且不會變得重復的文本。
簡單 NLG 系統(tǒng)的一個例子是 Pollen Forecast for Scotland 系統(tǒng)，它本質(zhì)上可以是一個模板。NLG 系統(tǒng)以六個數(shù)字作為輸入，這些數(shù)字預測蘇格蘭不同地區(qū)的花粉水平。根據(jù)這些數(shù)字，系統(tǒng)生成花粉水平的簡短文本摘要作為其輸出。
例如，使用 2005 年 7 月 1 日的歷史數(shù)據(jù)，該軟件生成了星期五的草花粉水平已從昨天的中等水平增加到高水平，該國大部分地區(qū)的值約為 6 到 7。然而，在北部地區(qū)，花粉水平將是中等的，值為 4。
展開 自然語言處理 (NLP) 的局限性是什么？
其中之一是改進交互式對話系統(tǒng)中的自然語言處理，其中包括基于知識的對話和對話代理，例如 Siri 或 Alexa —— 我們每天使用的這些助手。然而，在它們能夠像人類一樣做出反應之前，還有很長的路要走。
另一個限制是，大多數(shù)機器學習算法并不打算用于聊天機器人等實時情況，而是用于離線處理具有大量輸入變量和訓練數(shù)據(jù)集的數(shù)據(jù)集 —— 這意味著仍然沒有辦法預測未來事件或每種可能的情況。
我們想通過自然語言處理 (NLP) 實現(xiàn)什么？
科學家們希望創(chuàng)建能夠理解句子的含義和意圖的算法，并且盡可能少地使用單詞。他們打算創(chuàng)建一套算法，能夠掌握句子的含義和意圖，以便從中提取信息。這就是為什么我們想要通過自然語言處理實現(xiàn)的目標仍然沒有限制，只要它支持人類日常生活中的活動。他們說，開發(fā) NLP 對日常生活中的人類有很大幫助。NLP 的發(fā)展背后有一些威脅，但也有很多機會。
自然語言處理幫助人們在日常生活中更流利地說話和閱讀，并讓他們打字的速度比在鍵盤上寫句子的速度更快。但主要威脅之一是，一些專家表示，開發(fā)自然語言處理將使人類失業(yè)，因為他們將被機器取代。
然而，也有人說自然語言處理會給人類帶來前所未有的新工作和機會，因為它太復雜了。
展開 隨著計算機算力的不斷增長，基于機器學習（神經(jīng)網(wǎng)絡）的方法成為了自然語言處理以及計算機圖像識別的新范式。在自然語言處理方面，RNN、LSTM等方法能夠有效提取語言之間的前后順序和相互關系，在機器翻譯、語言生成等任務取得了非常好的效果。在圖像識別、圖像檢測等方面，CNN等方法能夠有效提取圖像之中的模式，刷新了傳統(tǒng)圖像識別方法的效果。
針對自然語言處理（NLP），最常用的是長短期記憶網(wǎng)絡，通常被稱為 LSTM，是一種特殊的 RNN，能夠?qū)W習長期依賴性。LSTM 的關鍵是細胞狀態(tài)，細胞狀態(tài)有點像傳送帶。它貫穿整個鏈條，只有一些次要的線性作用。信息很容易以不變的方式流過。圖示如下所示：
根據(jù)常用數(shù)據(jù)集，通過編程實現(xiàn)，這里通常使用pytorch進行實現(xiàn)，部分代碼如下所示：
訓練過程中，loss不斷降低，如下圖所示：
可以看出啦，與RNN相比，LSTM的loss值更低，能夠有效有效處理長序列等類型的數(shù)據(jù)，廣泛應用在機器翻譯，語言生成等方面的應用。
在圖像處理方面，最常用的是卷積神經(jīng)網(wǎng)絡（CNN），它受到人類視覺神經(jīng)系統(tǒng)的啟發(fā)。能夠有效的將大數(shù)據(jù)量的圖片降維成小數(shù)據(jù)量、能夠有效的保留圖片特征，符合圖片處理的原則。普通卷積神經(jīng)網(wǎng)絡如下所示：
同樣編程實現(xiàn)，部分代碼如下所示：
在訓練過程中可以得到以下結果：
可以看出，訓練過程中，loss值不斷下降，圖像識別率不斷上升，進一步對結果進行可視化，可以加深對卷積神經(jīng)網(wǎng)絡的理解。首先對卷積神經(jīng)網(wǎng)絡學習到的權重進行可視化，可以得到如下圖像：
不難看出，卷積神經(jīng)網(wǎng)絡能夠準確識別出物體，并賦以較高的權重，以影響識別結果。目前卷積神經(jīng)網(wǎng)絡已廣泛應用于圖片分類、檢索、目標定位檢測等領域。
