Experience Seamless Full Ebook Downloads for Every Genre at textbookfull.

com

Applied Natural Language Processing with Python:

Implementing Machine Learning and Deep Learning
Algorithms for Natural Language Processing 1st
Edition Taweh Beysolow Ii
https://textbookfull.com/product/applied-natural-language-
processing-with-python-implementing-machine-learning-and-
deep-learning-algorithms-for-natural-language-
processing-1st-edition-taweh-beysolow-ii/

OR CLICK BUTTON

DOWNLOAD NOW

Explore and download more ebook at https://textbookfull.com

 Recommended digital products (PDF, EPUB, MOBI) that
you can download immediately if you are interested.

Python Natural Language Processing Advanced machine

learning and deep learning techniques for natural language
processing 1st Edition Jalaj Thanaki
https://textbookfull.com/product/python-natural-language-processing-
advanced-machine-learning-and-deep-learning-techniques-for-natural-
language-processing-1st-edition-jalaj-thanaki/
textboxfull.com

Deep Learning for Natural Language Processing Develop Deep

Learning Models for Natural Language in Python Jason
Brownlee
https://textbookfull.com/product/deep-learning-for-natural-language-
processing-develop-deep-learning-models-for-natural-language-in-
python-jason-brownlee/
textboxfull.com

Deep learning in natural language processing Deng

https://textbookfull.com/product/deep-learning-in-natural-language-
processing-deng/

textboxfull.com

Deep Learning for Natural Language Processing (MEAP V07)

Stephan Raaijmakers

https://textbookfull.com/product/deep-learning-for-natural-language-
processing-meap-v07-stephan-raaijmakers/

textboxfull.com
Deep Learning in Natural Language Processing 1st Edition
Li Deng

https://textbookfull.com/product/deep-learning-in-natural-language-
processing-1st-edition-li-deng/

textboxfull.com

Natural language processing with TensorFlow Teach language

to machines using Python s deep learning library 1st
Edition Thushan Ganegedara
https://textbookfull.com/product/natural-language-processing-with-
tensorflow-teach-language-to-machines-using-python-s-deep-learning-
library-1st-edition-thushan-ganegedara/
textboxfull.com

Machine Learning with PySpark: With Natural Language

Processing and Recommender Systems 1st Edition Pramod
Singh
https://textbookfull.com/product/machine-learning-with-pyspark-with-
natural-language-processing-and-recommender-systems-1st-edition-
pramod-singh/
textboxfull.com

Natural Language Processing with Python Cookbook 1st

Edition Krishna Bhavsar

https://textbookfull.com/product/natural-language-processing-with-
python-cookbook-1st-edition-krishna-bhavsar/

textboxfull.com

Introduction to Deep Learning Using R: A Step-by-Step

Guide to Learning and Implementing Deep Learning Models
Using R Taweh Beysolow Ii
https://textbookfull.com/product/introduction-to-deep-learning-using-
r-a-step-by-step-guide-to-learning-and-implementing-deep-learning-
models-using-r-taweh-beysolow-ii/
textboxfull.com
Applied Natural
Language Processing
with Python
Implementing Machine Learning
and Deep Learning Algorithms for
Natural Language Processing
—
Taweh Beysolow II
 Applied Natural
Language Processing
with Python
Implementing Machine
Learning and Deep Learning
Algorithms for Natural
Language Processing

Taweh Beysolow II
Applied Natural Language Processing with Python
Taweh Beysolow II
San Francisco, California, USA

ISBN-13 (pbk): 978-1-4842-3732-8     ISBN-13 (electronic): 978-1-4842-3733-5

https://doi.org/10.1007/978-1-4842-3733-5
Library of Congress Control Number: 2018956300
Copyright © 2018 by Taweh Beysolow II
This work is subject to copyright. All rights are reserved by the Publisher, whether the whole or
part of the material is concerned, specifically the rights of translation, reprinting, reuse of
illustrations, recitation, broadcasting, reproduction on microfilms or in any other physical way,
and transmission or information storage and retrieval, electronic adaptation, computer software,
or by similar or dissimilar methodology now known or hereafter developed.
Trademarked names, logos, and images may appear in this book. Rather than use a trademark
symbol with every occurrence of a trademarked name, logo, or image we use the names, logos,
and images only in an editorial fashion and to the benefit of the trademark owner, with no
intention of infringement of the trademark.
The use in this publication of trade names, trademarks, service marks, and similar terms, even if
they are not identified as such, is not to be taken as an expression of opinion as to whether or not
they are subject to proprietary rights.
While the advice and information in this book are believed to be true and accurate at the date of
publication, neither the authors nor the editors nor the publisher can accept any legal
responsibility for any errors or omissions that may be made. The publisher makes no warranty,
express or implied, with respect to the material contained herein.
Managing Director, Apress Media LLC: Welmoed Spahr
Acquisitions Editor: Celestin Suresh John
Development Editor: Siddhi Chavan
Coordinating Editor: Divya Modi
Cover designed by eStudioCalamar
Cover image designed by Freepik (www.freepik.com)
Distributed to the book trade worldwide by Springer Science+Business Media New York,
233 Spring Street, 6th Floor, New York, NY 10013. Phone 1-800-SPRINGER, fax (201) 348-4505,
e-mail [email protected], or visit www.springeronline.com. Apress Media, LLC is a
California LLC and the sole member (owner) is Springer Science + Business Media Finance Inc
(SSBM Finance Inc). SSBM Finance Inc is a Delaware corporation.
For information on translations, please e-mail [email protected], or visit http://www.apress.
com/rights-permissions.
Apress titles may be purchased in bulk for academic, corporate, or promotional use. eBook
versions and licenses are also available for most titles. For more information, reference our Print
and eBook Bulk Sales web page at http://www.apress.com/bulk-sales.
Any source code or other supplementary material referenced by the author in this book is
available to readers on GitHub via the book’s product page, located at www.apress.com/
978-1-4842-3732-8. For more detailed information, please visit http://www.apress.com/
source-code.
Printed on acid-free paper
To my family, friends, and colleagues for their continued
support and encouragement to do more with myself than
I often can conceive of doing
Table of Contents
About the Author���������������������������������������������������������������������������������ix

About the Technical Reviewer�������������������������������������������������������������xi

Acknowledgments�����������������������������������������������������������������������������xiii
Introduction����������������������������������������������������������������������������������������xv

Chapter 1: What Is Natural Language Processing?������������������������������1

The History of Natural Language Processing��������������������������������������������������������2
A Review of Machine Learning and Deep Learning����������������������������������������������4
NLP, Machine Learning, and Deep Learning Packages with Python����������������4
Applications of Deep Learning to NLP�����������������������������������������������������������10
Summary������������������������������������������������������������������������������������������������������������12

Chapter 2: Review of Deep Learning��������������������������������������������������13

Multilayer Perceptrons and Recurrent Neural Networks������������������������������������13
Toy Example 1: Modeling Stock Returns with the MLP Model�����������������������15
Vanishing Gradients and Why ReLU Helps to Prevent Them��������������������������27
Loss Functions and Backpropagation������������������������������������������������������������29
Recurrent Neural Networks and Long Short-Term Memory��������������������������30
Toy Example 2: Modeling Stock Returns with the RNN Model�����������������������32
Toy Example 3: Modeling Stock Returns with the LSTM Model���������������������40
Summary������������������������������������������������������������������������������������������������������������41

v
Table of Contents

Chapter 3: Working with Raw Text����������������������������������������������������43

Tokenization and Stop Words������������������������������������������������������������������������������44
The Bag-of-Words Model (BoW)��������������������������������������������������������������������������50
CountVectorizer���������������������������������������������������������������������������������������������51
Example Problem 1: Spam Detection������������������������������������������������������������53
Term Frequency Inverse Document Frequency���������������������������������������������57
Example Problem 2: Classifying Movie Reviews�������������������������������������������62
Summary������������������������������������������������������������������������������������������������������������74

Chapter 4: Topic Modeling and Word Embeddings����������������������������77

Topic Model and Latent Dirichlet Allocation (LDA)����������������������������������������������77
Topic Modeling with LDA on Movie Review Data�������������������������������������������81
Non-Negative Matrix Factorization (NMF)�����������������������������������������������������������86
Word2Vec������������������������������������������������������������������������������������������������������������90
Example Problem 4.2: Training a Word Embedding (Skip-Gram)�������������������94
Continuous Bag-of-Words (CBoW)��������������������������������������������������������������������103
Example Problem 4.2: Training a Word Embedding (CBoW)�������������������������105
Global Vectors for Word Representation (GloVe)�����������������������������������������������106
Example Problem 4.4: Using Trained Word Embeddings with LSTMs����������111
Paragraph2Vec: Distributed Memory of Paragraph Vectors (PV-DM)����������������115
Example Problem 4.5: Paragraph2Vec Example with Movie
Review Data������������������������������������������������������������������������������������������������116
Summary����������������������������������������������������������������������������������������������������������118

Chapter 5: Text Generation, Machine Translation, and Other

Recurrent Language Modeling Tasks������������������������������121
Text Generation with LSTMs�����������������������������������������������������������������������������122
Bidirectional RNNs (BRNN)��������������������������������������������������������������������������126

vi
 Table of Contents

Creating a Name Entity Recognition Tagger������������������������������������������������������128

Sequence-to-Sequence Models (Seq2Seq)������������������������������������������������������133
Question and Answer with Neural Network Models������������������������������������������134
Summary����������������������������������������������������������������������������������������������������������141
Conclusion and Final Statements���������������������������������������������������������������������142

Index�������������������������������������������������������������������������������������������������145

vii
About the Author
Taweh Beysolow II is a data scientist and
author currently based in San Francisco,
California. He has a bachelor’s degree in
economics from St. Johns University and a
master’s degree in applied statistics from
Fordham University. His professional
experience has included working at Booz
Allen Hamilton, as a consultant and in various
startups as a data scientist, specifically
focusing on machine learning. He has applied machine learning to federal
consulting, financial services, and agricultural sectors.

