深度学习：用于情感分析和翻译的NLP 2025
使用Tensorflow和Huggingface Transformers掌握并部署情感分析与机器翻译解决方案
学习内容：
* Tensorflow中的张量和变量基础知识
* 从零构建线性回归、逻辑回归和神经网络
* 使用Tensorflow 2训练神经网络
* 模型部署（Onnx格式、量化、Fastapi、Heroku云）
* 使用循环神经网络、注意力模型和Transformers进行情感分析
* 使用循环神经网络、注意力模型和Transformers进行神经机器翻译
* 使用Huggingface Transformers中的T5进行神经机器翻译
* 注意力网络与从零构建Transformer模型
课程内容主题：
* 引言（课程概述、代码链接）
* 张量与变量（初始化、索引、数学运算、稀疏张量等）
* 使用Tensorflow构建神经网络（线性回归、误差计算、训练优化）
* 文本预处理（标准化、分词、TF-IDF、嵌入）
* 使用RNN进行情感分析（LSTM、GRU、1D卷积）
* 使用Word2vec进行迁移学习与嵌入可视化
* 使用RNN、注意力机制进行机器翻译（BLEU评分计算）
* 使用Bahdanau注意力模型进行机器翻译
* 使用Transformer模型进行情感分析与机器翻译（自定义注意力层、注意力分数可视化）
* 模型部署与云服务集成（Fastapi、Heroku）
课程要求：
* 基础数学知识
* 可访问互联网（使用Google Colab免费版）
* Python基础编程能力
课程详细描述：
* **课程目标**：掌握深度学习在自然语言处理中的核心应用，包括情感分析与机器翻译的全流程开发与部署。
* **核心技术**：
– 使用Tensorflow 2和Huggingface Transformers构建高性能模型
– 从零实现RNN、LSTM、GRU、Transformer等经典算法
– 应用Word2vec、BERT、Deberta、T5等预训练模型进行迁移学习
– 实现注意力机制、BLEU评分计算及模型量化优化
* **实践内容**：
– 文本预处理（分词、TF-IDF、嵌入）
– 情感分析模型开发（RNN、Transformer）
– 机器翻译系统构建（RNN+注意力、Transformer）
– 模型部署到云平台（Fastapi、Heroku）
* **适用人群**：
– 希望掌握深度学习在NLP领域应用的Python开发者
– 想深入理解Transformer等前沿模型原理的NLP从业者
– 需要部署机器学习模型的工程师或数据科学家
* **课程特色**：
– 从基础到高级的完整知识体系
– 结合实战项目（情感分析、机器翻译）
– 提供模型优化与云部署的完整解决方案
– 支持Huggingface Transformers等主流工具链
