罗马音转换器(中文罗马音在线翻译器)

这篇文章是用来在面试的时候向面试官吹牛的。我在天津找工作面试一个深度学习的职位。10个面试官中有9个半不知道这种转导是干什么用的。

转导或转导学习是应用机器学习中的一个术语。经常与递归神经网络一起用于序列预测，也可以处理与自然语言相关的问题。

什么是Transduction(转导)？

韦氏词典(在线)，2017

转换:将(某物，如能量或信息)转换成另一种形式基本感觉器官将物质能量转换成神经信号。

它是电子和信号处理领域的一个流行术语，其中“换能器”是将声音转换为能量或反之的组件或模块的总称。

数字信号处理揭秘，1997

所有信号处理都始于输入传感器。输入传感器接收输入信号，并将其转换为电信号。在信号处理应用中，发射机可以有多种形式。输入发射机的一个常见例子是麦克风。所有信号处理都从输入传感器开始。输入传感器接收输入信号并将其转换成电信号。在信号处理应用中，传感器可以采取多种形式。输入传感器的一个常见例子是麦克风。

在生物学，尤其是遗传学中，转导是指一种微生物将遗传物质转移到另一种微生物的过程。

韦氏词典(在线)，2017

转换:转换的行为或过程；特指:通过病毒媒介(如噬菌体)将遗传物质从一种微生物转移到另一种微生物。转导:转导的行为或过程；特别是，遗传物质通过病毒媒介(如噬菌体)从一种微生物转移到另一种微生物。

所以，一般来说，我们可以看到，转导就是信号转换成另一种形式。

对信号处理的描述是最突出的，其中声波被转换成电能用于系统中的一些用途。在选定的采样水平上，每种声音都由一些电气特性来表示。

Transductive learning（直推式学习）

或者换能学习用在统计学习理论领域，指的是对给定领域的一个具体例子的预测。

统计学习理论的本质，1995

归纳法，从给定的数据中推导出函数。演绎，为感兴趣的点导出给定函数的值。转换，从给定数据中导出感兴趣点的未知函数值。归纳，从给定的数据中推导出函数。推导，推导出给定函数值的兴趣点。转导，从给定的数据中推导出感兴趣点的未知函数值。

归纳、演绎与转换的关系

从统计学习理论的本质看归纳、演绎和转换的关系。

对于监督学习来说，这是一个有趣的框架，其中“从数据中逼近映射函数并使用它进行预测”的经典问题被认为比需要的更困难。相反，特定的预测是直接从领域中的真实样本中做出的。不需要函数近似。

统计学习理论的本质，1995

在给定的兴趣点估计函数值的模型描述了一个新的推理概念:从特殊到特殊。我们称这种推理为直推式推理。请注意，当一个人想要从有限的信息量中获得最佳结果时，这个推理的概念就出现了。估计给定兴趣点函数值的模型描述了一个新的推理概念:从特殊到特殊。我们称这种推理为转导推理。请注意，当人们希望从有限的信息量中获得最佳结果时，就会出现这种推理概念。

转导算法的一个经典例子是k-最近邻算法，它不需要对训练数据进行建模，而是在每次需要预测的时候直接使用。

通过转换学习》1998年

转导自然与一组被称为基于实例或基于案例的学习的算法相关。也许，这类算法中最广为人知的就是k近邻算法了。转导自然与一套叫做基于案例或案例学习的算法有关。也许这一类中最著名的算法是k-最近邻算法。

语言学的转导

传统上，在谈论自然语言时使用转导，例如在语言学领域。

例如，“转换语法”的概念指的是将一种语言的例子转换成另一种语言的一套规则。

自然语言处理手册，2000

转换语法描述了一对结构相关的语言。它生成句子对，而不是句子。语言1句子是语言2句子的翻译。转换语法描述了一对结构相关的语言。它生成句子对，而不是句子。语言句子是(打算是)语言句子2的翻译。

还有来自计算理论的“有限状态转换器”(FST)的概念，在谈到将一组符号映射到另一组符号的翻译任务时调用。重要的是，每个输入都会产生一个输出。

统计机器翻译2010

多个状态的最终状态发送器一致性。当在状态之间转换时，输入符号被消耗，输出符号被发出。有限状态转换器由多个状态组成。在状态之间转换时，输入符号被消耗，输出符号被发出。

