视频元信息
- 所属课程：吴恩达深度学习专项课程 · 第五门课《序列模型》（Sequence Models）
- 本讲主题：第四课 1.1 为什么用序列模型（Why Sequence Models）
- 视频类型：概念导论课（无代码，纯理论铺垫）
内容摘要（TL;DR）
本讲是《序列模型》课程的导论，通过语音识别、音乐生成、情感分类、DNA 序列分析、机器翻译、视频行为识别、命名实体识别等七个典型案例，说明序列模型（尤其是 RNN）能处理输入与输出为序列数据的各类监督学习问题，并归纳出「输入输出是否均为序列、长度是否相同」的分类框架，为后续记号定义做铺垫。
一、课程开场与序列模型定位 [00:00]
- 欢迎进入深度学习第五门课程，本课程主题是序列模型（Sequence Models），被吴恩达称为深度学习中最令人兴奋的领域之一。
- 重点：循环神经网络（RNN, Recurrent Neural Networks） 及其变体已经彻底改变了语音识别、自然语言处理等多个领域。
- 本课程目标：不仅理解原理，还要学会亲手搭建这些模型。
理解：序列模型的核心价值在于处理「有序数据」——数据的顺序本身携带信息，不能像普通全连接网络那样把输入当作无序的特征向量。
二、序列模型的典型应用场景 [00:19]
1. 语音识别（Speech Recognition）[00:23]
- 输入 x：一段随时间播放的音频片段（audio clip）。
- 输出 y：对应的文字转录（text transcript），是单词序列。
- 重点：输入和输出都是序列数据，且两者长度通常不相等。
- RNN 及其变体在此类任务上表现极为出色。
2. 音乐生成（Music Generation）[00:49]
- 重点：只有输出 y 是序列。
- 输入 x 可以是空集（empty set），也可以是一个整数（如指定音乐流派 genre），或是一段音乐的开头几个音符。
- 输出 y 是一段完整的音符序列。
思考：这是「一对多」结构的典型代表——从一个条件（流派/起始音符）生成一整段序列。
3. 情感分类（Sentiment Classification）[01:16]
- 重点：只有输入 x 是序列。
- 例子：输入句子 “There's nothing to like in this movie”，判断评论是正面还是负面。
- 输出 y 是一个离散类别（如星级评分或正负标签）。
理解：这是「多对一」结构——读完整段文本后输出单个判断。
4. DNA 序列分析（DNA Sequence Analysis）[01:26]
- DNA 由四个字母 A、C、G、T 组成，本身就是天然的序列。
- 任务：给定一段 DNA 序列，标注其中哪一部分对应蛋白质（protein）。
- 输入是序列，输出是逐位置的标注序列。
5. 机器翻译（Machine Translation）[01:44]
- 输入：一种语言的句子（如英文）。
- 输出：另一种语言的翻译（如法文）。
- 重点：输入和输出都是序列，且长度通常不同（如英文→中文长度差异明显）。
6. 视频行为识别（Video Activity Recognition）[01:53]
- 输入：一系列视频帧（sequence of video frames）。
- 输出：识别出的行为/活动类别。
- 输入是序列，输出是单个标签。
7. 命名实体识别（Name Entity Recognition）[02:01]
- 输入：一个句子。
- 输出：识别句中的人名（或其他实体）。
- 输入是序列，输出是等长的逐词标注序列。
三、序列问题的统一框架与分类 [02:09]
- 重点：以上所有问题都可以统一为监督学习（Supervised Learning）问题，训练集形式为带标签的 (x, y) 数据对。
根据输入输出是否为序列、长度是否相同，可作如下分类：
| 类型 | 输入 x | 输出 y | 典型例子 |
|---|---|---|---|
| 多对多（等长） | 序列 | 序列（同长） | 命名实体识别 |
| 多对多（不等长） | 序列 | 序列（不同长） | 机器翻译 |
| 多对一 | 序列 | 单值 | 情感分类 |
| 一对多 | 空/单值 | 序列 | 音乐生成 |
| 多对多（同步） | 序列 | 序列（同长） | 视频行为识别（逐帧） |
易错点：不要误以为序列模型的输入输出一定都是序列。 吴恩达特别强调，有的问题只有 x 是序列（如情感分类），有的只有 y 是序列（如音乐生成），本课程会覆盖所有这些不同设定。
- 本课程将学习能适用于上述所有不同设定的序列模型。
四、本讲小结与下节预告 [02:53]
- 本讲通过大量例子展示了序列模型可以解决的一类「激动人心的问题」。
- 下节课将开始定义用于描述这些序列问题的记号（notation），为后续 RNN 的建模打基础。
思考：这一讲本质是「建立直觉」——先让你感受问题的多样性，再统一到数学记号上。学习时建议把七个例子按「x/y 是否序列、长度关系」自己画一遍分类图，记忆更牢。
关键标签 / 关键词
序列模型 #SequenceModels #RNN #循环神经网络 #语音识别 #音乐生成 #情感分类 #DNA序列分析 #机器翻译 #视频行为识别 #命名实体识别 #监督学习 #吴恩达深度学习 #第五门课 #输入输出序列分类
生成时间：2026-10-11 00:35:44 生成平台：VideoNote www.xygy.top
