机构名称：
¥ 1.0
学院，印度普鲁切里（Puducherry），在一系列职业中摘要，例如文本输入，图像和识别语音，深度学习的结合已成为处理困难识别工作的重大技术进步，评估对深度学习的多种方式进行了插图研究，这些方法已更改了多种领域，将几个领域的重点放在了尖端技术上。一种强大的深度学习方法表明，以识别目标识别和图像划分的图像的出色功效涉及使用卷积的神经网络。通过转移学习的发展使训练有素的模型可以使用较少的信息部署到进一步的专业职业，从而提高了其效率。文本消息识别以及语言主要发展到深度学习和实例，例如复发性神经网络和长期记忆或系统。这些原型在创建信息，理解环境以及管理自然语言任务中的语言处理范围方面表现出色，包括查询答案，设备解释和评估情感。尽管有限的信息有限，但验证的语言原型的实施仍在文本相关操作的性能方面取得了重大改善。当前，复发性的神经网络用于深度学习进行语音识别，以达到高解释的语音效率以构成文本。关键字：自然语言处理，深度学习，复发性神经网络，卷积神经网络1。深度学习引言人工神经网络模仿人类大脑的结构，是基础深度学习，机器学习的一部分已成为过去十年来人工智能（AI）指数进步的推动力。深度学习算法特别擅长处理大量数据，允许机器直接从原始数据输入（例如文本，语音或图像）中学习，而无需手动功能工程。深度学习的主要创新是其通过多个处理单元或神经元多层学习DT的层次结构表示的能力。这些层逐渐提取更高级别的特征，这就是为什么深度学习对语音识别，自然语言理解和图像识别等合作任务特别有用的原因。
一项关于基于自动提示的多模式转移学习的调查
主要关键词
相关文件推荐