由以上結果可以看出，神經(jīng)網(wǎng)絡逐漸成為了人工智能的代名詞，并在各個領域中取得良好的結果。
展開 原文作者：Adam Geitgey
譯文出自：掘金翻譯計劃
本文永久鏈接：github.com/xitu/gold-m…
譯者：lihanxiang
校對者：FesonX、leviding、sakila1012
計算機如何理解人類的語言
計算機擅長處理結構化的數(shù)據(jù)，像電子表格和數(shù)據(jù)庫表之類的。但是我們?nèi)祟惖娜粘贤ㄊ怯迷~匯來表達的，而不是表格，對計算機而言，這真是件棘手的事。
遺憾的是，我們并不是生活在處處都是結構化數(shù)據(jù)的時代。
這個世界上的許多信息都是非結構化的 —— 不僅僅是英語或者其他人類語言的原始文本。我們該如何讓一臺計算機去理解這些非結構化的文本并且從中提取信息呢？
自然語言處理，簡稱 NLP，是人工智能領域的一個子集，目的是為了讓計算機理解并處理人類語言。讓我們來看看 NLP 是如何工作的，并且學習一下如何用 Python 寫出能夠從原始文本中提取信息的程序。
注意：如果你不關心 NLP 是如何工作的，只想剪切和粘貼一些代碼，直接跳過至“用 Python 處理 NLP 管道”部分。
計算機能理解語言嗎？
自從計算機誕生以來，程序員們就一直嘗試去寫出能夠理解像英語這樣的語言的程序。這其中的原因顯而易見 —— 幾千年來，人類都是用寫的方式來記錄事件，如果計算機能夠讀取并理解這些數(shù)據(jù)將會對人類大有好處。
目前，計算機還不能像人類那樣完全了解英語 —— 但它們已經(jīng)能做許多事了！在某些特定領域，你能用 NLP 做到的事看上去就像魔法一樣。將 NLP 技術應用到你的項目上能夠為你節(jié)約大量時間。
展開 為了構建力學思維空間，需要先解釋描述力學的三種語言。在力學中一個概念或是一個原理，通常都需要用三種語言來描述，它們分別是自然語言、圖形語言和符號語言。所謂自然語言，就是我們平常所說的話，現(xiàn)在我用文字來交流也是自然語言；圖形語言，即用圖形、向量來描述力學；符號語言，即力學的數(shù)學符號體系。
如力學中“應力”的概念，用自然語言來描述，應力是由物體在外載荷、溫度等外部條件改變后，物體內(nèi)部不同部分之間產(chǎn)生的相互作用力而引起的，計算一點處的應力需要利用截面法，先取出過某點的截面，計算該截面趨近于0時截面上內(nèi)力集度，應力有正應力和切應力之分。
如果繪出下面的圖，一個圓截面拉桿，假想過P點做截面，畫出截面A上P點的正應力、切應力。這樣用通過圖像來解釋應力概念的語言稱為圖形語言。在力學中，為了準確描述圖形中的力、截面等量的方向性特點，通常需要借助坐標系，因此，圖形語言也可以稱為幾何語言。
最后來看應力定義的符號語言，即用數(shù)學符號來定義應力，可以稱之為數(shù)學語言，即利用數(shù)學的符號體系來定義應力為：
這就是力學描述的三種語言。比較三種語言，自然語言顯得有些啰里啰嗦，還總覺得難以說到恰到好處，但自然語言和藹親善，講課中給學生“耐心解釋”必然要用自然語言；圖形語言形象直觀，卻存在局限性，圖中以圓桿為例分析應力，從結構而論還可以有方桿、塊體等任意結構形式，由此看來圖形語言就難以做到統(tǒng)領全局。相比之下，只有符號語言簡單明了、高度抽象，統(tǒng)領全局般的解釋了應力概念的內(nèi)涵和精要，然而數(shù)學卻顯得高傲、冷艷，令多少人望而卻步！
正由于這三種語言各有長短，它們必須相互協(xié)作、彼此關照，才能把力學描述清楚。就像空間一點，必須有三個坐標才能唯一確定一樣，描述空間的點，少一個坐標就不準確；描述力學，少一種語言力學就難以完整。
展開 
自然語言的相關專題、標簽、搜索
自然語言的最新內(nèi)容
示例演示：自然語言指令驅(qū)動Abaqus仿真</p><p><strong><em>02.《AI智能體驅(qū)動CST仿真全流程自動化》李瑞鵬</em></strong></p><p>1. 使用 AI 進行本地知識庫智能查詢</p><p>2. 使用 AI 驅(qū)動 CST 自動化建模和仿真</p><p>3.
