该文章从鲁棒性扰动的角度出发，对深度学习模型的可解释性进行分析。

最近刚结束了在一家研究院的实习，实习的时候院里想开展一个深度学习的项目，恰好只有我对深度学习有一点点了解，所以就比较幸运地成为了项目的负责人。整个过程很多东西都是第一次接触，有做得好也有做不好的地方，但是不得不承认像这样自己完全负责一个项目真的学习了很多东西，我自己以前很少在网上看到深度学习的算法工程师分享他们的工作经历，所以也一直很期待能把这段时间的经历总结一下分享给大家。首先想说明的是，这个.

因为我自己是比较希望做NLP方向的研究，之前简单回顾了一下基础的神经网络之后，接下来打算就从NLP的角度，来看看模型是怎么一步步改进发展的。对于自然语言处理，首先想到的问题肯定是怎么把自然语言转化为向数字表示，毕竟机器没办法理解人类的语言，只能处理数字，所以人们就研究出了很多embedding模型，关于embedding我想在之后详细谈谈，这里先暂时跳过。假设我们已经对自然语言进行了embeddi

最近刚结束了在一家研究院的实习，实习的时候院里想开展一个深度学习的项目，恰好只有我对深度学习有一点点了解，所以就比较幸运地成为了项目的负责人。整个过程很多东西都是第一次接触，有做得好也有做不好的地方，但是不得不承认像这样自己完全负责一个项目真的学习了很多东西，我自己以前很少在网上看到深度学习的算法工程师分享他们的工作经历，所以也一直很期待能把这段时间的经历总结一下分享给大家。首先想说明的是，这个.

该文章从鲁棒性扰动的角度出发，对深度学习模型的可解释性进行分析。

上次谈tensorflow算子修改已经是几个月之前的事了，这几个月华为开源了mindspore深度学习框架，全面更新了mindstudio，不得不称赞华为确实一直在踏踏实实地做事。新的mindspore深度学习框架，从介绍上来看，它的开发体验更简单，支持云、边缘、手机的快速部署，或许就意味着如果用mindspore写模型，就能直接部署在atlas500上，不用像tensorflow那样一直改算子了

纵观过去写的文章，我觉得最有价值的文章是元学习系列和分位数回归，以分位数回归为例，我记得写的时候网上还没多少中文的资料，只能谷歌一些英文的博客，加上上课的课件才写出来的，最后我觉得出来的文章还是能把分位数回归的思想说清楚的，像这种可能比较小众但是能确确实实帮到其他人的文章，对我来说价值才是最大的，而这次写的关于Atlas500的模型转化以及算子的修改也是如此。首先来谈一下模型如何进行转化，第一步.

因为我自己是比较希望做NLP方向的研究，之前简单回顾了一下基础的神经网络之后，接下来打算就从NLP的角度，来看看模型是怎么一步步改进发展的。对于自然语言处理，首先想到的问题肯定是怎么把自然语言转化为向数字表示，毕竟机器没办法理解人类的语言，只能处理数字，所以人们就研究出了很多embedding模型，关于embedding我想在之后详细谈谈，这里先暂时跳过。假设我们已经对自然语言进行了embeddi

在文章的开头，我必须说明，自然语言理解的定义、理论在网上有太多不同的说法，我在这里给出的是我个人认为比较好理解、能梳理清楚各个子领域的一种概述，如果有哪里出错了麻烦指正。所谓自然语言理解，就是希望机器能像人类一样，具备理解语言的能力，就像另一半说没有生气，到底是真的没有生气还是气到肺都炸了，这就需要很高的语言理解能力了。具体来说，我觉得自然语言理解要解决两个问题，第一个是理解什么，第二个是机...

之前在了解对话系统的时候，就发现其实一个有应用价值的对话系统，需要引入外部知识辅助决策分析，所以我就打算最近学习一下知识图谱，并尝试结合知识图谱构建一个对话系统。知识图谱是谷歌提出的一个概念，从定义上来说，知识图谱就是结构化的语义知识库，是一种基于图的数据结构，用于描述物理世界中的概念及其相互关系。既然是图就有边和节点，边指的是事物之间的关系，而节点这里简单地分成两种，第一种是实体，所谓实体就是指