ix
About the Technical Reviewer
Santanu Pattanayak currently works at GE
Digital as a staff data scientist and is the author
of the deep learning book Pro Deep Learning
with TensorFlow: A Mathematical Approach
to Advanced Artificial Intelligence in Python
(Apress, 2017). He has more than eight years of
experience in the data analytics/data science
field and a background in development and
database technologies. Prior to joining GE,
Santanu worked at companies such as RBS,
Capgemini, and IBM. He graduated with a degree in electrical engineering
from Jadavpur University, Kolkata, and is an avid math enthusiast. Santanu
is currently pursuing a master’s degree in data science from the Indian
Institute of Technology (IIT), Hyderabad. He also devotes his time to data
science hackathons and Kaggle competitions, where he ranks within the
top 500 across the globe. Santanu was born and brought up in West Bengal,
India, and currently resides in Bangalore, India, with his wife.

xi
Acknowledgments
A special thanks to Santanu Pattanayak, Divya Modi, Celestin Suresh
John, and everyone at Apress for the wonderful experience. It has been a
pleasure to work with you all on this text. I couldn’t have asked for a better
team.

xiii
Introduction
Thank you for choosing Applied Natural Language Processing with Python
for your journey into natural language processing (NLP). Readers should
be aware that this text should not be considered a comprehensive study
of machine learning, deep learning, or computer programming. As such,
it is assumed that you are familiar with these techniques to some degree.
Regardless, a brief review of the concepts necessary to understand the
tasks that you will perform in the book is provided.
After the brief review, we begin by examining how to work with raw
text data, slowly working our way through how to present data to machine
learning and deep learning algorithms. After you are familiar with some
basic preprocessing algorithms, we will make our way into some of the
more advanced NLP tasks, such as training and working with trained
word embeddings, spell-check, text generation, and question-and-answer
generation.
All of the examples utilize the Python programming language and
popular deep learning and machine learning frameworks, such as scikit-­
learn, Keras, and TensorFlow. Readers can feel free to access the source
code utilized in this book on the corresponding GitHub page and/or try
their own methods for solving the various problems tackled in this book
with the datasets provided.

xv
CHAPTER 1

What Is Natural
Language
Processing?
Deep learning and machine learning continues to proliferate throughout
various industries, and has revolutionized the topic that I wish to discuss
in this book: natural language processing (NLP). NLP is a subfield of
computer science that is focused on allowing computers to understand
language in a “natural” way, as humans do. Typically, this would refer to
tasks such as understanding the sentiment of text, speech recognition, and
generating responses to questions.
NLP has become a rapidly evolving field, and one whose applications
have represented a large portion of artificial intelligence (AI)
breakthroughs. Some examples of implementations using deep learning
are chatbots that handle customer service requests, auto-spellcheck on cell
phones, and AI assistants, such as Cortana and Siri, on smartphones. For
those who have experience in machine learning and deep learning, natural
language processing is one of the most exciting areas for individuals to
apply their skills. To provide context for broader discussions, however, let’s
discuss the development of natural language processing as a field.

© Taweh Beysolow II 2018 1

T. Beysolow II, Applied Natural Language Processing with Python,
https://doi.org/10.1007/978-1-4842-3733-5_1
Chapter 1 What Is Natural Language Processing?

The History of Natural Language Processing

Natural language processing can be classified as a subset of the broader
field of speech and language processing. Because of this, NLP shares
similarities with parallel disciplines such as computational linguistics,
which is concerned with modeling language using rule-based models.
NLP’s inception can be traced back to the development of computer science
in the 1940s, moving forward along with advances in linguistics that led to
the construction of formal language theory. Briefly, formal language theory
models language on increasingly complex structures and rules to these
structures. For example, the alphabet is the simplest structure, in that it is
a collection of letters that can form strings called words. A formal language
is one that has a regular, context-free, and formal grammar. In addition to
the development of computer sciences as a whole, artificial intelligence’s
advancements also played a role in our continuing understanding of NLP.
In some sense, the single-layer perceptron (SLP) is considered to be the
inception of machine learning/AI. Figure 1-1 shows a photo of this model.

Figure 1-1. Single-layer perceptron

The SLP was designed by neurophysiologist Warren McCulloch and

logician Walter Pitt. It is the foundation of more advanced neural network
models that are heavily utilized today, such as multilayer perceptrons.

2
 Chapter 1 What Is Natural Language Processing?

The SLP model is seen to be in part due to Alan Turing’s research in the
late 1930s on computation, which inspired other scientists and researchers
to develop different concepts, such as formal language theory.
Moving forward to the second half of the twentieth century, NLP starts
to bifurcate into two distinct groups of thought: (1) those who support a
symbolic approach to language modelling, and (2) those who support a
stochastic approach. The former group was populated largely by linguists
who used simple algorithms to solve NLP problems, often utilizing pattern
recognition. The latter group was primarily composed of statisticians
and electrical engineers. Among the many approaches that were popular
with the second group was Bayesian statistics. As the twentieth century
progressed, NLP broadened as a field, including natural language
understanding (NLU) to the problem space (allowing computers to react
accurately to commands). For example, if someone spoke to a chatbot and
asked it to “find food near me,” the chatbot would use NLU to translate this
sentence into tangible actions to yield a desirable outcome.
Skip closer to the present day, and we find that NLP has experienced
a surge of interest alongside machine learning’s explosion in usage over
the past 20 years. Part of this is due to the fact that large repositories of
labeled data sets have become more available, in addition to an increase in
computing power. This increase in computing power is largely attributed
to the development of GPUs; nonetheless, it has proven vital to AI’s
development as a field. Accordingly, demand for materials to instruct
data scientists and engineers on how to utilize various AI algorithms has
increased, in part the reason for this book.
Now that you are aware of the history of NLP as it relates to the present
day, I will give a brief overview of what you should expect to learn. The
focus, however, is primarily to discuss how deep learning has impacted
NLP, and how to utilize deep learning and machine learning techniques to
solve NLP problems.

3
Chapter 1 What Is Natural Language Processing?

 Review of Machine Learning and Deep

A
Learning
You will be refreshed on important machine learning concepts,
particularly deep learning models such as multilayer perceptrons (MLPs),
recurrent neural networks (RNNs), and long short-term memory (LSTM)
networks. You will be shown in-depth models utilizing toy examples before
you tackle any specific NLP problems.

 LP, Machine Learning, and Deep Learning

N
Packages with Python
Equally important as understanding NLP theory is the ability to apply it in
a practical context. This book utilizes the Python programming language,
as well as packages written in Python. Python has become the lingua
franca for data scientists, and support of NLP, machine learning, and
deep learning libraries is plentiful. I refer to many of these packages when
solving the example problems and discussing general concepts.
It is assumed that all readers of this book have a general understanding
of Python, such that you have the ability to write software in this language.
If you are not familiar with this language, but you are familiar with others,
the concepts in this book will be portable with respect to the methodology
used to solve problems, given the same data sets. Be that as it may, this
book is not intended to instruct users on Python. Now, let’s discuss some of
the technologies that are most important to understanding deep learning.

TensorFlow
One of the groundbreaking releases in open source software, in addition
to machine learning at large, has undoubtedly been Google’s TensorFlow.
It is an open source library for deep learning that is a successor to Theano,
a similar machine learning library. Both utilize data flow graphs for

4
 Chapter 1 What Is Natural Language Processing?

computational processes. Specifically, we can think of computations as

dependent on specific individual operations. TensorFlow functionally
operates by the user first defining a graph/model, which is then operated
by a TensorFlow session that the user also creates.
The reasoning behind using a data flow graph rather than another
computational format computation is multifaceted, however one of the
more simple benefits is the ability to port models from one language to
another. Figure 1-2 illustrates a data flow graph.

Graph of Nodes, also called operations (ops)

biases

weights Add Softmax

MatMul Xent
inputs

targets

Figure 1-2. Data flow graph diagram

For example, you may be working on a project where Java is the

language that is most optimal for production software due to latency
reasons (high-frequency trading, for example); however, you would like to
utilize a neural network to make predictions in your production system.
Rather than dealing with the time-consuming task of setting up a training
framework in Java for TensorFlow graphs, something could be written in
Python relatively quickly, and then the graph/model could be restored by
loading the weights in the production system by utilizing Java. TensorFlow
code is similar to Theano code, as follows.

    #Creating weights and biases dictionaries

    weights = {'input': tf.Variable(tf.random_normal([state_
size+1, state_size])),

5
Chapter 1 What Is Natural Language Processing?

        'output': tf.Variable(tf.random_normal([state_size,
n_classes]))}
    biases = {'input': tf.Variable(tf.random_normal([1, state_
size])),
        'output': tf.Variable(tf.random_normal([1, n_classes]))}

    #Defining placeholders and variables

    X = tf.placeholder(tf.float32, [batch_size, bprop_len])
    Y = tf.placeholder(tf.int32, [batch_size, bprop_len])
    init_state = tf.placeholder(tf.float32, [batch_size, state_
size])
    input_series = tf.unstack(X, axis=1)
    labels = tf.unstack(Y, axis=1)
    current_state = init_state
    hidden_states = []

    #Passing values from one hidden state to the next

    for input in input_series: #Evaluating each input within
the series of inputs
        input = tf.reshape(input, [batch_size, 1]) #Reshaping
input into MxN tensor
        input_state = tf.concat([input, current_state], axis=1)
#Concatenating input and current state tensors
        _hidden_state = tf.tanh(tf.add(tf.matmul(input_
state, weights['input']), biases['input'])) #Tanh
transformation
        hidden_states.append(_hidden_state) #Appending the next
state
        current_state = _hidden_state #Updating the current state

TensorFlow is not always the easiest library to use, however, as there

often serious gaps between documentation for toy examples vs. ­real-­
world examples that reasonably walk the reader through the complexity of
implementing a deep learning model.
6
 Chapter 1 What Is Natural Language Processing?

In some ways, TensorFlow can be thought of as a language inside of

Python, in that there are syntactical nuances that readers must become
aware of before they can write applications seamlessly (if ever). These
concerns, in some sense, were answered by Keras.

