自然语言处理入门项目 硕士期间攻读深度学习还是自然语言处理好？
硕士期间攻读深度学习还是自然语言处理好？
感觉作者应该问的问题是应该攻读图像处理好还是自然语言处理好（目前深度学习的两大分支）。当然深度学习也不完全包含这两个，比如自然语言处理（NLP）在之前都是用统计学方法处理的，这两年才流行起来用了深度学习。我的研究方向和NLP相关，就重点说说NLP吧。
首先目前深度学习领域有两个最主流的模型CNN和RNN。CNN就是卷积神经网络，通常用在图像处理上，RNN是循环神经网络，自然语言领域用的比较多。作者说攻读深度学习，通常也需要找个小的点来攻读。比方NLP，也是个非常大的概念，在NLP这个大概念下，又有很小的一些方向，比方说问答系统（类似于聊天机器人），文档主题抽取，语音识别，机器翻译等等。还可以应用到其他领域，比如我的方向是利用NLP做安全领域的一些事情，如bug定位，summarize code，漏洞检测等（代码本身也是一种语言）。
接下来说说入门的难度吧，无论自然语言处理也好，图像处理也好，本质上都是把图片或者语句转换成向量，然后对向量做一些处理。既然是转换成向量，就得提到特征提取。个人觉得自然语言处理的提取难度是大于图片的，毕竟语言这种东西还是比较抽象的东西。提取的方法比如说按照词频，高端点的有基于语义的word2vec，但是这种特征再怎么表示，也没有图片的像素点，或者图片二值化以后的特征来的直观明了。
但是NLP无疑是很容易入门的，为什么这么说呢，因为nlp现在有太多太多容易又好用的工具了。比方说word2vec，可以用的工具太多太多，我最常用的就是gensim，基本上所有自然语言处理的算法都有api。如果想要解析语法树，可以用stanford corenlp。其他的很多就是简单的字符串处理。入门可以说很容易，你理解完概念之后就可以上手了。记得我刚入坑的时候，第一个任务是实现14年一篇软工领域顶会的论文，完全是当做字符串处理，看懂论文就直接上手写代码了，都没用api（当然因为代码基础还可以，哈哈，吹个牛）。
但是想深入的话，无论是图像处理还是NLP都是非常难的，但是我觉得，NLP更难。图像处理其实是个比较直观的东西，比如人脸识别，各种识别，很少涉及逻辑理解，但是NLP不一样，很多领域的任务都是基于理解，而且结果也很难评判，比方机器翻译，你生成一句句子，虽说有BLEU这种指标，但是具体好坏，我觉得还是需要人阅读后来衡量的。
比方说上图，是最近研究的一个通过自然语言自动生成代码的一个基于Python ast的RNN（ACL 2017的论文的图），就是根据一句描述，生成代码，没错，我研究的就是那些传说中能取代程序猿的东西（瞎扯淡），生成的东西，根本没有一个评判标准，不像图像，有一个确定的标签，这是个非常主观的东西。
另外通过这张图再说一点，上面这张图看起来很，什么attention Bi-directional LSTM RNN（注意力机制双向长短时记忆循环神经网络），什么基于Python AST（抽象语法树）的生成和应用规则，本质上都是一个RNN，做了一些不同的变种而已
第一次打那么多文字。。。希望能有帮助
有哪些常用的自然语言处理库？
主要有以下六种可以参考：
1、NLTK（自然语言工具包）用于分词、词形还原、词干提取、解析、句法分析、词性标注等任务。该库具备可用于几乎所有 NLP 任务的工具。
2、spaCy 是 NLTK 的主要竞争者。这两个库可用于同样的任务。
3、scikit-learn 提供一个用于机器学习的大型库，包含用于文本预处理的工具。
4、gensim 是用于话题空间建模、向量空间建模和文档相似度的工具包。
5、Pattern 库是作为 web 挖掘模块提供服务的，因此，它也支持 NLP 任务。
6、polyglot 是另一个用于 NLP 的 Python 包。它不是很流行，但也可以用于大量 NLP 任务。
版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。
