TMatrix52 - 博客园

Tree-based Deep Match --- 深度树匹配模型（TDM）

摘要： https://blog.csdn.net/XindiOntheWay/article/details/85220342 https://www.jianshu.com/p/ef3caa5672c8 https://myslide.cn/slides/10614# https://github.co 阅读全文

posted @ 2020-03-17 14:53 TMatrix52 阅读(1165) 评论(0) 推荐(0)

lr

摘要：阅读全文

posted @ 2020-03-02 17:09 TMatrix52 阅读(111) 评论(0) 推荐(0)

numpy.pad 用法

摘要： https://docs.scipy.org/doc/numpy/reference/generated/numpy.pad.htmlhttps://cugtyt.github.io/blog/2017/11022006.html>>> import numpy as np >>> a = np.a 阅读全文

posted @ 2020-03-01 17:09 TMatrix52 阅读(165) 评论(0) 推荐(0)

Attention Is All You Need

摘要：细讲: https://mp.weixin.qq.com/s/RLxWevVWHXgX-UcoxDS70w https://www.jianshu.com/p/b1030350aadb 详解Transformer （Attention Is All You Need） https://zhuanla 阅读全文

posted @ 2020-02-17 15:35 TMatrix52 阅读(136) 评论(0) 推荐(0)

强化学习DQN

摘要： https://www.jianshu.com/p/10930c371cac https://www.semanticscholar.org/paper/Playing-Atari-with-Deep-Reinforcement-Learning-Mnih-Kavukcuoglu/2319a4913 阅读全文

posted @ 2020-02-16 11:35 TMatrix52 阅读(104) 评论(0) 推荐(0)

softmax相关求导

摘要： https://www.zhihu.com/question/23765351 阅读全文

posted @ 2020-02-09 20:13 TMatrix52 阅读(97) 评论(0) 推荐(0)

损失函数 - 交叉熵损失函数

摘要： https://zhuanlan.zhihu.com/p/58883095 https://zhuanlan.zhihu.com/p/35709485 【学习过程】交叉熵损失函数经常用于分类问题中，特别是在神经网络做分类问题时，也经常使用交叉熵作为损失函数，此外，由于交叉熵涉及到计算每个类别的概率阅读全文

posted @ 2020-02-09 20:08 TMatrix52 阅读(181) 评论(0) 推荐(0)

tf.reduce_sum 语法

摘要： tf.reduce_sum： 1 #coding=utf8 2 import tensorflow as tf 3 import numpy as np 4 5 tf.compat.v1.disable_eager_execution() 6 7 x = np.array([[[1, 2, 3], 阅读全文

posted @ 2020-02-08 21:06 TMatrix52 阅读(445) 评论(0) 推荐(0)

TF 2.0 Symbols Map:已废弃->新语法

摘要： https://docs.google.com/spreadsheets/d/1FLFJLzg7WNP6JHODX5q8BDgptKafq_slHpnHVbJIteQ/edit#gid=0 阅读全文

posted @ 2020-02-08 20:42 TMatrix52 阅读(155) 评论(0) 推荐(0)

tf.nn.embedding_lookup

摘要： https://blog.csdn.net/huahuazhu/article/details/77161668 1 #encoding=utf-8 2 3 import tensorflow as tf 4 5 encode_embeddings = tf.constant([[1,2,3,4,5 阅读全文

posted @ 2020-02-08 20:10 TMatrix52 阅读(144) 评论(0) 推荐(0)

Matrix

公告

导航