使用 TensorFlow 和 Keras 的文本数据的 RNN

文本数据可以被视为一系列字符，单词，句子或段落。 循环神经网络（ RNN ）已被证明是非常有用的序列神经网络结构。为了将神经网络模型应用于自然语言处理（ NLP ）任务，文本被视为单词序列。事实证明，这对于 NLP 任务非常成功，例如：

• 问题回答
• 会话智能体或聊天机器人
• 文件分类
• 情绪分析
• 图像标题或描述文本生成
• 命名实体识别
• 语音识别和标记

NLP 与 TensorFlow 深度学习技术是一个广阔的领域，很难在一章中捕捉到。因此，我们尝试使用 Tensorflow 和 Keras 为您提供该领域中最流行和最重要的示例。一旦掌握了本章的内容，不要忘记探索和试验 NLP 的其他领域。

在本章中，我们将了解以下主题：

• 词向量表示
• 为 word2vec 模型准备数据
• TensorFlow 和 Keras 中的 skip-gram 模型
• 使用 t-SNE 可视化单词嵌入
• TensorFlow 和 Keras 中使用 LSTM 模型的文本生成示例