下路派出所

摘要： 原理：将原始数据集划分为k个子集，将其中一个子集作为验证集，其余k-1个子集作为训练集，如此训练和验证一轮称为一次交叉验证。交叉验证重复k次，每个子集都做一次验证集，得到k个模型，加权平均k个模型的结果作为评估整体模型的依据。 注意点：k越大，不一定效果越好，而且越大的k会加大训练时间；在选择k时， 阅读全文

摘要： 二者都是集成学习算法，都是将多个弱学习器组合成强学习器的方法。 1、Bagging （主要关注降低方差） Bagging即套袋法，其算法过程如下： A）从原始样本集中抽取训练集。每轮从原始样本集中使用Bootstraping的方法抽取n个训练样本（在训练集中，有些样本可能被多次抽取到，而有些样本可能 阅读全文

摘要： （1）Gaussian 满足mean=0，std=1的高斯分布x∼N(mean，std2) （2）Xavier 满足x∼U(−a,+a)x∼U(−a,+a)的均匀分布， 其中 a = sqrt(3/n) （3）MSRA 满足x∼N(0,σ2)x∼N(0,σ2)的高斯分布，其中σ = sqrt(2/n 阅读全文

摘要： 翻译模型也是用了装桶（bucketing）和填充（padding），这两种方法是用于高效地处理不同长度句子的情况。我们首先来弄清楚是怎么一回事。当我们从英语翻译成法语的时候，假设我们的输入英语的长度为L1，输出法语的长度为L2。因为英语句子是作为encoder_inputs而传入的，法语句子作为de 阅读全文

摘要： 整体流程与第一篇差不多，只是在encoder和decoder加入了RNN Encoder: 1. ai=xi+li ai=词向量+词在序列中的位置信息（相当于一个权重，[M, 1]） 流程： 先是CNN获取位置信息，然后再加上词向量，然后再通过LSTM 2. 常见的求注意力权重的方法 a. ht-1 阅读全文

摘要： 流程： 1.文本和摘要全部输入到模型中。 2.训练时，对生成摘要取前C个词，从头开始取，如果生成的摘要不足C，那么不足的地方直接补<s>。 3.训练时，最大化生成的摘要与原摘要的概率，即每个生成的词与原摘要的词进行对比，用损失函数计算梯度，然后下降。 4.预测时，已经具有了权重的模型，会逐词生成N个 阅读全文

摘要： from traceback import format_exc import phoenixdb as pb class Utils(object): def get_db_conn(self, url): """ this function is able to get database connection :param url:... 阅读全文

摘要： from traceback import format_exc import pymysql as MySQLdb class MySQLUtils(object): def get_db_conn(self, host, user, password, db, log_instance=None, charset='utf8', port=3306): """ ... 阅读全文

摘要： 一、N-Gram的原理(这个词出现在句子中出现的概率) N-Gram是基于一个假设：第n个词出现与前n-1个词相关，而与其他任何词不相关。（这也是隐马尔可夫当中的假设。）整个句子出现的概率就等于各个词出现的概率乘积。各个词的概率可以通过语料中统计计算得到。假设句子T是有词序列w1,w2,w3...w 阅读全文

摘要： 设置定时任务 切换到root用户下 进入 /var/spool/cron vi cheat https://www.cnblogs.com/intval/p/5763929.html设置定时任务 阅读全文