摘要：完成前三节的基础准备，就可以先撸个最简单的 NN 网络。 1. 获取训练数据与测试数据 按照如下代码实现，具体说明可以参见第三部分。 from keras.datasets import imdb from keras import preprocessing # Number of words t
阅读全文
摘要：利用 IMDB 数据进行 Sentiment Analysis。 通过 keras.datasets 里面下载，注意下载的结构，并进行预处理。 from keras.datasets import imdb from keras import preprocessing # Number of wo
阅读全文
摘要：参考：嵌入层 Embedding 参考：Python3 assert（断言） 1. Embedding 层语法 keras.layers.Embedding(input_dim, output_dim, embeddings_initializer='uniform', embeddings_reg
阅读全文
摘要：参考：Text Preprocessing —— Tokenizer 参考：Preprocessing » 文本预处理 对于 Embedding 层使用的输入，就是整数矩阵，并不是真正的 one-hot 向量，需要利用 Tokenizer 来实现。 1. Tokenizer 1.1 语法 keras
阅读全文
摘要：参考：Word2Vec and FastText Word Embedding with Gensim 参考：An Intuitive Understanding of Word Embeddings: From Count Vectors to Word2Vec 参考：What the heck
阅读全文
摘要：参考：Word Embedding Tutorial: word2vec using Gensim [EXAMPLE] 参考：NLP入门（三）词形还原（Lemmatization） 参考：文本分类实战（一）—— word2vec预训练词向量 参考：Implementing Word2Vec with
阅读全文
摘要：参考：pytorch教程之nn.Module类详解——使用Module类来自定义模型 pytorch中对于一般的序列模型，直接使用torch.nn.Sequential类及可以实现，这点类似于keras，但是更多的时候面对复杂的模型，比如：多输入多输出、多分支模型、跨层连接模型、带有自定义层的模型等
阅读全文
摘要：参考：PyTorch官方教程中文版 一、 PyTorch 安装 有些说明比较复杂，主要是国内网络限制，所以最好外网环境下安装哦，安装可以参考“PyTorch在Windows下的安装”这篇说明。对于我的安装是用的下面命令。 pip install torch==1.7.0+cpu torchvisio
阅读全文
摘要：参考1：如何理解动态规划？ 参考2：B站视频比较详细 参考3：详解动态规划算法 一、动态规划总结【参考3】 动态规划是用来解决最优问题（也可以用来求方案数）的一种方法，或者说是一种思想。而解决问题的过程，需要经历多个阶段，每一阶段都可以看成一个子问题，每个子问题都对应着一组状态。 使用动态规划一般会
阅读全文
摘要：参考： 哔哩哔哩 —— 06 最大熵模型 知乎 —— 最大熵模型-Max Entropy Model 刘建平 —— 最大熵模型原理小结
阅读全文
摘要：强烈推荐： 最通俗易懂的BiLSTM-CRF模型中的CRF层介绍 原文：CRF Layer on the Top of BiLSTM - 1 参考： 概率论09 期望 从全概率公式与贝叶斯公式原理讨论，引出贝叶斯估计理论及其具体应用 概率图模型（PGM）：贝叶斯网（Bayesian network）
阅读全文
摘要：参考：[通俗理解]贝叶斯定理和隐马尔可夫模型 HMM学习最佳范例一：介绍 - 52nlp HMM学习最佳范例二：生成模式 - 52nlp 图解隐马尔可夫模型（HMM） 晴天会影响Bob的心情，happy或者grumpy。如何通过连续几天Bob的心情来判断这连续几天的天气情况。通过隐马尔可夫模型来计算
阅读全文
摘要：参考：状态转移：初识马尔科夫链 参考：小白都能看懂的马尔可夫链详解
阅读全文
摘要：条件概率 P(AB) = P(A)P(B|A) P(AB) = P(B)P(A|B) 乘法公式 P(ABC) = P(A)P(B|A)P(C|AB) 分成三步 P(A)：A的概率 P(B|A)：在A发生的情况下，B的概率 P(C|AB)：在AB同时发生的情况下，C的概率 全概率公式 贝叶斯公式 先验
阅读全文
摘要：概率模型与条件概率 贝叶斯原理与推理 随机变量：联合概率 伯努利分布和二项式分布 多项式分布、伽玛分布和Beta分布 泊松分布、高斯分布、对数正态分布 贝叶斯概率解题实例 语言与智能：信息熵——演变和定义 语言与智能：交叉熵的定义 语言模型：语言概率 三元语言模型 马尔可夫链 隐马尔可夫模型 uni
阅读全文
摘要：参考：How to install keras-contrib keras_contrib是keras的一个高级网络实现模块，里面包含了用keras实现的CRF等高级网络层和相关算法。具体安装方法如下： 安装 git安装地址：https://git-scm.com/download/win全部默认即
阅读全文
摘要：参考：Stanford PoS Tagger: tagging from Python 参考：NLTK Part of Speech Tagging Tutorial # running the Stanford POS Tagger from NLTK import nltk from nltk
阅读全文
摘要：参考：Deep Learning with Python P196 一、不用 Sequential 模型的解决方案：Keras 函数式 API 一个多输入模型 一个多输出（或多头）模型 1.1 函数式 API 简介 都是按照输入输出的模式，以下两种模式是一致的。 from keras.models
阅读全文
摘要：参考：Deep Learning with Python P188 参考：deep-learning-with-python-notebooks/6.4-sequence-processing-with-convnets.ipynb 目录： 理解序列数据的一维卷积 序列数据的一维池化 实现一维卷积神
阅读全文
摘要：参考：Keras 中文文档 参考：开始使用 Keras Sequential 顺序模型 Keras 的核心数据结构是 model，一种组织网络层的方式。最简单的模型是 Sequential 顺序模型，它由多个网络层线性堆叠。对于更复杂的结构，你应该使用 Keras 函数式 API，它允许构建任意的神
阅读全文
