@yushiro 过程上是得到一组参数使得数据拟合成我们想要的数据分布，也就是说从原始数据中抽取特征来适应真实标签（抽取这个过程实际上就是各式各样的数学变换，经验上讲都会说网络结构深而窄效果会更好，不同的任务可能会有不同的网络结构），然后用一个合适 loss 来监督这个拟合过程（ loss 用来衡量标签和模型拟合出来的数据分布之间的差异，降 loss 的方法有梯度下降，牛顿法等方法），那么第二个问题可以抽象理解一下就是手写体的数据分布和验证码数据分布之间的差异有多大，能不能用相同的参数对不同的数据拟合出相同的结果或者说是合适的结果，这可能更多涉及到数据域适应的问题，我没做过图像的东西，但我了解到的图像这一块很多时候是会用预训练的网络先学最基础通识的东西，然后应对不同数据任务是要单独做有监督 fine-tune 的，这算是迁移学习了，所以如果数据源分布差异很大，那么从理论上讲模型得到的参数在 fine-tune 过后是不大一样的。

如果有商品名称的数据的话，可以尝试用词向量然后聚一下类

@yushiro 个人比较肤浅的理解就是线性函数加激活然后累积（当然这是最简单的，选 loss 来拟合最后一层的输出概率和标签，然后用反向传播 loss 更新参数直至模型收敛

楼主如何理解 Bert 的？(逃

url 去重做缓存检查

@UIXX 谢谢指正，打算这个月再没有合适的工作就潜心读研了，断层半年是个人在补充理论知识和做 nlp 的相关比赛，中间有通过社招渠道投过几家大厂简历，基本上都只给了一面，学历不够坐标不对没有核心竞争力。不过还是想多往 NLP 算法方向靠，比较感兴趣，投了开发怕以后转不回来。总而言之，十分感谢！

@superlks 腾讯 AILAB ？

@JeffKing 可以加微信了解一下吗

@UIXX 简历有点惨磕，cv 放在最下面加密了

@SunnySuo 其实有一个问题是周围的同学读研的比例都不少，特别是做深度学习，害怕未来某个时间点工作饱和或者是说竞争会比现在更大...

@loryyang 机器学习没有涉特别深，但 NLP 的基础知识储备还是有的，能把数据流转起来，模型出效果后面再慢慢优化，是不是可以算是合格的应聘者了？现在有尝试投一些小创公司了。

@rayhy 出去实习碰见的同事欧洲回来的和 HK 的都特别多，我也觉得时间成本很重要而且 NLP 现在变革很快，不过国内读研就有时间多多沉淀，但可能的话我还是会选 hk。

@askfermi 可以 wechat 联系

@loryyang 其实你说得很对的，就是在做算法这一块资历确实还不足。
毕设我是自己抓的数据，然后做了个文本分类模型，传统做法和深度都试过，不过更侧重于实现，毕设论文就是写这块的。上面那个项目是最近参加的一个活动，复现的一篇抽取摘要的论文，模型的主体部分基本都是我照着论文公式撸的，关于炼丹我也在 git 后面留了 dicuss，如果你有兴趣可以看一看的。然后撸完后面发现论文作者其实有开源了代码（尴尬逃，不过我的复现在 loss 上面还是和他有些不一样的地方，总而言之欢迎 star 哈哈哈

@itenyh 很中肯 感谢感谢

有愿意收留或者内推的大佬请给个联系方式或者加我 wechat 联系一下，感激感激