My solution

1.tensorflow

　　这个题目是一个编程题目，模板填空。
　　这个题目相当于给出了tensorflow实现的模板或者框架。有必要掌握这个常用的框架，相比以前写的tensorflow代码大多是零散的，需要了解学习这种写法(不过具体写起来还是要因地制宜，我觉得零散的写法简单地封装有时候写起来也不错)，就像需要学习pytorch的框架的写法一样，直接把模型写在forward函数里面。
　　具体代码略，以前的tensorflow代码也写过很多了，就是没有掌握框架的写法。

2.transition-based dependency parser

模拟解析过程

　　模拟解析，比较容易:

stack	buffer	new dependency	transition
[ROOT]	[I, parsed, this, sentence, correctly]	None	Init
[ROOT, I]	[parsed, this, sentence, correctly]	None	SHIFT
[ROOT, I, parsed]	[this, sentence, correctly]	None	SHIFT
[ROOT, parsed]	[this, sentence, correctly]	(parserd, I)	LEFT-ARC
[ROOT, parsed, this]	[sentence, correctly]	None	SHIFT
[ROOT, parsed, this, sentence]	[correctly]	None	SHIFT
[ROOT, parsed, sentence]	[correctly]	(sentence, this)	LEFT-ARC
[ROOT, parsed]	[correctly]	(parsed, sentence)	RIGHT-ARC
[ROOT, parsed, corectly]	[]	None	SHIFT
[ROOT, parsed]	[]	(parsed, correctly)	RIGHT-ARC
[ROOT]	[]	(ROOT, parsed)	RIGHT-ARC

NN解析算法的细节

　　除了按照模板填空补全算法，还有一些对NN的考察，以下为涉及到的知识点的简要简析:

1.初始化

Given a matrix A of dimension m×n,Xavier initialization selects values Aij uniformly from [−ϵ,ϵ],where ϵ=6m+n−−−−√

2.dropout

　　E(hdrop)=γEdEh=γ(1−pdrop)h=h
　　γ=11−pdrop

3.Adam

　
　　梯度变化比较缓慢，不容易在最优解附近波动。另一方面，可以认为相当于渐进地一边调整一边计算了一个更大的minibatch，所以梯度会更准确。
　　

　　这样调整后，还加入了v这个项，在一段时间梯度很大的时候用于减缓学习率防止滑出过远，一段时间梯度很小的时候增加学习率，使得梯度比较小的时候能不陷入局部极值。

4.L2 reg

　　正常的正则化

参数的保存和调优

　　框架还保存了dev集合上的最优记录对应的参数，用于测试

3.RNN LM

RNN

RNN定义
　　

GRU, LSTM是属于gated的RNN，与RNN大体一致，只是加了门。
LSTM已经很熟悉了，下面是GRU的模型:

类似RNN的一些模型类称为QRNNs(类RNNs)，QRNN内部可能加入卷积来捕获n-gram同时帮助并行加速。

困惑度的定义

　　困惑度的定义是语言模型中转移概率的概率倒数的几何平均。
　　所谓转移概率是指给出前面的语境，然后语言模型给出的正确单词的概率。那么我们根据转移概率与交叉熵的关系可知，交叉熵是困惑度的对数。
　　

求导

　　和普通的BP没有本质区别，链式法则+维度调整，已经很熟了，所以我没去做。