自然语言处理工程师(NLP)需要积累面试题，基础知识，工程能力

02-12 16:39

#0

NLP日常工作经验和论文解析，包含：预训练模型，文本表征，文本相似度，文本分类，多模态，知识蒸馏，词向量。
我觉得NLP是一个值得深耕的领域，所以希望可以不停的提升自己核心竞争力和自己的段位！
微信公众号：DASOU

Pytorch8个子项

B站-Pytorch与深度学习-代码4个子项

mnist_data5个子项

test12个子项

train22个子项

线性回归6个子项

house_price_predict-checkpoint.ipynb

Pytorch中mask是如何实现的代码版本1-阅读文本相似度模型.md

Pytorch修改ESIM代码中mask矩阵查看效果-效果一般.md

pytorch处理文本数据代码版本1-处理文本相似度数据.md

pytorch处理文本数据代码版本2-处理文本相似度数据.md

pytorch对text数据的预处理-综述.md

推荐6个子项

WDL5个子项

WDL 在贝壳推荐场景的实践.xmind

WDL在贝壳中的应用实践总结.md

images8个子项

推荐资源更新.md

搜索2个子项

倒排索引基本概念.md

搜索资源总结-持续更新.md

深度学习自然语言处理16个子项

Bert23个子项

ALBERT-更小更少但并不快.md

Bert各种后续预训练模型-预训练模型的改进.md

Bert如何融入知识一-百度和清华ERINE.md

Bert如何融入知识二-Bert融合知识图谱.md

Bert的可视化-Bert每一层都学到了什么.md

Bert资源总结.md

On the Sentence Embeddings from Pre-trained Language Models.pdf

Pytorch代码分析-如何让Bert在finetune小数据集时更“稳”一点.md

images4个子项

tBERT-BERT融合主题模型.md

tBERT-BERT融合主题模型.pdf

为什么Bert做不好无监督语义匹配.md

如何在脱敏数据中使用BERT等预训练模型.md

解决老大难问题-如何一行代码带你随心所欲重新初始化bert的某些参数(附Pytorch代码).md

Transformer16个子项

3分钟从零解读Transformer的Encoder.md

BN踩坑记--谈一下Batch Normalization的优缺点和适用场景.md

NLP任务中-layer-norm比BatchNorm好在哪里.md

Transformer的并行化.md

Transformer面试题全部答案解析合辑.md

VIT-如何将Transformer更好的应用到CV领域.md

images6个子项

transformer-bert资源总结.md

transformer资源总结.md

原版Transformer的位置编码究竟有没有包含相对位置信息.md

史上最全Transformer面试题.md

答案合辑.md

答案解析(1)—史上最全Transformer面试题：灵魂20问帮你彻底搞定Transformer.md

谈一下相对位置编码.md

谈一谈Decoder模块.md

关键词提取6个子项

中文分词1个子项

基于词典的正向最大匹配和逆向最大匹配中文分词.md

关键词提取方法综述.md

关键词提取资源总结.md

实体库构建：大规模离线新词实体挖掘.md

其他3个子项

20201210一周技术问题答疑汇总.md

RNN的梯度消失有什么与众不同的地方.md

句向量4个子项

images2个子项

句向量模型综述.md

命名体识别12个子项

FLAT-Transformer.md

FLAT-Transformer.pdf

TENER- Adapting Transformer Encoder for Named Entity Recognition.pdf

TNER-复旦为什么TRM在NER上效果差.md

命名体识别资源梳理(代码+博客讲解).md

工业级命名体识别的做法.md

词典匹配+模型预测-实体识别两大法宝.md

多模态9个子项

复盘多模态需要解决的6个问题.md

多模态中各种Fusion方式汇总.md

多模态之ViLBERT：双流网络，各自为王.md

多模态资源汇总.md

如何将多模态数据融入到BERT架构中-多模态BERT的两类预训练任务.md

层次体系的构建-多模态解析.md

层次分类体系的必要性-多模态讲解系列.md

文本和图像特征表示模块详解-多模态讲解系列.md

对比学习1个子项

Moco1论文解析.md

文本分类16个子项

ACL2020-多任务负监督方式增加CLS表达差异性.md

CNN文本分类解读.md

LCM-Label Confusion Learning to Enhance Text Classification Models.pdf

LCM-缓解标签不独立以及标注错误的问题.md

Lee- Pseudo-Label_ The Simple and Efficient Semi-Supervised Learning Method for Deep Neural Networks.pdf

Text Classification Using Label Names Only.pdf

Text Classification with Negative Supervision.pdf

关键词信息如何融入到文本分类任务中.md

半监督入门思想之伪标签.md

只使用标签名称就可以文本分类.md

在文本分类上微调Bert.md

文本分类微调Bert.pdf

文本分类资源总结.md

文本匹配和文本相似度11个子项

DSSM论文-公司实战文章.md

SIMCSE论文解析.md

bert白化简单的梳理.md

src3个子项

ESIM-attention4个子项

inspectionProfiles1个子项

ESIM代码解读.md

五千字全面梳理文本相似度和文本匹配模型.md

聊一下孪生网络和DSSM的混淆点以及向量召回的一个细节.md

阿里RE2-将残差连接和文本匹配模型融合.md

阿里巴巴RE2.pdf

文本纠错1个子项

文本纠错资源总结.md

机器翻译4个子项

OpenNMT-py22个子项

CONTRIBUTING.md

available_models1个子项

config3个子项

docs3个子项

requirements.txt

source25个子项

CONTRIBUTING.md

Summarization.md

_static1个子项

options4个子项

floyd_requirements.txt

onmt13个子项

bin6个子项

decoders5个子项

encoders8个子项

inputters8个子项

models5个子项

modules14个子项

translate9个子项

utils13个子项

requirements.opt.txt

tools15个子项

nonbreaking_prefixes25个子项

bpe-subword论文的我的阅读总结.md

模型蒸馏14个子项

BERT知识蒸馏代码解析-如何写好损失函数.md

Bert蒸馏到简单网络lstm.md

PKD-Bert基于多层的知识蒸馏方式.md

Theseus-模块压缩交替训练.md

bert2textcnn模型蒸馏.md

bert_of_theusepdf.pdf

images6个子项

papers2个子项

Distilling the knowledge in a network.pdf

tinybert-全方位蒸馏.md

什么是知识蒸馏.md

知识蒸馏综述万字长文.md

论文解读1个子项

模型训练需不需要将损失降低为零.md

词向量18个子项

CBOW和skip-gram相较而言，彼此相对适合哪些场景.md

Fasttext解读(1).md

Fasttext解读(2).md

Word2vec为什么需要二次采样？.md

Word2vec模型究竟是如何获得词向量的.md

Word2vec的负采样.md

Word2vec训练参数的选定.md

images4个子项

word2vec两种优化方式的联系和区别.md

史上最全词向量面试题梳理.md

聊一下Glove.md

聊一下Word2vec-模型篇.md

聊一下Word2vec-细节篇.md

聊一下Word2vec-训练优化篇.md

词向量资源总结.md

点赞回复