Keras
Due to the slow development process of applications in TensorFlow,
Theano, and similar deep learning frameworks, Keras was developed for
prototyping applications, but it is also utilized in production engineering
for various problems. It is a wrapper for TensorFlow, Theano, MXNet, and
DeepLearning4j. Unlike these frameworks, defining a computational graph
is relatively easy, as shown in the following Keras demo code.

def create_model():
    model = Sequential()
    model.add(ConvLSTM2D(filters=40, kernel_size=(3, 3),
                       input_shape=(None, 40, 40, 1),
                       padding='same', return_sequences=True))
    model.add(BatchNormalization())

    model.add(ConvLSTM2D(filters=40, kernel_size=(3, 3),

                       padding='same', return_sequences=True))
    model.add(BatchNormalization())
    
    model.add(ConvLSTM2D(filters=40, kernel_size=(3, 3),
                       padding='same', return_sequences=True))
    model.add(BatchNormalization())

    model.add(ConvLSTM2D(filters=40, kernel_size=(3, 3),

                       padding='same', return_sequences=True))
    model.add(BatchNormalization())

    model.add(Conv3D(filters=1, kernel_size=(3, 3, 3),

7
Chapter 1 What Is Natural Language Processing?

                   activation='sigmoid',
                   padding='same', data_format='channels_last'))
    model.compile(loss='binary_crossentropy', optimizer='adadelta')
    return model

Although having the added benefit of ease of use and speed with
respect to implementing solutions, Keras has relative drawbacks when
compared to TensorFlow. The broadest explanation is that Keras
users have considerably less control over their computational graph
than TensorFlow users. You work within the confines of a sandbox
when using Keras. TensorFlow is better at natively supporting more
complex operations, and providing access to the most cutting-edge
implementations of various algorithms.

Theano
Although it is not covered in this book, it is important in the progression
of deep learning to discuss Theano. The library is similar to TensorFlow
in that it provides developers with various computational functions (add,
matrix multiplication, subtract, etc.) that are embedded in tensors when
building deep learning and machine learning models. For example, the
following is a sample Theano code.

(code redacted please see github)

X, Y = T.fmatrix(), T.vector(dtype=theano.config.floatX)
    weights = init_weights(weight_shape)
    biases = init_biases(bias_shape)
    predicted_y = T.argmax(model(X, weights, biases), axis=1)

    cost = T.mean(T.nnet.categorical_crossentropy(predicted_y, Y))

    gradient = T.grad(cost=cost, wrt=weights)
    update = [[weights, weights - gradient * 0.05]]

8
 Chapter 1 What Is Natural Language Processing?

    train = theano.function(inputs=[X, Y], outputs=cost,

updates=update, allow_input_downcast=True)
    predict = theano.function(inputs=[X], outputs=predicted_y,
allow_input_downcast=True)

    for i in range(0, 10):

        print(predict(test_x_data[i:i+1]))

if __name__ == '__main__':

    model_predict()

When looking at the functions defined in this sample, notice that T is

the variable defined for a tensor, an important concept that you should
be familiar with. Tensors can be thought of as objects that are similar
to vectors; however, they are distinct in that they are often represented
by arrays of numbers, or functions, which are governed by specific
transformation rules unique unto themselves. Tensors can specifically be
a single point or a collection of points in space-time (any function/model
that combines x, y, and z axes plus a dimension of time), or they may be a
defined over a continuum, which is a tensor field. Theano and TensorFlow
use tensors to perform most of the mathematical operations as data is
passed through a computational graph, colloquially known as a model.
It is generally suggested that if you do not know Theano, you should
focus on mastering TensorFlow and Keras. Those that are familiar with
the Theano framework, however, may feel free to rewrite the existing
TensorFlow code in Theano.

9
Chapter 1 What Is Natural Language Processing?

Applications of Deep Learning to NLP

This section discusses the applications of deep learning to NLP.

Introduction to NLP Techniques and Document

Classification
In Chapter 3, we walk through some introductory techniques, such as
word tokenization, cleaning text data, term frequency, inverse document
frequency, and more. We will apply these techniques during the course
of our data preprocessing as we prepare our data sets for some of the
algorithms reviewed in Chapter 2. Specifically, we focus on classification
tasks and review the relative benefits of different feature extraction
techniques when applied to document classification tasks.

T opic Modeling
In Chapter 4, we discuss more advanced uses of deep learning, machine
learning, and NLP. We start with topic modeling and how to perform it via
latent Dirichlet allocation, as well as non-negative matrix factorization.
Topic modeling is simply the process of extracting topics from documents.
You can use these topics for exploratory purposes via data visualization or
as a preprocessing step when labeling data.

W
 ord Embeddings
Word embeddings are a collection of models/techniques for mapping
words (or phrases) to vector space, such that they appear in a high-­
dimensional field. From this, you can determine the degree of similarity,
or dissimilarity, between one word (or phrase, or document) and another.
When we project the word vectors into a high-dimensional space, we can
envision that it appears as something like what’s shown in Figure 1-3.

10
 Chapter 1 What Is Natural Language Processing?

walked

swam

walking

swimming

Verb tense
Figure 1-3. Visualization of word embeddings

Ultimately, how you utilize word embeddings is up to your own

interpretation. They can be modified for applications such as spell check,
but can also be used for sentiment analysis, specifically when assessing
larger entities, such as sentences or documents in respect to one another.
We focus simply on how to train the algorithms and how to prepare data to
train the embeddings themselves.

Language Modeling Tasks Involving RNNs

In Chapter 5, we end the book by tackling some of the more advanced NLP
applications, which is after you have been familiarized with preprocessing
text data from various format and training different algorithms.
Specifically, we focus on training RNNs to perform tasks such as name
entity recognition, answering questions, language generation, and
translating phrases from one language to another.

11
Chapter 1 What Is Natural Language Processing?

Summary
The purpose of this book is to familiarize you with the field of natural
language processing and then progress to examples in which you
can apply this knowledge. This book covers machine learning where
necessary, although it is assumed that you have already used machine
learning models in a practical setting prior.
While this book is not intended to be exhaustive nor overly academic,
it is my intention to sufficiently cover the material such that readers are
able to process more advanced texts more easily than prior to reading
it. For those who are more interested in the tangible applications of NLP
as the field stands today, it is the vast majority of what is discussed and
shown in examples. Without further ado, let’s begin our review of machine
learning, specifically as it relates to the models used in this book.

12
CHAPTER 2

Review of Deep
Learning
You should be aware that we use deep learning and machine learning
methods throughout this chapter. Although the chapter does not provide
a comprehensive review of ML/DL, it is critical to discuss a few neural
network models because we will be applying them later. This chapter also
briefly familiarizes you with TensorFlow, which is one of the frameworks
utilized during the course of the book. All examples in this chapter use toy
numerical data sets, as it would be difficult to both review neural networks
and learn to work with text data at the same time.
Again, the purpose of these toy problems is to focus on learning how
to create a TensorFlow model, not to create a deployable solution. Moving
forward from this chapter, all examples focus on these models with text data.

 ultilayer Perceptrons and Recurrent

M
Neural Networks
Traditional neural network models, often referred to as multilayer
perceptron models (MLPs), succeed single-layer perceptron models (SLPs).
MLPs were created to overcome the largest shortcoming of the SLP model,
which was the inability to effectively handle data that is not linearly
separable. In practical cases, we often observe that multivariate data is

© Taweh Beysolow II 2018 13

T. Beysolow II, Applied Natural Language Processing with Python,
https://doi.org/10.1007/978-1-4842-3733-5_2
Chapter 2 Review of Deep Learning

non-linear, rendering the SLP null and void. MLPs are able to overcome
this shortcoming—specifically because MLPs have multiple layers. We’ll
go over this detail and more in depth while walking through some code to
make the example more intuitive. However, let’s begin by looking at the
MLP visualization shown in Figure 2-1.

Figure 2-1. Multilayer perceptron

Each layer of an MLP model is connected by weights, all of which are

initialized randomly from a standard normal distribution. The input layer
has a set number of nodes, each representative of a feature within a neural
network. The number of hidden layers can vary, but each of them typically
has the same number of nodes, which the user specifies. In regression, the
output layer has one node. In classification, it has K nodes, where K is the
number of classes.
Next, let’s have an in-depth discussion on how an MLP works and
complete an example in TensorFlow.

14
 Chapter 2 Review of Deep Learning

T oy Example 1: Modeling Stock Returns

with the MLP Model
Let’s imagine that we are trying to predict Ford Motor Company (F)
stock returns given the returns of other stocks on the same day. This is a
regression problem, given that we are trying to predict a continuous value.
Let’s begin by defining an mlp_model function with arguments that will be
used later, as follows:

def mlp_model(train_data=train_data, learning_rate=0.01,

iters=100, num_hidden1=256):

This Python function contains all the TensorFlow code that forms the
body of the neural network. In addition to defining the graph, this function
invokes the TensorFlow session that trains the network and makes
predictions. We’ll begin by walking through the function, line by line, while
tying the code back to the theory behind the model.
First, let’s address the arguments in our function: train_data is the
variable that contains our training data; in this example; it is the returns of
specific stocks over a given period of time. The following is the header of
our data set:

0  0.002647 -0.001609  0.012800  0.000323  0.016132 -0.004664

-0.018598
1  0.000704  0.000664  0.023697 -0.006137 -0.004840  0.003555
-0.006664
2  0.004221  0.003600  0.002469 -0.010400 -0.008755 -0.002737  
0.025367
3  0.003328  0.001605  0.050493  0.006897  0.010206  0.002260
-0.007156
4  0.001397  0.004052 -0.009965 -0.012720 -0.019235 -0.002255  
0.017916

15
Chapter 2 Review of Deep Learning

5 -0.009326 -0.003754 -0.014506 -0.006607 -0.034865  0.011463  

0.003844
6  0.008446  0.005747  0.022830  0.009312  0.021757 -0.000319  
0.023982
7  0.002705  0.002623  0.007636  0.020099 -0.007433 -0.008303
-0.004330
8 -0.011224 -0.009530 -0.008161 -0.003230 -0.015381 -0.003381
-0.010674
9  0.012496  0.010942  0.016750  0.007777  0.001233  0.008724  
0.033367

Each of the columns represent the percentage return of a stock on a

given day, with our training set containing 1180 observations and our test
set containing 582 observations.
Moving forward, we come to the learning rate and activation function.
In machine learning literature, the learning rate is often represented by the
symbol η (eta). The learning rate is a scalar value that controls the degree
to which the gradient is updated to the parameter that we wish to change.
We can exemplify this technique when referring to the gradient descent
update method. Let’s first look at the equation, and then we can break it
down iteratively.

1 N
( )
2
Si =1 hq ( x ) - y i
i
q t +1 = q t - h (2.1)
N

q t +1 = q t - h
1
N
( i
)
Si =1 2 hq ( x ) - y i Ñq hq ( x )
i

In Equation 2.1, we are updating some parameter, θ, at a given

time step, t. hθ(x)i is equal to the hypothesized label/value, y being the
actual label/value, in addition to N being equal to the total number of
observations in the data set we are training on.
∇θhθ(x)i is the gradient of the output with respect to the parameters of
the model.

