心经 - 般若波罗蜜多心经

玄奘译本原文

观自在菩萨，行深般若波罗蜜多时，照见五蕴皆空，度一切苦厄。

舍利子，色不异空，空不异色；色即是空，空即是色。

受、想、行、识，亦复如是。

舍利子，是诸法空相，不生不灭，不垢不净，不增不减。

是故空中无色，无受、想、行、识；
无眼、耳、鼻、舌、身、意；
无色、声、香、味、触、法；
无眼界，乃至无意识界；
无无明，亦无无明尽；
乃至无老死，亦无老死尽。

无苦、集、灭、道，无智亦无得。

以无所得故，菩提萨埵，依般若波罗蜜多故，心无挂碍。

无挂碍故，无有恐怖，远离颠倒梦想，究竟涅槃。

三世诸佛，依般若波罗蜜多故，得阿耨多罗三藐三菩提。

故知般若波罗蜜多，是大神咒，是大明咒，是无上咒，是无等等咒，能除一切苦，真实不虚。

故说般若波罗蜜多咒，即说咒曰：“揭谛、揭谛，波罗揭谛，波罗僧揭谛，菩提萨婆诃。”

数组 Array

字符串 String

常用操作：

• ord(c)：返回字符c对应的对于8位的ASCII数值。
• chr(d)：返回ASCII数值对应的字符。

什么是metaclass？

metaclass一般翻译成“元类”，但也有人认为应该更关注元类“超越变形”的能力，应该翻译成超越类之类的。但是个人觉得“元类”比较顺口，其“本元”的含义也是实打实存在的，故本文用元类作为metaclass的中文翻译。

metaclass(元类)可以理解成是类的抽象、本元。类元编程即使用自定义metaclass获取极强灵活性的一种编程方式。

不过，在多处都有提到的需要注意的是：如果不是开发框架，不要使用元类，除非只是为了寻找乐趣：）。

什么是本元？

简介

threading是python是基于线程的并行模块，它基于更底层的_thread模块构建。

Thread

Thread类表示在单独的线程中运行的活动。常用的方式有两种：

• 传入一个callable的对象给参数target。
• 写一个继承Thread的子类，重写run方法。

动机

最近的一些基于python的框架型的工作，有很多涉及到动态用户代码加载的功能。因此，对python的导入（import）做一个梳理总结。

基础概念

• 模块（module）：一般是指python源代码文件，即.py文件。还有可能是：.pyo、.pyc、.pyd、.so文件。
• 包（package）：包是含有module的文件夹，为了避免模块名冲突而引入的。当一个文件夹下有__init__.py时，代表这个文件夹是一个package。package也可以看做是特殊的module，它的替身就是对应的__init.py__文件。
• 命名空间（namespace）：
  • local namespace：每个函数function特有，用于保存函数的变量。可用内置函数locals()查看，该函数不可写。
  • enclosing function namespace：闭包命名空间：闭包函数 的名称空间（Python 3 引入）。
  • global namespace：每个模块module特有，用于保存模块的变量。可用内置函数globals()查看，该函数可写。
  • builtin namespace：内建命名空间：Python 解释器启动时自动载入__built__模块后所形成的名称空间；如 str/list/dict等内置对象的名称就出于这里。

相关的内置属性：

简介

• setuptools官方文档
• python-packaging
• 不錯的博客：
  • Python application 的打包和发布
  • Python 包管理工具解惑

Setuptools是基于distutils增强的工具，旨在让用户更简单地构建（build）和分发（distribute）python的package。

主要功能：

• 在构建的时候，自动使用EasyInstall tool来下载、安装、更新其他依赖。
• 创建Python Eggs，一种可移动的分发格式。
• 无需MANIFEST.in文件

简介

ConvLab是微软和清华开源的一个多领域的端到端对话系统平台。旨在为对话系统的研究人员提供一个可以快速启动的实验平台。为此该平台提供了两个标注好的数据集、一些算法的实现（包括pipeline和end2end）、相关的预训练模型和其他可复用的组件。另外，ConvLab也是DSTC8 track1的官方平台。

• ConvLab Code Repository: https://github.com/ConvLab/ConvLab
• ConvLab Paper: https://arxiv.org/pdf/1904.08637.pdf

整体结构

简介

Domain Adaptive Dialog Generation via Meta Learning, ACL2019, pdf, pytorch code

这篇论文将Meta Learning中的经典算法MAML融合进end2end（生成式）的对话系统。旨在利用Meta Learning学习出在领域（Domain）间快速适应的模型。使得在新的领域只有少量数据的情况下，也能获得不错的对话效果。

本文提到：Meta Learning在对话中，已有人将其利用到dst和dpl中，也有人将其应用到end2end的对话系统中，但适应的是用户的情绪。

模型结构

简介

Sequicity: Simplifying Task-oriented Dialogue Systems with Single Sequence-to-Sequence Architectures, acl2018, pdf, pytorch code

本文是针对任务型对话提出的一种end2end的模型，名为Sequicity。该模型是一种seq2seq+Two Stage CopyNet的结构。

优点：

• 1.相对于pipeline的结构，复杂度低，参数少，训练时间短。
• 2.针对oov的数据，还能保持不错的实体匹配率。
• 3.可以同时完成task completion和response generation。

资料

综述类

• A Survey of Task-oriented Dialogue Systems Kaixiang Mo (2017)
• Neural Approaches to Conversational AI (2018)
• 柳泽明学长的对话系统专栏（2018）
• A Survey on Dialogue Systems: Recent Advances and New Frontiers（2017）
• Deep Learning for Dialogue Systems （2017，台湾国立PPT）
• Conversational Agents （Stanford PPT)
• Statistical Methods for Spoken Dialogue Management, chapter 02 （2013）
• 徐阿衡NLP笔记 - 多轮对话之对话管理(Dialog Management) （2018）

科普类

• Dialog management（2017）