隨機(jī)場(chǎng)和隱馬爾可夫模型的區(qū)別？CRF就像一個(gè)反向隱馬爾可夫模型（HMM）。它們都是以馬爾可夫鏈為隱變量的概率轉(zhuǎn)移模型。然而，隱馬爾可夫模型使用隱變量來(lái)產(chǎn)生可觀測(cè)狀態(tài)，其產(chǎn)生概率是一個(gè)產(chǎn)生模型，可以從注

隨機(jī)場(chǎng)和隱馬爾可夫模型的區(qū)別？

CRF就像一個(gè)反向隱馬爾可夫模型（HMM）。它們都是以馬爾可夫鏈為隱變量的概率轉(zhuǎn)移模型。然而，隱馬爾可夫模型使用隱變量來(lái)產(chǎn)生可觀測(cè)狀態(tài)，其產(chǎn)生概率是一個(gè)產(chǎn)生模型，可以從注釋集的統(tǒng)計(jì)信息中得到。CRF又能區(qū)分隱藏變量和可觀測(cè)狀態(tài)，其概率也是由注釋集的統(tǒng)計(jì)信息得到的，是一種判別模型。由于這兩個(gè)模型有著相同的主干，它們的應(yīng)用領(lǐng)域往往是重疊的，而CRF在命名實(shí)體和語(yǔ)法分析方面的應(yīng)用則更好。

隱馬爾可夫模型為什么是生成模型？

HMM可以表示為最簡(jiǎn)單的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)。隱馬爾可夫模型背后的數(shù)學(xué)是由勒鮑姆和他的同事開(kāi)發(fā)的。它與早期不同羅斯蘭斯特拉托諾維奇他首先提出了前處理和后處理的概念。在一個(gè)簡(jiǎn)單的馬爾可夫模型（如馬爾可夫鏈）中，狀態(tài)對(duì)觀察者是直接可見(jiàn)的，因此狀態(tài)轉(zhuǎn)移概率是唯一的參數(shù)。在隱馬爾可夫模型中，狀態(tài)不是直接可見(jiàn)的，而輸出依賴(lài)于狀態(tài)，是可見(jiàn)的。通過(guò)可能輸出符號(hào)，每個(gè)狀態(tài)都有一個(gè)可能的概率分布。因此，通過(guò)HMM生成標(biāo)簽序列提供了一些關(guān)于狀態(tài)的序列信息。請(qǐng)注意，“隱藏”是指模型傳遞的狀態(tài)序列，而不是模型的參數(shù)；即使這些參數(shù)是精確已知的，我們?nèi)匀环Q(chēng)該模型為“隱藏”馬爾可夫模型。HMM以其時(shí)間模式識(shí)別而聞名，如語(yǔ)音、筆跡、手勢(shì)識(shí)別、詞性標(biāo)注、樂(lè)譜、局部放電和生物信息學(xué)等應(yīng)用。隱馬爾可夫模型可以看作是一種廣義的混合模型，通過(guò)馬爾可夫過(guò)程而不是獨(dú)立相關(guān)為每個(gè)觀測(cè)值選擇隱變量（或多個(gè)變量）。近年來(lái)，隱馬爾可夫模型被擴(kuò)展到成對(duì)馬爾可夫模型和三重馬爾可夫模型，使得數(shù)據(jù)結(jié)構(gòu)和非平穩(wěn)數(shù)據(jù)建模更加復(fù)雜。

hmm什么意思？

隱馬爾可夫模型（HMM）是一種用于描述具有未知參數(shù)的馬爾可夫過(guò)程的統(tǒng)計(jì)模型。困難在于從可觀測(cè)參數(shù)中確定過(guò)程的隱藏參數(shù)。然后將這些參數(shù)用于進(jìn)一步的分析，如模式識(shí)別。隱馬爾可夫模型最早是由Leonard E.Baum和其他作者在20世紀(jì)60年代后半期的一系列統(tǒng)計(jì)論文中描述的。隱馬爾可夫模型最早的應(yīng)用之一是語(yǔ)音識(shí)別，始于20世紀(jì)70年代中期。80年代后半期，隱馬爾可夫模型開(kāi)始應(yīng)用于生物序列，特別是DNA序列的分析。此后，隱馬爾可夫模型逐漸成為生物信息學(xué)領(lǐng)域不可或缺的技術(shù)。擴(kuò)展數(shù)據(jù)：隱馬爾可夫模型的三個(gè)假設(shè)。

1）齊次馬爾可夫假設(shè)。又稱(chēng)一階馬爾可夫假設(shè)，即任何時(shí)刻的狀態(tài)只依賴(lài)于前一時(shí)刻的狀態(tài)，而與其他時(shí)刻無(wú)關(guān)。符號(hào)如下：

2）觀察獨(dú)立假設(shè)。任何時(shí)候的觀察都只取決于當(dāng)時(shí)的狀態(tài)，與其他狀態(tài)無(wú)關(guān)。

3）參數(shù)不變性假設(shè)。以上三個(gè)要素不隨時(shí)間變化，即在整個(gè)培訓(xùn)過(guò)程中保持不變。

是否存在通用的神經(jīng)網(wǎng)絡(luò)模型，可以處理圖像，語(yǔ)音以及NLP？

對(duì)于目前的深度學(xué)習(xí)模型，雖然深度學(xué)習(xí)的目標(biāo)之一是設(shè)計(jì)能夠處理各種任務(wù)的算法，但是深度學(xué)習(xí)的應(yīng)用還需要一定的專(zhuān)業(yè)化，目前還沒(méi)有通用的神經(jīng)網(wǎng)絡(luò)處理模型。然而，每一種模式也在相互學(xué)習(xí)、相互融合、共同提高。例如，一些創(chuàng)新可以同時(shí)改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)，如批量標(biāo)準(zhǔn)化和關(guān)注度。一般模型需要在將來(lái)提出。

圖像和視頻處理，計(jì)算機(jī)視覺(jué)，最流行的是CNN，卷積神經(jīng)網(wǎng)絡(luò)，它的變形和發(fā)展，CNN適合處理空間數(shù)據(jù)，廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)領(lǐng)域。例如，alexnet、vggnet、googlenet、RESNET等都有自己的特點(diǎn)。將上述模型應(yīng)用于圖像分類(lèi)識(shí)別中。在圖像分割、目標(biāo)檢測(cè)等方面，提出了更有針對(duì)性的模型，并得到了廣泛的應(yīng)用。

語(yǔ)音處理，2012年之前，最先進(jìn)的語(yǔ)音識(shí)別系統(tǒng)是隱馬爾可夫模型（HMM）和高斯混合模型（GMM）的結(jié)合。目前最流行的是深度學(xué)習(xí)RNN遞歸神經(jīng)網(wǎng)絡(luò)，其長(zhǎng)、短期記憶網(wǎng)絡(luò)LSTM、Gru、雙向RNN、層次RNN等。

除了傳統(tǒng)的自然語(yǔ)言處理方法外，目前的自然語(yǔ)言處理深度學(xué)習(xí)模型也經(jīng)歷了幾個(gè)發(fā)展階段，如基于CNN的模型、基于RNN的模型、基于注意的模型、基于變壓器的模型等。不同的任務(wù)場(chǎng)景有不同的模型和策略來(lái)解決一些問(wèn)題。