当谈论理论和经典机器翻译时，这种转导的使用使得当在自然语言处理任务上使用递归神经网络进行现代序列预测时该术语的使用带上了色彩。

序列预测中的转导

在他关于语言处理神经网络的教科书中，Yoav Goldberg将转换器定义为NLP任务的特定网络模型。

一个传感器被狭义地定义为一个模型，它为提供的每个输入时间步长输出一个时间步长。这映射到语言用法，尤其是有限状态转换器。

自然语言处理中的神经网络方法，2017

另一种选择是将RNN视为一个传感器，为它读入的每个输入产生一个输出。另一种选择是将RNN视为一个传感器，并为它读取的每个输入生成一个输出。

他为序列标记和语言建模提出了这个模型。他接着指出，条件生成(例如，使用编码器-解码器架构)可能被视为RNN转换器的一个特例。

最后一点令人惊讶，因为编码器-解码器模型架构中的解码器允许给定的输入序列有不同数量的输出，打破了“一个输入一个输出”的定义。

跨神经网络训练图，取自自然语言处理中的神经网络方法。

更一般地，转导用于NLP序列预测任务，尤其是翻译。这些定义似乎比Goldberg和FST严格的每个输入一个输出要宽松。

例如，Ed Grefenstette等人将转换描述为将输入字符串映射到输出字符串。

2015年，学习利用无限记忆进行转换

许多自然语言处理(NLP)任务可以被视为转换问题，即学习将一个字符串转换成另一个字符串。机器翻译是转导的一个典型例子，最近的结果表明，De Epns具有编码长源串并产生连贯翻译的能力。许多自然语言处理(NLP)任务可以被视为转导问题，即学习将一个串转换成另一个串。机器翻译就是换能的典型例子。最近的结果表明，深RNN可以编码长源字符串，并产生连贯的翻译。

他们继续提供一些特定的NLP任务的列表，这些任务有助于使这个宽泛的定义具体化。字符串转换是自然语言处理中许多应用的核心，从姓名音译和拼写纠正到机器翻译。

Alex Graves也使用transformation作为transformation的同义词，并且还提供了一系列符合定义的样本NLP任务。

递归神经网络的序列传输，2012

字符串转换是自然语言处理中许多应用的核心，从姓名音译和拼写纠正到信息形态学和机器翻译。许多机器学习任务可以表示为输入序列到输出序列的转换或转换:语音识别、机器翻译、蛋白质二级结构预测、文本到语音转换等等。

总之，我们可以将转换自然语言处理的任务列表重述如下:

音译，以源形式给出示例，以目标形式产生单词。拼写更正，根据错误的单词拼写产生正确的单词拼写。曲折变化词法（Inflectional Morphology） ，在给定源序列和上下文的情况下产生新序列。机器翻译，在给定源语言示例的情况下，以目标语言生成单词序列。语音识别，在给定音频序列的情况下生成文本序列。蛋白质二级结构预测，在给定氨基酸输入序列（非 NLP）的情况下预测 3D 结构。Text-to-Speech或语音合成，产生给定文本序列的音频。

最后，一些新方法被明确命名为NLP问题和RNN序列预测模型的转换概念。Navdeep Jaitly等。他们新的RNN序列到序列预测方法被称为“神经转换器”。从技术上讲，用于序列间预测的RNN也是如此。

2016年的《一个神经输送器》

我们提出了一个神经转换器，一个更一般的序列到序列学习模型。当输入块到达时，神经传感器可以产生输出块(可能是零长度)——从而满足“在线”的条件。该模型通过使用实现序列到序列模型的换能器RNN为每个块生成输出。我们提出了一个神经转换器，一个更一般的序列到序列学习模型。神经递质可以在输入块到达时生成一个输出块(可能长度为零)——从而满足“在线”的条件。该模型通过使用实现序列到序列模型的转换器RNN为每个块生成输出。

#深度学习#自然语言处理# # Python #