深度学习与人类语言处理（Deep learning for Human Language Processing）
李宏毅老师深度学习与人类语言处理课程笔记，请看正文
这门课会学到什么？
- 为什么叫人类语言处理呢？
现在大家熟知的基本都是自然语言处理，那什么是自然语言呢？
在自然中发展出来的用于沟通的语言（例如中文、英文）
自然语言相反的是人造语言：例如编程（Java、python）
人类的自然语言分为两种形态：语音、文字
所以这门课叫深度学习与人类语言处理
大多数自然语言处理课程中语音处理只占了一小部分，是因为语音处理不重要吗？
世界上只有56%的语言可以被写出来，例如闽南语、台语，但不是每个说闽南语的人都会写。文字的书写系统是被创造出来的。所以很多语言机器无法通过文字理解，所以这门课程会用一半的时间讲述语音处理。
- 人类语言有多复杂
一秒钟的声音信号含有16K个采样点，每个采样点有256个可能的值。
古希腊哲学家赫拉克利特说过 "No man ever steps in the same river twice, for it's not the same river and he's not the same man."
没有人可以说同一段话两次，每次的声音信号都不一样
那么文本有多复杂？
有记录的最长英文的句子有13955个词（2014，吉尼斯世界纪录）
然而，，，下一秒吉尼斯世界记录就被破了，xx写“ ”；xx说xx写了“..."
- 一张图告诉你本次课程内容
Model是什么？
老湿说：
硬Train一发是一种信念，是一种梦想，是一种浪漫，是人类亘古以来原始的冲动，总之，没办法一句话解释清楚。
人类语言处理的下一步
2014年seq2seq模型横空出世，可以解决大多数人类语言相关的问题，在拥有目前为止最强武器Deep learning的情况下，人类自然语言处理的下一步在哪里？
这门课程将会关注近三年来的研究，再有了硬train一发后，接下来还有什么技术？
- 语音到文本（语音识别）
传统语音识别，由多个模块构成，组合起来模型很大，2个G
那如果使用端到端的深度学习呢？google的模型只有80M
语音上的seq2seq模型并不是大家所熟知的基于Attention的seq2seq模型，我们会揭开语音seq2seq模型的神秘面纱，看看不同领域的seq2seq模型有什么区别
- 文本到语音（语音合成）
语音合成是怎么做的？训练一个神经网络，输入是文字，输出是语音，然后就没有然后了。。。
Tokuda"每次我开除一个语言学家，语音识别的性能就会提升一点。"
所有的问题都被神经网络解决了吗？
google小姐发生过破音！在输入多个字是正常发音，输入单字时破音了，有想了解的可以去看看 ：https://www.youtube.com/watch?v=EwbTlnUkctM
- 语音到语音
语音到语音什么用呢？
1.语音分离（speech separation)
人类可以从不同说话者中辨别说话人，专注于想要听的说话人；机器可以吗？现在用NN已经可以做到了，仅仅硬train一发
2.声音转化（voice convesion）
让A和B说同一句话，采集很多样本，使用NN硬Train一发就可以了，但是如何想要把我的声音转化成新垣结衣的声音，就不行了，因为我不能把新垣结衣找来，新垣结衣不会说中文啊。所以我们希望的声音转化系统只听过A的声音，B的声音，不一定要念一样的句子，机器也可以把A声音转化为B声音
- 语音到类别
可以用在说话人识别、语音唤醒
需要说出指定唤醒词才可以唤醒它们，但是机器需要不断的收集声音，直到听见唤醒词，所以模型需要尽量小，降低功耗。
- 输入是文本
Bert一脚踢翻了玛利亚之墙
模型越来越大。。。
- 输出是文字
文本生成(Text Generation)
Autoregressive：
句子一定要按顺序生成吗？
Non-autoregressive :
- 输入输出都是文字
机器翻译、文本摘要、聊天机器人、问答系统
直觉上不是文本到文本问题也可以被转化成文本到文本，例如句法分析(systactic parsing)，可以把句法分析树变成文本
这次课程聚焦于问答系统，其他的应用使用的方法都是大同小异。
更多内容
- 元学习
- 参考图像风格转化
- 知识图谱
- 对抗攻击
- 可解释AI
以上就是本次课程涉及的所有内容
语音和文本相爱想杀的故事
reference：
李宏毅老湿. http://speech.ee.ntu.edu.tw/~tlkagk/courses_DLHLP20.html