16
 Chapter 2 Review of Deep Learning

Each unit in a neural network (with the exception of the input layer)
receives the weighted sum of inputs multiplied by weights, all of which are
summed with a bias. Mathematically, this can be described in Equation 2.2.

y = f ( x ,w T ) + b (2.2)

In neural networks, the parameters are the weights and biases. When
referring to Figure 2-1, the weights are the lines that connect the units in
a layer to one another and are typically initialized by randomly sampling
from a normal distribution. The following is the code where this occurs:

    
weights = {'input': tf.Variable(tf.random_normal([train_x.
shape[1], num_hidden])),
            
'hidden1': tf.Variable(tf.random_normal([num_
hidden, num_hidden])),
            
'output': tf.Variable(tf.random_normal([num_hidden,
1]))}

    
biases = {'input': tf.Variable(tf.random_normal([num_
hidden])),
            
'hidden1': tf.Variable(tf.random_normal([num_
hidden])),
            'output': tf.Variable(tf.random_normal([1]))}

Because they are part of the computational graph, weights and biases
in TensorFlow must be initialized as TensorFlow variables with the tf.
Variable(). TensorFlow thankfully has a function that generates numbers
randomly from a normal distribution called tf.random_normal(), which
takes an array as an argument that specifies the shape of the matrix that you
are creating. For people who are new to creating neural networks, choosing
the proper dimensions for the weight and bias units is a typical source of
frustration. The following are some quick pointers to keep in mind :

• When referring to the weights, the columns of a given

layer need to match the rows of the next layer.

17
Chapter 2 Review of Deep Learning

• The columns of the weights for every layer must match

the number of units for each layer in the biases.

• The output layer columns for the weights dictionary

(and array shape for the bias dictionary) should be
representative of the problem that you are modeling.
(If regression, 1; if classification, N, where N = the
number of classes).

You might be curious as to why we initialize the weights and biases

randomly. This leads us to one of the key components of neural networks’
success. The easiest explanation is to imagine the following two scenarios:

• All weights are initialized to 1. If all the weights are

initialized to 1, every neuron is passed the same value,
equal to the weighted sum, plus the bias, and then put
into some activation function, whatever this value may be.

• All weights are initialized to 0. Similar to the prior

scenario, all the neurons are passed the same value,
except that this time, the value is definitely zero.

The more general problem associated with weights that are initialized
at the same location is that it makes the network susceptible to getting
stuck in local minima. Let’s imagine an error function, such as the one
shown in Figure 2-2.

