前几章

端到端深度学习

47.引入端到端学习

假设您要创建一个系统，该系统可以分析Internet上的产品评论并自动评估该评论者是否喜欢该产品。例如，评论“这是一个伟大的拖把！” 必须被这样的系统认为是非常积极的。而“这种低质量的拖把-我白白买了”的评论则极为消极。

识别正面和负面意见的任务称为“情感分类”。
这样的系统可能看起来像是由两个组件组成的“输送机”：

1. 解析器（parser）：一种使用描述重要单词的信息来注释文本的系统。例如，您可以使用分析器来表示所有形容词和名词。结果是带注释的文本：
   “这是一个很棒的_形容词拖把_名词！”
2. 态度分类器：一种经过训练的算法，可以将带注释的文本作为输入并预测其情感色彩。解析器的注释极大地促进了算法的学习：例如，通过将更多的权重附加到形容词上，该算法迅速调整为有意义的单词，例如“ great”，并忽略了没有含义的单词，例如单词“ this”。

作者的注释：解析器提供了更丰富的文本注释，但是这种简化的描述足以解释深度学习。

您可以按以下方式描述生成的两部分“传送带”：

«» . (​end-to-end learning algorithm​) , « !» , :

(end-to-end learning systems) . «» , , , . «» «».

, . . , , , .

48.

. :

:

1. : , MFCC (- ), , , , .
   : , - , ,
2. . , «». , «k» «keep» — , «c» «cake». .
3. : .

:

«» , . «» .
, :

«» : , ; ; , .

«» . , « » . .
, «», :

, (end-to-end learning) , . , , . .