深度学习知识卡片：词嵌入常见方法

继续之前的：

1. 《深度学习知识卡片：深度学习基本概念》
2. 《深度学习知识卡片：Logistic 回归》
3. 《深度学习知识卡片：浅层网络的特点》
4. 《深度学习知识卡片：深度神经网络的特点》
5. 《深度学习知识卡片：偏差与方差》
6. 《深度学习知识卡片：正则化》
7. 《深度学习知识卡片：最优化训练》
8. 《深度学习知识卡片：最优化算法》
9. 《深度学习知识卡片：超参数调优》
10. 《深度学习知识卡片：结构化机器学习过程》
11. 《深度学习知识卡片：误差分析》
12. 《深度学习知识卡片：训练集、开发集与测试集》
13. 《深度学习知识卡片：学习方法扩展》
14. 《深度学习知识卡片：卷积神经网络基础》
15. 《深度学习知识卡片：卷积运算的主要参数》
16. 《深度学习知识卡片：深度卷积神经网络架构》
17. 《深度学习知识卡片：经典卷积神经网络》
18. 《深度学习知识卡片：特殊卷积神经网络》
19. 《深度学习知识卡片：实践建议》
20. 《深度学习知识卡片：目标检测算法》
21. 《深度学习知识卡片：人脸识别》
22. 《深度学习知识卡片：风格迁移》
23. 《深度学习知识卡片：循环神经网络基础》
24. 《深度学习知识卡片：循环神经网络应用》
25. 《深度学习知识卡片：NLP 中的词表征》

GloVe 词向量是很常见的词向量学习方法，它学到的词表征可进一步用于语句分类等任务。GloVe 的全称叫：Global Vectors for Word Representation，它是一个基于全局词频统计（Count-based & Overall Statistics）的词表征（Word Representation）工具，它可以把一个单词表达成一个由实数组成的向量，这些向量捕捉到了单词之间一些语义特性，比如相似性（Similarity）、类比性（Analogy）等。我们通过对向量的运算，比如欧几里得距离或者 Cosine 相似度，可以计算出两个单词之间的语义相似性。