18
Exploring the Variety of Random
Documents with Different Content
tão avantajado, que mais podeis mover duvidas para me
envergonhar, que para saberes alguma cousa de novo; e assim de
corrido, e de corrida me passo ao terceiro exercicio da
communicação dos extrangeiros, da qual se não alcança menos
doutrina, que de todos os exercicios cortezãos. Quatro generos de
gente extranha costuma a assistir nas côrtes dos principes. A
primeira reis, principes, e senhores, e homiziados, que por alguma
occasião vem a acolher-se a seu amparo, ou por adversa fortuna
ficam debaixo de seu senhorio. O segundo são embaixadores, com
os nobres e ministras, que os acompanham. O terceiro gentis-
homens, que vem a saber a grandeza dos reinos extranhos. O
quarto mercadores, que por razão do commercio e correspondencia
vem a assentar nas praças principaes do mundo, que são as mais
das vezes onde os reis assistem. E todas estas quatro condições de
gente são de muita importancia para se colher d’ella muito fructo.
Primeiramente facil é de julgar a varia noticia de costumes e
condições de gentes e dos ritos e leis de provincias, que os
cortezãos portuguezes alcançaram com a vinda de tantos reis e
principes extrangeiros, assim infieis, como catholicos, á côrte d’este
reino, quantos reis, e senhores da Barbaria, da Ethiopia, e de outras
partes da Africa, da India, de Maluco, e de Japão, e de outras
remotas partes do mundo; e que cousa apurou mais a côrte d’el-rei
D. João o I, que a vinda a ella do duque de Alencastre irmão d’el-rei
Richarte de Inglaterra, a cujo respeito houveram os doze
portuguezes em Londres aquella celebrada victoria em favor das
damas? Pois os mais homiziados e queixosos, que se ampararam á
sombra do principe, pela maior parte são homens de valor, sangue,
e esforço. Os embaixadores, do que d’elles temos dito, se collige o
de quanta importancia sejam para dar exemplo. Os gentis-homens,
que por curiosidade vem a saber o estilo e gentilezas de côrtes
extranhas, esta mesma diligencia os acredita; e além d’isto é de
presumir que tenham visto, ouvido e sabido muito de reinos alheios:
de modo, que de uns e de outros se colhe grande doutrina para a
conversação civil, e perfeição do homem bem nascido; porque cada
um conta da côrte, trajo, modo, e estilo do seu reino, a maneira de
reger, governar, julgar, tratar, e peleijar da sua nação: d’elles se
aprende as excellencias particulares, e os defeitos das provincias, e
de que as suas gentes são mais notadas: como a gentileza de
França, a furia de Inglaterra, a fortaleza de Allemanha, o siso de
Lombardia, as cautelas de Toscana, a fidelidade de Milão, a
presumpção de Esclavonia, a conta e trato de Genova, a destreza
de Bretanha, a caridade de Borgonha, a continencia de Picardia, a
justiça de Veneza, a magnanimidade de Roma: e logo a crueldade
de Hungria, a infidelidade de Turquia, a lisonja de Grecia, as
zombarias de Piemonte, a luxuria de Catalunha, e a golodice de
Barbaria. Pois dos mercadores se não colhe tambem pequeno
fructo: porque, deixando o que pertence á conta, peso, medida,
correspondencia, confiança, credito, verdade e razão, se alcança do
commercio das provincias o que falta em muitas partes; e as em que
ha todas as cousas, que por via dos mercadores se communicam, e
os portos, caminhos, e escalas de todo o mundo: por elles se
conhecem as pedras finas, drogas, roupas, e materiaes de
medicinas da India Oriental; as pedras, aljofar, porcelanas, e
alcatifas da China; o ouro de Sofala; como no Occidente de
Dalmacia, e Germania; e na França o celebrado de Tolosa: a prata
de Nova Hespanha, e de Saxonia, e Sardenha: o metal de Corintho,
e Chipre: o estanho, cobre, e arame de Flandres, e Inglaterra: o
ferro, aço, e chumbo de Cantabria e Sicilia: o marfim da India, Brazil,
e Ethiopia: as lãs de Bretanha, Calabria, Calcedonia, e França: o
algodão, cheiros, e myrrha de Arabia, Pancaia, e Assyria: as télas e
sedas de Persia: o alabastro de Napoles: as martas, e arminhos de
Polonia, e Moscovia: o papel e vidros de Veneza: o assucar de
India, Brazil, e ilhas de Portugal: o coral de India e Marselha:
courames, madeiras, vinhos, e trigo das ilhas do Oceano, que
pertencem á conquista dos portuguezes: e muitas outras cousas,
que querer agora contar fôra infinito; e por o não parecer este
discurso, tratarei brevemente de quatro exercicios dos pretendentes
da côrte: materia mui larga, que pedia mais tempo, e muito
importante a todos, porque do seu cuidado, diligencia e soffrimento
se pode colher uma lição universal para todo o estado, e condição
de pessoa, pois nenhuma ha a que não seja necessario desvelar-se,
negocear e soffrer para effeito de dar alcance ao que deseja. E
como n’este tempo os homens estão já desenganados de quão
pouco valem merecimentos, que (por elles o não serem) vieram a
chamar valia ás adherencias; e lhes tem mostrado a experiencia a
verdade d’aquelle rifão, que cada um dança segundo os amigos que
tem na salla; e que só põe em pé os serviços quem os arrima a boa
parede, por mais arrastados que andassem na opinião da gente. Já
nenhum pretendente discreto faz tanto cabedal d’elles como de
ministros que o ouçam, creados que o admittam, amigos que o
lembrem, ricos que o abonem, terceiros que o cheguem, e peitas
que o despachem. Para o que o avisado, depois de fazer o signal da
cruz á sua pretenção, primeiro sabe os que valem com o principe,
depois d’isto os que tem logar e entrada com os privados: logo
conhecer os creados mais mimosos; em sabendo a sala do valido,
tomal-a de empreitada, ser continuo no passeio d’ella; onde a todos
a primeira cortezia, e a mais humilde seja a sua; o riso sempre na
bôca, os offerecimentos na lingua, os olhos no seu intento; dar o
melhor logar a todos, porque acaso não falte a algum que pode ser
em seu favor; não se aparte da vista do que grangea; faça-se
encontradiço onde o veja; na egreja tomar o logar da porta; na salla
a sahida; no acompanhamento o deanteiro, para parar onde fique
tomando os olhos do privado, para que assim, ou com a
continuação mereça, ou com a importunação o despache: usar do
trajo limpo, mas não custoso: o comer leve, mas concertado, porque
arguem moderação com gravidade: o falar sempre á vontade do
ministro, dizendo os amens a todas suas orações, mostrar-se ao
favor humilde, á representação agradavel, á esperança contente, ao
desengano confiado: falar a todos no seu negocio, porque muitas
vezes acerta com um, de que elle não esperava abrir caminho a seu
despacho; saber dos que tiveram os outros, e valer-se da queixa
dos mal galardoados, para que, antepondo-lhe os seus
merecimentos, approve a justiça e favor, que lhes fizeram. E no que
toca á moderação das paixões naturaes, ninguem as traz mais
registadas que o pretendente; porque dos cinco sentidos e tres
potencias usa d’esta maneira. Vê tudo, e olha pouco; vigia, porque,
como dizem, a quem vela tudo se lhe revela; mas com os olhos no
que procura dissimula o que vê, ouve, e não escuta: e assim as más
respostas dos ministros cançados, ou insolentes não o
escandalisam, antes lhe mostra alegria fazendo do escandalo
materia de agradecimento; cheira de longe o que receia; e
dissimula, fingindo confiança no que merece: apalpa, e tenta todos
os meios de seu remedio, e finge-se ignorante a tudo o que releva;
põe o gosto no de quem o favorece, para não fazer mais que o que
lhe contente: a memoria occupa-se em relatar seus serviços, e
obrigações fingidas, por vêr se assim as pode ter verdadeiras:
esquece-se do entendimento para não sentir, e para tambem com
elles obedecer; porque o que pretende é muitas vezes prudencia
fingir ignorancia, accommodar a vontade com a sua em um
voluntario e forçoso captiveiro; a d’aqui nasce que os que
pretendem vivem em pobreza, porque não podem ter proprio
emquanto dependem de favores alheios; em obediencia, porque a
tem com tanta sujeição, que, se ao senhor deseja parecer creado,
ao creado quer parecer escravo, e ao amigo, e parente servidor;
fazendo-se com todos os ventos para o contentar; em castidade,
porque a sua inquietação e cuidado não dão logar aos de amor, que
se criam em pensamentos ociosos, que além do pretendente ser
humilde, liberal, cortez, paciente, discreto, comedido, sombrio,
advertido; casto, diligente, e temperado, a sua cortezia é mais
apurada, a sua discrição mais advertida, a sua liberalidade mais
prodiga, a sua offerta mais timida, a sua queixa mais moderada, a
sua paciencia mais humilde, o seu louvor mais encarecido, a sua
voz mais baixa, a sua razão melhor encaminhada. Emfim é ornado
de todas as partes boas, de que se pode prezar o homem bem
nascido quando as tenha por natureza, e costume, como os
pretendentes as fingem e guardam por necessidade. Com isto me
deveis haver por desobrigado do cargo, que me déstes; e posto que
as horas, que são passadas da noite, culpam a minha tardança, a
materia a pedia; ainda que o desejo de não enfadar me
aconselhasse outra cousa.—Tendes dito todas tão bem (respondeu
elle) que a pratica, e a noite pareceu breve. Com isso vamos a
descançar para na guerra de ámanhã entrarmos mais esforçados.—
N’essa me dou já por vencido (disse elle).—E eu por atalhado
(accudiu Roberto) e todos se despediram com os olhos n’aquella
côrte pintada, que ainda com as sombras da verdadeira enganava
os sentidos.
 DIALOGO XV
da creação na milicia
Solino foi o primeiro que a noite do outro dia buscou aos amigos
em casa de D. Julio; e elle, e os hospedes lhe agradeceram muito a
diligencia. E o prior (que lhe não era pouco affeiçoado) disse:—Bem
me parece que não fez a edade falta no vosso animo, ainda que as
cãs queiram desacreditar as forças, pois sois o primeiro que acudis
á guerra.—Como esta (respondeu elle) ha de ser em alojamento,
primeiro apparecem as barbacãs, que os soldados.—N’ellas (acudiu
Alberto) está o mais seguro presidio contra os perigos; e tendo eu
hoje as vossas da minha parte, temerei pouco as que tiver contra
mim n’esta occasião.—Em muitas (replicou Solino) me releva
mostrar que sou vosso, por dar boa conta da razão com que de mim
faz alguma o sr. D. Julio; que, como sabe melhor o que se vos deve,
me terá por rustico, se não pagar com esta vassallagem o que
mereceis.—Nada haverá (disse D. Julio) que commigo vos
desacredite, mórmente para um cumprimento, segundo agora vos vi
armado para elles.—Pois se vae a falar verdade (tornou elle) eu vos
affirmo que de nenhum inimigo desejo tanto fugir como de um
cumprimento; porém ha alguns, que tomam a um homem como em
becco sem sahida, onde o faz animoso a necessidade; e á minha
acudistes vós agora com essa interlocutoria; que já minha copia
verborum ia dando os fios.—Se com esses me armaes a que vol-o
gabe (disse elle) estaes enganado; que me importa poupar o
cabedal para outra occasião.—Bem sabeis vós (tornou elle) que em
nenhuma me quero gabado, antes; praguejado como Adem; porque
se é verdade (como diz Pindaro) que tenho a graça na murmuração,
como a cobra a peçonha no rabo; quando me põem o pé n’elle, sei
morder com mais subtileza, que na doçura de um cumprimento
abemolado, de que já a mercê arda tão estylada a puras sincopas e
signalefas que parece tisica, e não sei se, de o estar nas palavras, o
anda agora nas obras dos senhores.—Ruim agouro foi para uma e
outra cousa (disse o prior) escreverem-a sempre em breve letra por
parte: e certo que nenhuma cousa era tão necessaria ás mercês de
agora, como o mantenha-vos Deus do tempo antigo. Porém, se me
não engano, ouço já os vossos aventureiros, que vem falando alto.
—Eu tambem sou com elles (disse Solino) e conheço a Pindaro no
riso, que sempre entra com chocalhada como picadeiro. A esta
pratica atalhou a chegada d’elles, que com mais compridas
