词嵌入（Word Embedding, WE），任务是把的词转换为的向量，从而便于进行数学处理。一个更官方一点的定义是：词嵌入是是指把一个维数为所有词的数量的（one-hot形式表示的词）【嵌入】到一个的连续向量空间中，每个单词或词组被映射为实数域上的向量。Word Embedding 解决了 One-Hot 独热编码的两个问题。

神经网络（Neural Network，NN）主要由输入层、隐藏层、输出层构成，输入层的的节点数等于待处理数据中输入变量的个数（每一个变量代表了一个特征），输出层的节点数等于与每个输入变量关联的输出的数量（代表了分类标签的个数）。不论是回归还是分类任务，输入和输出层的节点数是固定的（在做二分类时，如果采用 sigmoid 分类器，输出层的个数为 1 个；理论上，隐藏层的层数越深，拟合函数的能力越强

该项目支持麦克风实时录音功能，同时可以传入多种音频格式的文件（如 .wav, .pcm, .mp3 等），也支持视频输入(如 .mp4 等)，以及多文件列表 wav.scp 输入。运行 FunASR-main/runtime/python/websocket/funasr_wss_server.py 文件，加载模型。项目提示所需要下载的库文件：pip install -U funasr 和 pip

人工智能（AI）聊天机器人自2022年以来备受关注。凭借大数据、自然语言处理（NLP）和机器学习（ML）算法支持，它们具有扩展能力、提高生产力并在各个领域提供指导和支持的潜力。人工智能与人类（HAI）被提出，以帮助将人类价值观、同理心和道德考量融入AI中，以解决AI聊天机器人的局限性并增强其效力。心理健康是一个关键的全球问题，对个人、社区和经济都有重大影响。利用AI和ML的数字心理健康解决方案应运

ELMo（Embeddings from Language Models）兼顾了两个问题：一是词语用法在语义和语法上的复杂特点；二是随着语言环境的改变，这些用法也应该随之改变，解决多义词的问题。ELMo 模型原理图中虚线的部分是两个双层的 LSTM 网络结构。也就是说ELMo 会同时考虑上文和下文。

选择低于第3部分中定义的最大长度的文本和摘要。import numpy as np # 导入 numpy 库并重命名为 npcleaned_text = np.array(pre['cleaned_text']) # 将 'cleaned_text' 列转换为 numpy 数组cleaned_summary= np.array(pre['cleaned_summary']) # 将 'cleane

HuggingFace 模型共有三个部分组成：Tokennizer、Model 和 Post Processing。