BES003H現(xiàn)貨接近開關(guān)上海秉銘BES M08MI-PSC20B-BP03智能問答是知識的一種表現(xiàn)形式,知識是人類寶貴的財富,所以研究智能問答對于人類知識的提取與運用有著重要意義,讓機器明白的比人類更多,回答的更準確,這是智能問答研究者的共同目標,。但是智能問答領(lǐng)域還不是特別成熟,很多人想當然的把科幻水平誤認為是當今的發(fā)展水平,所以要提高智能問答系統(tǒng)的準確率,讓機器更智能,回答的問題更接近于人類甚至超越人類的水平,讓人類對機器的回答更滿意在圖像處理領(lǐng)域中,圖像風(fēng)格遷移是一種借助計算機技術(shù)來處理圖像的色彩、輪廓,、線條等信息來改變圖像效果的技術(shù),。近年來隨著機器學(xué)習(xí)的發(fā)展,使用深度神經(jīng)網(wǎng)絡(luò)來進行圖像風(fēng)格遷移取得了良好的效果。但傳統(tǒng)的圖像風(fēng)格遷移方法,還存在著風(fēng)格表現(xiàn)不夠明顯,、內(nèi)容和風(fēng)格分離不夠清晰,、對高分辨率的圖片細節(jié)表現(xiàn)不好、對低分辨率的圖片出現(xiàn)偽影等問題,。本文基于深度神經(jīng)網(wǎng)絡(luò),在研究現(xiàn)有網(wǎng)絡(luò)的基礎(chǔ)上,在圖像處理領(lǐng)域的圖像風(fēng)格遷移方面設(shè)計了兩種新的網(wǎng)絡(luò),讓圖像進行風(fēng)格遷移后的表現(xiàn)效果更好的主要工作包含三個方面:本文在基于用VGG網(wǎng)絡(luò)提取特征的風(fēng)格遷移轉(zhuǎn)換網(wǎng)絡(luò)的基礎(chǔ)上加入一個判別器和一個轉(zhuǎn)換塊,設(shè)計了一種新的模型,、提出了新的損失函數(shù)來改進原網(wǎng)絡(luò)。將判別器和轉(zhuǎn)壞塊組成的網(wǎng)絡(luò)加入到深度神經(jīng)網(wǎng)絡(luò)中的生成網(wǎng)絡(luò)的參數(shù)訓(xùn)練過程中,讓生成網(wǎng)絡(luò)的參數(shù)向更優(yōu)良的風(fēng)格遷移效果的方向優(yōu)化,得到更好的風(fēng)格遷移模型,從而生成風(fēng)格化效果更好的風(fēng)格遷移轉(zhuǎn)換結(jié)果,。本文基于Artsiom等人提出了基于編碼-的模型,設(shè)計了一個新的風(fēng)格遷移模型,提出一種新的風(fēng)格編碼器,將原先的單一編碼器增加為新的內(nèi)容編碼器和風(fēng)格編碼器,。風(fēng)格編碼器提取的風(fēng)格特征,可以讓生成器感知到圖片風(fēng)格的變化,生成的圖片風(fēng)格更加一致逼真。并且,以前的方法一般只能用一張風(fēng)格圖片進行訓(xùn)練,此模型可以同時提取多張風(fēng)格圖像,綜合他們的風(fēng)格特點進行遷移,。的改進模型中,提出四種改進后的損失函數(shù),通過加入風(fēng)格編碼器,、來使損失函數(shù)更加準確,四種損失函數(shù)分別是條件對抗損失,重建損失,內(nèi)容損失和風(fēng)格損失,用以在訓(xùn)練中對模型進行矯正。并且在判別風(fēng)格遷移效果的時候,不僅定性地采用不同的對比試驗,以人類的審美為基礎(chǔ)進行判定,同時采用定量的方法,引入計算風(fēng)格遷移欺騙率等方法給出客觀的評判標準