desculpas do que foi a tardança se assentaram. E porque Solino
tinha um galeote vestido, que trouxera por razão do frio, lhe disse
Pindaro: nem de côrte, nem de milicia vos vestistes hoje; e não
parece razão que em actos tão solemnes venhaes de caça a casa
do sr. D. Julio.—O melhor seria (respondeu Solino) que me
cortasseis vós agora de vestir, pois não tendes boa tesoura; e já
sabeis que as ruins fazem a bôcca torta aos alfaiates. Porém já que
vinheis de côrte para esta casa, onde ha tanta, porque antes de vêr
o meu gabão rieis tão alto d’elle?—Vingado estaes (acudiu
Feliciano) e o certo é que, se faltardes á milicia, nunca vos faltará a
malicia.—Se nos mettermos por ella (disse Leonardo) não ficará
tempo para que o sr. Alberto satisfaça á obrigação de nos ensinar a
boa creação, que se adquire com as armas.—E se eu com as do
vosso entendimento (tornou elle) não soccorrer a minhas faltas, mal
me irá n’esta batalha: porém como as mais das instrucções da
policia militar dependem, ou se parecem com as da côrte, do que
d’estas dissestes tão doutamente me aproveitarei agora, pondo
sómente de meu cabedal a differença. E assim me parece que a
creação da milicia leva a todas as outras grandes vantagens por
quatro fundamentos; que cada um d’elles apura mais aos homens
bem nascidos, que o trato da côrte e o exercicio das escolas. O
primeiro é, que a honra é a fonte de todo o bom ensino, policia,
procedimento e valor; e esta que mais nasce, se cria e conserva na
guerra, que em nenhuma outra parte: e assim os reis, que são o
primeiro logar, d’onde aprendem os seus inferiores, e d’elles passa a
doutrina a todo o vulgo, primeiro os fez a milicia que os tivessem as
côrtes: e o primeiro, que houve no mundo, que foi Nembrot, na
guerra tomou o nome, e assentou com elle o seu imperio em
Assyria; e de então todos, os que por fio de geração não
succederam, as armas lhes deram titulo, corôa, sceptro e senhorio;
e depois d’elles o tiveram pelo mesmo modo os potentados, duques,
marquezes, condes, barões e ricos homens, que nas conquistas,
instituições, ou restaurações de reinos, fizeram obras heroicas: e
d’elles passaram a seus descendentes os appellidos, armas,
insignias, senhorios, terras, vassallos, jurisdicções, liberdades,
honras e rendas que engrandecem a nobreza. O segundo
fundamento é o rigor, com que na milicia se conserva a lei da
policia, bom termo, primor e procedimento; porque se commettem
muitas vezes ás armas as faltas e emendas que a estes tocam; e
onde o erro é tão arriscado, é a vigilancia e advertencia muito
pontual; e por este respeito andam os soldados tão vistos nas
miudezas e particulares da cortezia, que nenhum ponto perdem,
nem deixam perder. O terceiro é a continuação do soffrimento, e da
paciencia militar, que em tudo se adeanta com grande differença a
pretendentes, creados ministros, no que é com maior risco da vida,
ora seja marchando, ora navegando, ora em alojamento, ora em
campanha, pelas incommodidades de sitios, gasalhados e
mantimentos; e pelas continuas vigilias, que fazem por lei o repouso
tão limitado, como o póde fazer por curiosidade o mais estudioso. O
quarto fundamento é a variedade das terras e provincias que vê, as
diversas nações e gentes com que trata; que é a creação mais
importante para o homem bem nascido, e que na côrte ou nas
escolas se não póde adquirir tão facilmente. E para que, ao menos
imitando a ordem do sr. Leonardo, dê alguma a minhas razões,
discursarei com maior brevidade, que satisfação sobre estes quatro
fundamentos, fazendo o principal de minha confiança no favor que
d’elle, e de todos estes senhores espero.—Até o tomar na graça
(acudiu Solino) ambos levastes um mesmo vento, senão quanto ao
sr. Leonardo metteu mais traquetes e cevadeiras: e se isto até ao
fim fôr em arremedados, póde ser que entre eu na musica antes de
muitos dias.—De boa vontade (disse o doutor) vos passarei eu o de
ámanhã.—Não o hei de pedir (respondeu elle) por alvará de
renunciação, que será difficultoso o consentimento d’estes
senhores; buscarei logar vago: e porque me entalei n’este em ruim
tempo, o quero deixar ao sr. Alberto.—Pareceis-me n’elle tão bem
(tornou elle) que já me esquecia de o cobrar; porém, já que me daes
licença, o primeiro fundamento é que a honra se apura e sustenta
mais na guerra que na côrte e nas escolas: este me parece que se
prova melhor com uma sentença que diz que a boa fama é o
patrimonio na milicia; porque a honra, o ser, o preço e a riqueza de
um soldado, não consiste no appellido de sua familia, na herança de
seus avós, na riqueza e morgado de seu pae, nem outros juros,
tenças e rendas de que tenha esperança; senão na opinião em que
está tido entre os amigos e contrarios, segundo seu valor e
merecimentos. E se é certo que a verdadeira honra não consiste
nas estatuas dos antigos, nem nos pavezes e escudos em que se
conserva a memoria dos principios da nobreza, senão na virtude,
valor, magnanimidade e exforço proprio; só o soldado é filho de suas
obras, e se póde chamar honrado por si mesmo, sem por roubo,
emprestimo ou herança se chamar nobre: porque os que de
nascimento o são, e pelas armas o merecem ser, assim honram a
seus passados, melhoram e obrigam a seus descendentes. E os
que de principios humildes chegaram por seu braço a merecer
titulos, grandezas e senhorios, dão felice principio a sua familia, e
tambem a reinos, potentados e casas, que os ficam em seus
successores eternisando, como por maravilhosos exemplos dos
antigos conhecemos; e por experiencia dos modernos se vê cada
dia. Ptolomeu de soldado de uma companhia do exercito de
Alexandre, veiu por seu valor a ser rei do Egypto. Dario e Artaxerxes
por esforço e merecimentos proprios, sendo de mais humilde
nascimento, alcançaram o sceptro e corôa real dos Persas.
Valentiniano e Justino imperadores de Roma, nascendo rusticos e
pastores, por o braço vieram a merecer aquelle supremo titulo da
grandeza humana. Viriato e Tamorlão, de pastores, caçadores e
soldados vieram a ser, um imperador dos Scythas, o outro
governador e general dos Luzitanos: e outros mais modernos, como
foi Primislau rei de Bohemia, Francisco Esforcia duque de Milão, e
outros muitos; e na milicia presente de Flandres, França, Allemanha
e Inglaterra, na de Asia, e na do Oriente, e da Nova Hespanha,
conheço eu por vista, e sei por nome, e da fama de muitos
soldados, que, sendo de escuro nascimento, por sua extremada
valentia e esforço se fizeram tão claros e illustres, e como taes tem
os cargos importantes, os logares, honras e vantagens da milicia.
De maneira que, pois a honra é uma universidade, em que se
aprendem todos os bons termos, procedimentos e cortezias; e esta
está fundada na milicia, onde entre as armas nasce, com ellas se
ganha, apura e sustenta; n’ella deve estar mais apurado o fructo de
sua disciplina. O segundo fundamento é o rigor com que os erros
contra a policia se castigam na guerra; de que nasce a vigilancia e
cuidado, com que os soldados se disvellam para andarem
apontados até em miudezas, de que na côrte se descuidam os mais
advertidos para a differença que ha, cortando-se á espada o maio
que cresce ao que é pouco cultivado no bom ensino e
procedimento; de modo que, mais periga um homem em uma
descortezia ás vezes, que em uma batalha. E assim o falar
composto, o responder brando, o perguntar com tento, o tratar do
ausente, o defender ao amigo, e o falar do contrario, cada cousa
tem na guerra suas leis estabelecidas, em cuja execução se
procede com todo o rigor; o dos particulares d’ellas nasceram os
desafios e duellos tão justamente reprovados na republica catholica,
quanto na barbara opinião antiga bem recebidos, como foi na dos
reis de Lombardia, que reduziram o duello a dezoito casos das leis:
o o imperador Frederico a quatro; e Filippe rei de França a tres: e
Frotanio rei de Dacia fez lei que toda a contenda que havia de ser
em juizo, se averiguasse pelas armas. E como o descuido que o
soldado tem na cortezia, a soltura na palavra, a má correspondencia
no procedimento, a liberdade com que fala do ausente e do
contrario, está sujeita a dar satisfação por um caminho tão breve:
qualquer soldado pratico está mais advertido que o melhor cortezão
no bom ensino, respeito e brandura com que ha de tratar aos
homens.—A verdade é (disse o doutor) que os soldados conversam
com toda a brandura e bom termo: e já Platão disse que o bom
soldado devia de ser como o cão; para os domesticos e conhecidos
muito fagueiro; e contra os inimigos arriscado e valente. Porém o
duello é cousa muito mais antiga, e que se não inventou para essas
miudezas que dizeis: porque, conforme a opinião dos legistas, é um
combate e batalha particular de corpo a corpo para provar alguma
cousa duvidosa, da qual o que sahe vencedor se entende que
provou o que queria, como o desafio de Menelau com Paris, de
Enéas com Diomédes, de Ajax com Heitor; os duellos de Lucio
Sicinio Dentato, que oito vezes á vista dos dois exercitos sahiu
vencedor; o de Tito Manlio Torquato, e de Lucio Emilio com o
capitão dos Samnitas; de Alexandre Magno com Póro rei da India, o
de Scanderbhec com Zayá, e Tambrá valorosos Persas: o de Roe
rei de Dacia com Hudingo duque de Saxonia: e muitos dos nossos
valorosos Luzitanos em muitas partes do mundo, o de Alvaro
Gonçalves Coutinho o Magrisso em Flandres; o de Alvaro Vasques
de Almada conde de Abranches em França; o de Duarte Brandão
cavalleiro da Garrotea em Inglaterra; o de Gonçalo Ribeiro em
Castella; o de D. Francisco de Almeida em Granada: e muitos outros
no Oriente, na Asia e em Barbaria.—Não são esses (respondeu
Alberto) os duellos reprovados de que agora tratei, que
modernamente se usam, e se definem por differente modo, e por
todos com bastantissima causa se defendem; que os de que falaes
assim, como são batalhas singulares de corpo a corpo, se usavam
de cento a cento, vinte a vinte, dez a dez e doze a doze, como
foram os portuguezes de Inglaterra. Duellos, segundo a definição
moderna, é um combate de homens, que despresando as leis,
querem averiguar por seu braço o que toca á sua honra ou opinião,
movidos do interesse de a sustentarem, ou de vangloria, arrogancia,
inimisade ou vingança: e d’estes usa na milicia a furto das leis e
generaes, que com muito rigor os castigam: procedendo todos sobre
miudezas e pontos as mais vezes impertinentes, introduzidos pela
bizarria e fonfarria soldadesca, pendendo do que disse, calou,
passou, respondeu, olhou, se gabou? se ficou melhor nas palavras,
se alguma era escura, e ficou mal entendida? sobre perguntas,
declarações, satisfações e respostas, e outras cousas, que, por não
merecerem ser tratadas, antes com razão reprehendidas, deixo de
dizer. Mas a conclusão, para o meu intento, é que na milicia andam
as leis da cortezia, e procedimentos mais ajustadas com a razão,
que em outra parte alguma, por meio d’este rigor, que faz aos que
militam levarem muitas vantagens. O terceiro fundamento é a
paciencia e soffrimento dos soldados, que creados no trabalho, e
incommodidade d’aquella vida, é o maior de todos os estados;
trazendo sempre como grilhões o peso das armas: que se o
proverbio diz que quem traz no dedo o annel apertado, faz para si
voluntaria prizão, quanto maior o será o cossolete, o morrião, o
pique, o mosquete e o arcabuz, traz isto trazer o somno registrado
pelas leis do tambor, acudir ao seu quarto no melhor do repouso; e
no maior escuro, e geada do inverno, passear á sombra das nuvens
carregadas de agua, sem mais luz que a dos relampagos, e mais
lume que a do murrão; e ter por cama a terra, que de ordinario serve
aos soldados, que se alojam no campo, ou fronteira dos inimigos. E
