神经网络方法的范式——paradigm_paradigm csdn

神经网络的范式(paradigm)

总结nlp各种任务，基本都可以用一个范式来概括,那就是分类，本人总结看过的nn论文，目前看到的所有的任务nn虽然各有不同，但是最终都回归到各种粒度的分类上面。也就是说我们现在的模型本质上都是在做分类，如果说有大佬可以举出反例欢迎讨论。

Paradigm ： Y = softmax(Nerual network(X,W)) 或者 sigmoid(Nerual network(X,W)), X是输入的文本图像视频语音，W式是学习的参数，Nerual Network是我们搭建的模型比如rnn,lstm,cnn,bert等等，Y是预测的目标对应概率，实际上就是做一个分类。

Token level的分类

1. NLG系列任务
2. 阅读理解
3. 序列标注
4. Word2vec/bert
5. 基于实体的情感分类
6. 语音识别

Sentence level的分类

1. 语义匹配
2. 相似度匹配
3. 句子分类

Document level

1. 文档分类

Pixel level的分类，像素级别的分类

1. 目标检测
2. 语义分割
3. 实例分割

Picture level的分类

1. 图片分类

Video level的分类

1. 视频分类