CATIA使用自然語言，可預測設計意圖并自動執(zhí)行任務，確保您能夠信心十足地啟動每項設計工作，無需從零開始。
廣泛的探索空間
生成式AI打通生成式工程與虛擬孿生技術的應用脈絡，為創(chuàng)新發(fā)展注入強勁動力。這不僅可加速設計探索，同時還能在一體化高效流程中優(yōu)化性能、合規(guī)性與可持續(xù)性。
設計即合理
從設計源頭確保產(chǎn)品的安全性、可靠性以及可制造性。
人工智能：基礎、模型與應用23天前
課程從人工智能的基礎知識開始，包括其含義、特征、類型、核心組件，以及機器學習、深度學習、自然語言處理、計算機視覺和機器人等主要分支。它解釋了人工智能系統(tǒng)如何從數(shù)據(jù)中學習、識別模式、做出預測，并支持跨領域智能決策。學習者還將理解人工智能中使用的不同類型的數(shù)據(jù)，包括結構化、非結構化、半結構化和合成數(shù)據(jù)。
Start Guide: Learn to train and deploy neural network models in Python
2018年12月24日 |ISBN：1789534092 |英文 |160頁 |真實（PDF，EPUB）+代碼 |40 MB
通過構建卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡，深入了解深度學習和PyTorch，適用于圖像分類、遷移學習和自然語言處理等實際應用場景
編輯
答案生成顯示引用文獻
2自然語言驅(qū)動設計：從口述到模型
?
編輯
自然語言繪制CAD模型，支持Web端輕量化預覽
NexAI集成多模態(tài)大模型，允許用自然語言直接生成基礎模型。
自然語言建模：通過NexAI智能體，可以實現(xiàn)自然語言交互的方式，生成FreeCAD模型代碼，并直接進行輕量化展示。
?
參展范圍
人工智能基礎層展區(qū)
AI芯片、IC芯片、算法架構、計算機語言、傳感器、大數(shù)據(jù)、云計算等；智能傳感終端、語音識別、計算機視覺、自然語言處理、知識圖譜、云計算、大數(shù)據(jù)、5G等。
其中，人工智能基礎層展區(qū)集中展示AI芯片、算力中心、傳感器等核心硬件，彰顯國產(chǎn)算力生態(tài)的優(yōu)化完善；技術層展區(qū)聚焦多模態(tài)大模型、計算機視覺、自然語言處理等前沿算法，呈現(xiàn)從“會說話”到“會干活”的技術迭代；應用層展區(qū)則全方位覆蓋AI+工業(yè)、醫(yī)療、教育、政務、智慧城市等全場景落地案例，打破實驗室與產(chǎn)業(yè)場景的邊界，讓科技賦能看得見、摸得著。
作為展會的核心亮點，智能機器人展區(qū)可謂星光熠熠。
參展范圍
人工智能基礎層展區(qū)
AI芯片、IC芯片、算法架構、計算機語言、傳感器、大數(shù)據(jù)、云計算等；智能傳感終端、語音識別、計算機視覺、自然語言處理、知識圖譜、云計算、大數(shù)據(jù)、5G等。
以Claude和Codex為代表的新一代大語言模型，憑借其強大的自然語言理解能力和代碼分析能力，正在重構代碼審計的行業(yè)格局。AI代碼審計能夠?qū)徲嬓侍嵘龜?shù)倍甚至數(shù)十倍，同時顯著降低漏洞遺漏率，成為保障軟件安全、提升開發(fā)質(zhì)量的關鍵技術手段。
該工作流的特點式由新思科技 EDA 智能體協(xié)同處理以下任務：根據(jù)自然語言和形式規(guī)范生成 RTL（寄存器傳輸級）代碼，運行 Lint 檢查以確保 RTL 的整潔性，生成單元級測試平臺（testbench），并最終通過 EDA 工具迭代運行驗證以收斂至目標指標。對于大型 SoC 設計而言，采用傳統(tǒng)方法，這一前端設計過程通常需要一個驗證團隊四到六個月的時間。