se d’el-rei D. Affonso Henrique, do condestavel D. Nuno Alvares
Pereira, do condestavel D. Pedro de Menezes, e de outros generaes
portuguezes lêmos, que muitos annos inteiros dormiam as noites
sem despirem a malha, e couraças com que pelejavam de dia: que
colxões lhes podiam servir para tão asperos lençóes, se não fossem
as carretas da artilheria, o espigão dos muros, e o reparo das
trincheiras e barbacãs? Pois se a sobriedade e temperança é tão
gabada nos bons costumes pelos muitos que d’ella nascem, quem
póde ser mais temperado e sobrio que o soldado, do qual tantas
vezes a necessidade é cosinheira, o escudo ou cossolete a mesa, o
morrião o pucaro, e fome a iguaria? E deixando as famosas, que
houve no mundo, de que os auctores escreveram, que todas
couberam em sorte aos soldados; qual se não ha de presumir que
aconteça onde ha muita gente junta, da qual tudo se receia e nada
se fia? E se em alguma gente se conserva o costume dos
mantimentos da primeira edade, que eram fructas das arvores e
legumes dos campos, só na da milicia acontece muitas vezes: não
tratando ainda da guerra naval, que com maiores incommodidades e
perigos da vida se exercita; nem nos cêrcos, onde mais vezes a
necessidade da fome a põe em almoeda. Atraz d’estes extremos de
soffrimento se segue a obediencia militar, que é o esteio em que se
sustenta o principal peso da guerra, devida e guardada pelo mais
valoroso soldado ao menor e mais humilde official do exercito,
havendo n’elle tantos, como são general do exercito, coroneis,
capitães, tenentes, governadores, mestre de campo, sargentos-
móres, generaes de infanteria, de cavallaria, capitães de gente de
armas, capitães de cavallos ligeiros, generaes e capitães de
artilheria: fóra os particulares, alferes, sargentos, cabos de
esquadra, e outros officiaes não combatentes, como são provedor
geral, commissario geral, furriel mór, barrachel, thesoureiros,
collateraes, pagadores, e meirinhos, e outros muitos.
 E em o que toca ao governo de cada um, nenhum soldado
desobedece na ordem, na estancia, no concerto, no acometter,
retirar, assistir, reconhecer, vigiar, e em todos os mais actos
militares: e ainda que se lhes atravesse deante o rosto da morte, o
despresa por acodir á obediencia de quem tem a seu cargo
mandallo. E faltando esta sujeição, totalmente se destruirão os
exercitos, conforme aquella sentença, que o maior inimigo, que ha
na guerra, é a discordia entre os proprios soldados: e assim se
perderão muitos campos, e armadas, por a inconveniencia dos
capitães, e a discordia, e desobediencia dos inferiores. De modo
que, por ser esta experiencia tão approvada, vieram os reis, e
generaes, a castigar bons successos, quando fóra da obediencia, e
ordem militar se conseguiram; enjeitando aos vencedores a ventura,
e castigando a ousadia, com que traspassaram a lei da milicia,
como eu vi acontecer algumas vezes. Ha além d’esta outra
obediencia não menos importante nos soldados, que é a do
segredo; que vence ao maior que se deve aos negocios civis, e
cortezãos: este se usa nos desenhos, intentos, avisos,
estratagemas, ciladas, e até em o dar o nome ordinario da vigia; que
tudo se guarda com inviolavel observancia. Assim que em tudo o
soffrimento, e obediencia do soldado, muitas vezes alcança na
guerra mais merecimentos que o seu esforço. E todas estas leis,
costumes, e sujeição fazem a um homem tão apurado, polido,
discreto, amavel, secreto, brando e animoso, que deixa atraz a
todos os que nos outros exercicios se adiantam. O quarto
fundamento é a communicação dos estrangeiros, e a vista de
differentes terras, e provincias, que o fazem sciente, pratico e visto
nos costumes, ritos, e reinos estranhos: porque um exercito se
compõe de gente de muitas nações, que por soldo, irmandade,
soccorro, pacto ou visinhança se ajudam uns aos outros: e assim
capitães como soldados, cada um por competencia, não sómente
quer assinalar seu nome, e honrar a sua nação, mas engrandecer
os costumes, gentilezas, trajo, e galas da sua patria, contando ainda
as guerras e empresas de seus naturaes, as grandesas da sua
provincia, e outras miudesas, que nem pela lição escripta se pode
comprehender tão facilmente. Pois a vista, que é só a que de todo
satisfaz o animo, e enriquece o entendimento, ninguem a tem mais
varia que o soldado, ora seja navegando, ora em presidios fóra de
sua patria, aprendendo nas alheias todo o bom termo de proceder,
de obrigar, grangear, servir, e de se ennobrecer, apurando a sua
gentileza, e partes no serviço das damas, sua liberalidade com ellas,
e com os soldados: a policia no seu trajo, e bizarria; a discrição na
sua pratica; e todos os outros costumes, que á vista de tantas
testemunhas exercita, conquistando honra com o esforço, amigos
com o bom procedimento, servidores com a liberalidade, a affeição
das damas com a gentilesa; fama entre os estranhos, nome com
seus naturaes, merecimentos com o rei; que, quando sejam mal
galardoados da ventura, não lhe póde essa tirar o seu verdadeiro
preço, que é o louvor que á virtude se deve. Tambem não é para
despresar na discrição do soldado, antes muito para engrandecer, a
relação dos successos, e occasiões, em que se achou, e contar as
coisas d’elles com mais propriedade que os cortezãos, e
escriptores; pintando o campo em ordem, a cabeça do esquadrão, o
rosto, as alas, os lados, e as costas d’elle, o logar das insignias e
bandeiras, e dos instrumentos, artilharia e bagagem, a guarnição
dos mosqueteiros, as mangas dos arcabuzeiros, as companhias dos
alabardeiros, archeiros, bésteiros, escopeteiros, e piqueiros;
dispondo nos combates cada uma d’estas coisas em razão, e termo
militar. E egualmente no assalto, ou defensão, ou fortalesa, saber
dos fortes os bastiões, torres, muralhas, ameias, barbacans,
parapeitos, corredores, bombardeiras, séteiras, torreões, baluartes,
terraplenos, platafórmas, trincheiras, praça de baluartes,
respiradouros, casamata, rebelins, vias secretas, porta mestra, porta
falsa, ponte levadissa, cavas, minas, fóssos, reparos, contrafortes,
contraminas e contrareparos, e outros nomes, e serviço de coisas,
em que só os experimentados nas armas podem falar propriamente:
pelo que tenho o exercicio d’ellas por mais excellente para o homem
bem nascido, que todos os outros.—Vós (disse Solino) canonisastes
hoje aos soldados, e engrandecestes sobre todas a vossa profissão.
E são tão boas as razões com que o fizestes, que se assim foram os
seus costumes d’elles, não vos podia ninguem contradizer; nem eu
o fizera agora, se tratáreis do que todos vemos em vossa pessoa;
mas pela differença de outras, com que eu tratei, correndo tantos
lares, e estalagens, como João de espera em Deus, haveis-me de
dar licença que mostre o avesso a essa pintura, e diga que a milicia
um é homicidio commum, uma escola de todos os vadios, e ociosos
do mundo. E os soldados não são outra coisa, que soldados pagos,
e armados em damno da republica, roubadores de honras, ladrões
de fazendas, blasfemos, jogadores, insolentes, espadachins,
matadores, rufiães, adulteros, sacrilegos, incestuosos, e perjuros, e
cheios de todos os mais vicios, e maldades abominaveis,
considerados na liberdade soldadesca, e em sujeitos tão perdidos,
como o são os mais dos que se lançam por o caminho da milicia; de
sorte que, se alguns saem tão bem doutrinados como vós, os mais
são tão differentes, que desmerecem vossos louvores.—Bem sei
(respondeu Alberto) que não posso provar commigo o que tenho
dito dos soldados; mas podéra allegar com outros, que me fazem
grandes vantagens; e com ellas me desobrigaram, se os tivera
presentes, ou dos que aqui o estão foram conhecidos: e tambem é
coisa clara que vos não faltarão muitos, com que proveis o que
dissestes: porém fallo dos soldados honrados, que são os termos
em que se deve tratar do fructo da sua profissão.—Pouca razão
(acodio o doutor) mostrou Solino no seu arguir: porque
primeiramente, a arte militar é muito approvada para a conservação
da republica; e já Platão disse que era n’ellas tão necessaria como a
agricultura; e os erros dos viciosos, e depravados não podem
desacreditar a profissão, nem tirar merecimento aos bem
disciplinados, e generosos: que se houvermos de fazer essa
consideração em todos os exercicios, nenhum ha sem egual
desconto: porque se no da côrte, em que falou Leonardo tão
discretamente, quizermos escolher os perdidos, acharemos que são
mais que os aproveitados; e o mesmo proverbio declara que são a
maior parte, em quanto diz que a côrte é para privados, e para
homens mal acostumados; e o mesmo, e peior acontece nas
escolas. De maneira que a boa creação da milicia se deve entender
sómente nos bem creados, a quem a honra obriga a que se queiram
avantajar do vulgo; e não em os que fazem d’ella tão pouco cabedal,
que empregam o de seu animo, e saber em cousas indignas de
homens bem nascidos, occupando-os em latrocinios, forças,
traições, maldades, enganos, e infamias.—Não me péza (disse
Solino) senão porque me gabáram de valente quando aqui cheguei,
para me não dar por vencido de duas razões tão fracas como as
vossas; e com tudo me hei de calar até vos colher em um duello, em
que eu escolha as armas, que vos não hão de valer as de quantos
bachareis degolaram o mundo.—Guardae-lhe (disse D. Julio) esse
animo vingativo para ámanhã, e virá mais a tempo.—Não já para
mim (lhe tornou Solino) porque tem da sua parte muito favor, não
sómente o de Solino, pelo que lhe importa, mas de Pindaro que tem
estillada a quinta essencia dos louvores escolasticos, e não ha
travessa, nem beco sem sahida nas lettras, de que não possa fazer
um mappa mui copioso.—E achaes (tornou D. Julio) que é isso mau
para letrado?—Antes o tenho por muito bom (disse Solino), prazerá
a Deus que virá elle a saber ao que agora cheira, e assim o espero:
que, posto que estes estudantes mancebos entornam ás vezes tudo
no caminho, elle foi sempre pelo mais acertado.—Tambem a mim
me parece agora (acodiu Alberto) acabar o meu discurso na vossa
differença: para o que peço a estes senhores que me hajam por
desobrigado de ir por diante.—Se estivera em mim (respondeu
Leonardo) o poder obrigar-vos a dizer mais, como está o gosto, e
desejo de vos ouvir, não sei se vos deixara despedir tão de pressa:
porem deve ser tarde; porque já o era quando aqui viemos, por uma
occupação que me deteve mais do que queria.—Não me parece a
mim (disse D. Julio) que é tarde, nem entendi que estava tanto no
fim a nossa pratica, que não podesse fazer algumas perguntas,
como costumo, de algumas miudezas que o sr. Alberto passou por
muito visto n’ellas, como eram alguns particulares, e differenças na
ordem da infanteria, e cavallaria, e muitas da milicia naval.—Porque
essas cousas tocavam menos ao meu intento (respondeu elle)
passei tanto por ellas: mas quando outro dia tiveres gosto de ouvil-
as, terei eu muito pouco trabalho em as relatar.
N’este tempo, porque os mais estavam já levantados, se
despediram. E Solino se foi pendurando em palavras de galanteria
com o doutor com tanta graça, que desejaram os companheiros
poderem fazer o caminho mais comprido; que, por muito que o seja,
a boa conversação o faz parecer breve, e desejado.
 DIALOGO XVI
da creação das escolas
Estava tão desejoso e alvoroçado Pindaro para na creação
escolastica passar aquellas duas columnas, que Leonardo e Alberto
levantáram no estreito limite da policia civil, que, imaginando que lhe
fugia o tempo, sem o dar ao doutor, para vir com elle, obrigou a
Feliciano a que se fossem mais cedo a casa do D. Julio, dizendo-lhe
pelo caminho:—Certo que não desejei cousa como alliviar ao doutor
do trabalho d’esta empresa; que, posto que a sua auctoridade culpa
