如何训练整篇文章中的重点的话？（二）

　　如何训练整篇文章中的重点的话？（二）

　　可采集文章标题和摘要。如果您希望提取出整篇文章中的重点的话，请使用整篇文章。要注意的是，利用词袋模型和社会均衡模型来训练你的文本分类器需要从图像或视频中获取特征。如果你想从单词中找到重点词，您可以使用词典或word2vec模型。如果您从一个较少的事物或信息中提取一些特征，则可以使用局部词典或embedding层来提取特征。

　　标题和摘要可以从多个角度训练、分类和预测。使用从词汇组成的句子可以建立一个分类器，因为该句子中含有这些词。摘要对于一般机器来说需要一个句子成分表，表示句子中每个成分。也可以使用整个句子作为表示一个句子成分。我们可以训练两个分类器，一个分类器可以从单词或关键字中提取信息，另一个分类器可以从整个句子提取信息。

　　因此，可以从句子中提取的值最多是句子的文本标记。通过使用分词（只处理句子的特征并对单词赋值），可以训练分类器。在这种情况下，可以从句子中提取的值是单词的出现顺序和顺序。同样，也可以使用整个句子提取文本标记。在过去几年中，使用词典和word2vec模型进行深度学习的方法逐渐发展起来。如果您只是需要在文档中找到重点，而不需要检测哪些字符出现频率最高，你可以通过将它们分配给特定句子变量来传统训练单词向量模型来找到重点字符。

　　然而，单词会出现一些干扰性的单词，因此，仍然有可能将词典或word2vec方法误用到最终的任务。gan尝试生成更好的单词。深度学习很有趣。由于我们比传统计算机视觉需要更多的标记数据，因此深度学习可以处理这些标记数据。大多数机器生成对抗网络的结构如下图所示：这种对抗性方法称为训练表示（episodicvariables）：其中，generator和discriminator之间的问题。

　　在这种网络架构中，两个分类器（对抗层）在*敏*感*词*中计算出二进制标签，为和的学习问题。直到深度生成网络生成了最终的模型。训练表示的目的是在训练时获得高表示能力，因为我们在下面将提到评估模型的时候将使用训练表示。为了生成句子中的字符，我们训练一个对抗层：这种方法用于将句子生成为两个模型：使用embedding层生成一个向量，该向量是从每个句子中提取的词向量，并将其放入另一个表示矩阵中。

　　由此得到：下面讨论对抗层的例子。在embedding层之后，discriminator层使用词典对生成的句子进行一个双向类别标记。这一步很简单，因为在传统计算机视觉模型中，所有特征对于确定类都是由它们的初始表示进行学习。这一步的目的在于找到“最佳”标签的出现频率以及“适当”标签的出现频率。下面是另一个真实的例子：如果我们取discr。