本文作者介绍了一个深层 LSTM 网络，可以端对端的训练 8 个编码器和解码器层。我们可以将这个系统分为 3 个部分，编码器 RNN、解码器 RNN 和注意模块。从更高的等级，编码器致力于将输入的句子转变为向量的表示，解码器产生输出表示，然后注意模块告知解码器在解码任务期间要关注什么（这是一种使用句子的整体语境的思想）。

本论文的其余部分主要集中于大规模部署这样的服务相关的挑战。将详细讨论诸如计算资源量、延迟和大容量部署等主题。机器之心曾经报道过对这项研究的解读，请参阅《》

结论

我们总结了关于深度学习帮助自然语言处理任务的方法。在我看来，该领域一些的未来目标关注在改进客户服务聊天机器人、完善机器翻译、并希望使问答系统能够获得对非结构化或者冗长的文本（比如维基百科页面）的更深入的了解。

　　原文链接：https://developers.googleblog.com/2017/02/debug-tensorflow-models-with-tfdbg.html

©本文为机器之心编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]