xx2vec
embed
insup/unsup
algorithms used
char2vec
character
sentence
unsupervised
cnn -> lstm
word2vec
word
sentence
unsupervised
annglove
word
sentence
unsupervised
sgddoc2vec
paragraph vector
document
supervised
ann -> logistic regression
image2vec
image elements
image
unsupervised
dnnvideo2vec
video elements
video
supervised
cnn -> mlp
強大的word2vec演算法激發了許多其他的演算法，李在上表中。（對於word2vec的說明，參閱2015spark峰會我的演講.）word2vec是對單詞分配向量的便捷方式，而且響亮是機器學習的貨幣。一旦你向量化你的資料，你可以自由應用任何機器學習演算法。
word2vec能夠通過嵌入的概念關聯到向量。在語料庫中，乙個單詞出現在周圍單詞的上下文，word2vec使用這些同現推斷單詞間的關係。
所有列在上表的xx2vec演算法為x分配向量，x是嵌入在大文字y中。
但是相似之處到此為止。每個xx2vec演算法不僅有專有適合領域，而且使用情形也是不一樣的。例如，doc2vec是監督學習，其他大多數是非監督學習。doc2vec的目標是能夠標記文件，word2vec和其他xx2vec演算法的目的只是**出向量，用於你下一步機器學習和分析。
下面是每個xx2vec演算法的簡要說明。
char2vec執行於字符集，對拼寫錯誤更加寬容，因此可以更好的分析tweets,使用者產品評價等等。
如上所述。還有一點是：它是不合理有效演算法之一。如果你願意可以碰碰運氣。
關於將單詞嵌入一些數學中，而不是從神經網路中抽取權重並盼望其工作,已經取得了一些成就。glove目前是這方面的旗手。模型從一開始支援尋找類似，而不是僅僅在word2vec中碰運氣。
實際上，doc2vec使用word2vec作為第一步。然後從有利於word2vec的單詞向量中對每個句子或段落生成復合向量。復合對段落或句子給出總體背景的某種形式，然後復合向量作為額外單詞插入到句子或段落開始。段落向量和單詞向量使用文件的人工標籤，一起訓練監督學習分類器。
word2vec有意使用乙個淺神經網路，image2vec使用乙個深層神經網路，組合從網路多層的權重所得的結果向量。影象袁術可能由這些權重代表，包括影象片段（草，鳥，籬笆等等），或整體影象質量，比如顏色。
MATLAB中的ind2vec和vec2ind函式
先說容易理解的vec2ind吧，從命令名字上可以看出是 向量變索引 假設乙個3 6的稀疏矩陣t 1,0 1 0 0 1 0 t 2,1 0 1 1 0 0 t 3,0 0 0 0 0 1 通過vec2ind t 將會得到什麼？因為通過矩陣知道t是6列的，t 0 1 0 0 1 0 1 0 1 1 0...
與word2vec 原來word2vec那麼簡單
說到word2vec,它可謂非結構化資料裡面的佼佼者,尤其是在推薦和nlp當中,足以體現它的優勢所在,並且多年一直備受工業界喜愛.那麼word2vec到底是怎麼個原理的,發現身邊總是有很多人問,確不能準確的說出為什麼是兩個矩陣,到底是怎麼自動反向傳播的,以及對於softmax之後那麼大的維度資料,是...
1xx 和 2xx 系列狀態碼
1xx 系列 1xx 系列一般是用在伺服器與 之間，表示一些資訊，這在我們寫服務端程式時並不常用，並且 1xx 系列狀態碼是在 http 1.1 中才加入的，按照 w3c 的說法，除非在實驗性的環境下，不要傳送 1xx 系列狀態碼到使用 http 1.0 協議的客戶端。如果需要了解兩個 1xx 系列...