o meu atrevimento, tambem o amor, que tenho ás sciencias, o
favorece.—Muito bem estivera na vossa mão (respondeu elle) por
quão boa a tendes para tudo: porém não desejeis de a tirar da sua;
porque até em aquillo, que eu sei muito melhor que outros, quizera
antes ouvir aos que sabem mais, que escutarem-me elles: e a razão
é, que, além de aos antigos estar tão bem a confiança, como aos
mancebos o receio, vou pesando o que lhes ouço com o que eu
tinha para dizer, e faço mais certo juiso de meu cabedal para outras
occasiões. E n’este appetite me parecestes homem que sabe a
historia que ouve contar, que se adianta nos passos d’ella ao que a
vai dizendo, e por mostrar que a sabe, faz perder o gosto ao que a
ouve, e o feitio a quem a relata. Lanço é de habil essa prestesa, e
ferir lume com qualquer golpe; mas de sizudo dissimular as faiscas.
Não vos abataes a todo o passaro, ainda que seja da vossa ralé,
que não haverá quem queira caçar com vosco.—Mas quereis
(tornou o amigo) que me fizesse mar morto, sem levantar ondas
quando me vem o vento tão fresco: muito repugna a agudeza do
engenho á paciencia de um fleugmatico como vós, que não sei
dobrar as mãos quando a pélla me vem pular aos pés; e cedo vereis
se tem razão a minha cubiça.—Perto estaes (disse Feliciano) do
desengano, e muito mais perto da casa de D. Julio.
 N’esta pratica chegaram a ella, e não muito depois os
companheiros, e como Solino, em entrando, os vio sentados, disse
logo:—Todavia viestes deante para mostrares que ereis os
mordomos da festa: e muito confiados na eloquencia, e auctoridade
do doutor, vos parecerá que tendes a fogaça em casa, e eu cuido o
contrario, se eu entrar na lucta, e vos não valer; que o dia, que se
prega de um Santo, é elle o maior de todos.—Não sei que tendes
contra as lettras (disse Leonardo) que, sendo tão grande amigo de
Pindaro, vos picaes sempre contra a sua profissão.—Dir-vos-hei
(respondeu Solino) o d’onde isso nasce; e é que as lettras não
posso negar que são cousa boa, mas assentam as mais vezes
sobre ruim papel; e como é feito de trapos, tenho achado tantos
n’elles, que me aborrecem.—Melhor dissereis trampas, (tornou elle).
Porém no amigo que por vos fizeram?—Ir-se-me todo em lettras
(replicou Solino)—Não é razão (accudiu o doutor) que vos adeanteis
tanto para me tomar a estrada: deixae-me primeiro falar, que eu vos
darei tempo quando me quizeres arguir; que, por mais que se apure
a vossa murmuração, não pode diminuir os quilates e preço das
sciencias.
—Pede razão o doutor (disse D. Julio) e porque elle e os mais
desejavam de o ouvir, fizeram silencio; e elle começou d’esta
maneira:—Duas cousas me envergonham n’esta empreza, que a
puderam facilitar em outro sujeito, a clareza manifesta da muita
vantagem que tem a creação das escolas a todas as outras. A
segunda poder mostrar deante com exemplos vivos o que hei de
provar com razões menos sufficientes, e que sempre á sua vista
ficarão limitadas. Porém para accudir á obrigação, em que me
puzeram, deixo a que tenho ás lettras, que era não pôr em disputa,
como cousa duvidosa, o seu merecimento, e a muita differença que
faz o estudo d’ellas a todos os outros exercicios; porque as escolas,
e universidades do mundo, que foram instituidas para o governo e
conservação d’elle, são o coração dos reinos, onde estão fundadas,
do qual sáem as operações principaes para o regimento da vida
civil. E se, como diz Cassiodoro, ha tanta distancia do que alcançou
sciencia ao idiota, como de homem ao que o não é: julgae quanto
importe a creação das escolas, onde todas se aprendem, em
differença de outras profissões, em que só por experiencia e
communicação chegam algumas sombras das vivas côres da
sabedoria. Esta é a razão, porque Diogenes buscava um homem
entre os que o pareciam: e o porque disse do que viu estar sentado
sobre um penedo que estava pedra sobre pedra. E assim como os
metaes, que entre ellas se criam, sáem brutos, e toscos e
desconhecidos, até que por via da fundição e beneficio da arte tem
lustro, preço e merecimentos, assim a forja, em que se apuram os
homens, e se põem nos quilates com que hão de ter a valia que a
este nome se deve, são escolas, nas quaes da mesma maneira, que
por alchimia de cobre se faz ouro, n’ellas de um idiota, e quasi bruto
se faz homem com saber, merecimentos, e sufficiencia para se
avantajar do vulgo. E começando da grammatica das linguas, que é
o primeiro degrau das lettras, ou, como disse um auctor grave, a
primeira porta por que se entra a todas as sciencias, com cujo
beneficio ellas se conservam, e se perpetúa a memoria das coisas;
ainda que, como escreve Quintiliano, tem mais de trabalho, que de
ostentação; é, como diz Izidoro, o fundamento de todas as artes
liberaes, e disciplinas nobres. A esta dividem alguns em artificial,
historica, e propria: que a primeira ensina o concerto, e disposição
das lettras, com que escrevemos; a ortographia, e propriedade das
palavras que falamos; a segunda, e terceira pertencem ao
conhecimento dos logares, e obras dos historiadores, e poetas, e a
explicação do que n’elles por antiguidade, e differença da lingua
está escuro e duvidoso, mórmente nas tres linguas hebraica, grega,
latina, das quaes triumphando a carreira dos annos deixou em
muitas edades differença. Na primeira da hebraica e chaldêa. Na
segunda na grega commum, attica, dorica, laconica, e eloica. A
terceira em prisca, latina, romana, e mixta: e em umas e outras, e na
propria de cada um ensina a grammatica a pronunciação das lettras,
o som, e accento diverso das palavras, a distincção das vogaes, e
consoantes, e a ordem de falar com pureza, e policia. E se este
primeiro degrau é tão necessario aos homens, que parece que sem
o conhecimento d’esta arte lhes não é licito abrir os beiços; que será
levantar-se, e subir ao cume mais alto das sciencias, e disciplinas
nobres? O segundo degrau d’esta escada é a logica, arte, que
ensina a distinguir e fazer differença do falso ao verdadeiro, e do
torpe ao honesto; e como o entendimento é causa do obrar, assim o
é ella do entender: é o peso, e balança, em que se conhecem todas
as cousas leves, e pesadas; arte, que não sómente ensina a saber a
verdade de todas as cousas, mas a poder manifestal-a aos que
mentem; reduzindo a dez cabeças, ou predicamentos, toda a
variedade de cousas que o mundo tem, achando o verdadeiro modo
de definir a todas ellas, e descobrindo os generos, especies,
differenças, substancias, e accidentes; esta ensina diversos modos
de arguir, provar e sustentar o que concebemos no entendimento:
pelos quaes officios é esta arte tão celebrada, que Platão, e depois
d’elle Santo Agostinho a fizeram parte da philosophia, dividindo-a
em moral, natural e racional. Aristoteles, Scoto, e outros lhe
chamam sciencia, e instrumento de saber: de cujo testemunho, e
verdade se alcança que sem o conhecimento d’ella não pode um
homem falar seguro entre os outros. E posto que ha tão boas
disposições de entendimentos, que naturalmente discorrem, e
conhecem sem favor da doutrina estas miudezas; comtudo sem o
favor da arte escurece ás mais vezes a clareza do engenho. O
terceiro logar é da rhetorica, que ensina a falar bem, e a persuadir
aos ouvintes com razões bem concertadas ao intento do que
pratica, não fazendo o fundamento na verdade do que diz, senão no
concerto, e semelhança da razão, com que obriga, e move. E
porque d’esta arte se fala mais diffusamente n’esta conversação em
favor da linguagem portugueza, passarei d’ella á poesia, arte tão
nobre, e desejada, que, trabalhando sempre os invejosos por
escurecer seu preço, lhe não puderam tirar o que hoje tem na
opinião e exercicio dos principaes senhores de Hespanha: e bastava
para o seu grande valor ser conhecido ter n’ella o fundamento toda
a philosophia, pois Plutarco conta, e Aristoteles confessa que todos
os philosophos, e suas diversas seitas se derivaram das poesias de
Homero: e não só deu principio a ella, mas Prometheu, Lino, Muzeu,
e Orfeu, e esses mesmos, e outros deram fundamento ás deidades,
que os antigos ritos da gentilidade veneravam. E deixando a
recommendação de seus louvores para quem com vivo exemplo
pode tratar d’elles, dizendo de sua perfeição, e grandeza o que eu
em tão limitadas horas não posso dignamente declarar; passarei á
mathematica: e, como a parte principal d’ella, á geometria, arte tão
excellente, e tão necessaria ao cortezão, que favorece todas as
boas partes que n’elle se requerem; e tão natural ao sabio, que
Platão tinha na entrada da sua escola um letreiro que dizia: não
entre n’esta casa homem, que não saiba geometria. E Filo Hebreu
diz d’ella, que é princeza, e mãe de todas as disciplinas. E Francisco
Patricio na sua republica, soccorro, e presidio de todas as artes. E
Platão escreve d’ella estes louvores, que levanta o animo, e
pensamento ao estudo da verdadeira philosophia, o que é
necessaria para a conquista de todas as disciplinas, favorecendo a
arte militar no formar dos campos, dispôr os esquadrões, recolher e
dividir as companhias, sustentando a cosmographia em suas
medidas, a architectura em suas proporções, a arithmetica, e
musica em seus numeros, e a outras infinitas; medindo em todas
ellas as fórmas, espaços, grandezas, medidas, corpos, pesos, e
todas as cousas que d’elles se compõem; e de medida de agua,
vento, terra, nervos, cordas, e cousas semelhantes, como torres,
fortalezas, relogios, moinhos, e instrumentos de musica; consta de
linhas rectas, curvas, flexuosas, perpendiculares, planas, parallelas,
e de angulos, rectilineo, curvilineo, direito, agudo, e obtuso;
finalmente de superficie, circulo, circumferencia, centro, diametro, e
outros nomes, e termos naturaes d’aquella arte, que na pratica
commum parecerão peregrinos, e de que é bem que o homem
cortezão se não ache alheio. Atraz d’esta se segue sua
companheira a astrologia, sciencia tão levantada, que penetra da
terra os segredos das estrellas, tratando do mundo em universal, e
em particular, das espheras, dos orbes, do movimento, e curso
d’elles: das estrellas fixas, e de seus aspectos: da theorica dos
planetas: dos eclypses do sol, e da lua: dos eixos, ou pólos celestes:
dos climas, e hemispherios: de circulos diversos excentricos,
epyciclos, retrogrados, raptos, accéssos, e recéssos, e outros
semelhantes: e de outros muitos movimentos pertencentes aos
céos, e ás estrellas, de cujo curso, e estações de tempos se faz
natural juizo das cousas futuras tocantes á agricultura, e navegação,
não admittindo a especie supersticiosa dos mathematicos, que é a
astrologia judiciaria. E passando d’esta á philosophia, sem cujo
conhecimento parece que os homens não podem alcançar perfeição
alguma; é tão levantada, que lhe chama Santo Izidoro, no II das
suas Etymologias, sciencia de todas as cousas divinas, e humanas,
Welcome to our website – the ideal destination for book lovers and
knowledge seekers. With a mission to inspire endlessly, we offer a
vast collection of books, ranging from classic literary works to
specialized publications, self-development books, and children's
literature. Each book is a new journey of discovery, expanding
knowledge and enriching the soul of the reade

Our website is not just a platform for buying books, but a bridge
connecting readers to the timeless values of culture and wisdom. With
an elegant, user-friendly interface and an intelligent search system,
we are committed to providing a quick and convenient shopping
experience. Additionally, our special promotions and home delivery
services ensure that you save time and fully enjoy the joy of reading.

Let us accompany you on the journey of exploring knowledge and

personal growth!

textbookfull.com