BES003H現(xiàn)貨接近開關(guān)上海秉銘BES M08MI-PSC20B-BP03自動問答技術(shù)就給醫(yī)患溝通帶來很大幫助,?；谏疃葘W(xué)習(xí)的生成式問答系統(tǒng)一般使用序列到序列(Sequence to Sequence,Seq2Seq)框架搭建問答模型,但是該模型無法充分利用相關(guān)情景下的文本信息,生成的一些回答較為簡單。為使模型生成的回復(fù)更加豐富,本文采用一種將醫(yī)療背景信息與Seq2Seq問答模型相結(jié)合的新型導(dǎo)醫(yī)臺問答模型,。論文首先研究了中文語料預(yù)處理技術(shù)以及中文詞向量表達形式與訓(xùn)練方法,采用了word2vec訓(xùn)練工具訓(xùn)練分布式詞向量,相比稀疏詞向量表示方法降低了詞向量維度,減少了網(wǎng)絡(luò)的計算量,。其次,對結(jié)合Attention機制的Seq2Seq問答模型進行研究,模型中分別使用多種循環(huán)神經(jīng)網(wǎng)絡(luò)作為編碼器與對比多組實驗,選擇模型訓(xùn)練效果的網(wǎng)絡(luò)作為問答模型的編。然后,為了提高問答模型生成回復(fù)的準確率與多樣性,在Seq2Seq問答模型的基礎(chǔ)上增加了醫(yī)學(xué)背景信息模型,。將Seq2Seq問答模型作為預(yù)訓(xùn)練模型,增加背景信息后進行再訓(xùn)練,使得模型不僅與問答語句有關(guān)也充分學(xué)習(xí)了背景信息的特征,生成的回復(fù)更加豐富真人化,。后,由于傳統(tǒng)的問答模型評價指標沒有涉及句子的語義層次,與人工評價指標具有差異,因此本文采用一種相關(guān)性與相似性綜合評價指標(RSEB)。該評價指標結(jié)合生成回復(fù)與參考回復(fù)之間相似度以及生成回復(fù)與問題之間相關(guān)度,對模型回復(fù)語句進行綜合評價,。通過Tensorflow深度學(xué)習(xí)算法框架搭建自動問答模型,對比背景信息問答模型與Seq2Seq問答模型回復(fù)效果,。實驗結(jié)果表明,本文所用模型生成的回復(fù)語義更加豐富完整,質(zhì)量高于傳統(tǒng)問答模型生成的回復(fù),因此背景信息輔助的導(dǎo)醫(yī)臺自動問答模型更適用于醫(yī)院導(dǎo)醫(yī)臺.

BES M12EA-PSC40B-EP00,3-GS04
BES M12EA-PSC40B-EP01
BES M12EA-PSC60F-EP00,3-GS04
BES M12EE-POC40B-S04G-L01
BES M12EE-PSC40B-S04G
BES M12EE-PSC40B-S04G-L01
BES M12EE1-PSY20B-S04G-L01
BES M12EE1-PSY40F-S04G-L01
BES M12EF1-NSC10F-S04G-S
BES M12EF1-PSC10F-S04G-S
BES M12EG-PSC70F-S04G
BES M12EG-PSC80F-BP03
BES M12EG-PSC80F-BP10
BES M12EG-PSC80F-BV03
BES M12EG-PSC80F-S04G
BES M12EG1-NSC20S-S04G-S
BES M12EG1-NSC60Z-S04G-S11
BES M12EG1-POC20S-S04G-S
BES M12EG1-PSC20N-S04G-S
BES M12EG1-PSC20S-S04G-S
BES M12EG1-PSC60Z-S04G-S11
BES M12EI-NSC40B-S04G
BES M12EI-NSC40B-S04G-L01
BES M12EI-NSC40B-S04G-S
BES M12EI-NSC40B-S04G-S01
BES M12EI-NSC40F-BV03
BES M12EI-POC40B-BP03-008
BES M12EI-POC40B-S04G
BES M12EI-POC40B-S04G-L01
BES M12EI-PSC40A-S04G-S
BES M12EI-PSC40B-S04G
BES M12EI-PSC40B-S04G-L01