cup_leo

2019年1月15日

摘要： Step1：建一个hook Step2：加到estimator.train里阅读全文

posted @ 2019-01-15 16:59 cup_leo 阅读(1317) 评论(0) 推荐(0) 编辑

摘要： Bert系列（一）——demo运行 Bert系列（二）——模型主体源码解读 Bert系列（三）——源码解读之Pre-trainBert系列（四）——源码解读之Fine-tune 转载自： https://www.jianshu.com/p/3d0bb34c488a [NLP自然语言处理]谷歌BERT 阅读全文

posted @ 2019-01-15 15:19 cup_leo 阅读(1436) 评论(0) 推荐(0) 编辑

【转载】BERT：用于语义理解的深度双向预训练转换器（Transformer）

摘要： BERT：用于语义理解的深度双向预训练转换器（Transformer）鉴于最近BERT在人工智能领域特别火，但相关中文资料却很少，因此将BERT论文理论部分（1-3节）翻译成中文以方便大家后续研究。 · 摘要本文主要介绍一个名为BERT的模型。与现有语言模型不同的是，BERT旨在通过调节所有层中阅读全文

posted @ 2019-01-15 06:48 cup_leo 阅读(868) 评论(0) 推荐(0) 编辑

2019年1月14日

基于Text-CNN模型的中文文本分类实战

摘要： 1 文本分类文本分类是自然语言处理领域最活跃的研究方向之一，目前文本分类在工业界的应用场景非常普遍，从新闻的分类、商品评论信息的情感分类到微博信息打标签辅助推荐系统，了解文本分类技术是NLP初学者比较好的切入点，较简单且应用场景高频。文本分类 2 数据准备数据决定了模型最终的高度，不断优化的模阅读全文

posted @ 2019-01-14 20:00 cup_leo 阅读(4216) 评论(0) 推荐(0) 编辑

neo4j︱与python结合的py2neo使用教程

摘要： —- 目前的几篇相关：—– neo4j︱图数据库基本概念、操作罗列与整理（一） neo4j︱Cypher 查询语言简单案例（二） neo4j︱Cypher完整案例csv导入、关系联通、高级查询（三） neo4j︱与python结合的py2neo使用教程（四）阅读全文

posted @ 2019-01-14 15:36 cup_leo 阅读(3373) 评论(0) 推荐(0) 编辑

2019年1月13日

Neo4j 简介 2019

摘要： Neo4j是一个世界领先的开源图形数据库，由 Java 编写。图形数据库也就意味着它的数据并非保存在表或集合中，而是保存为节点以及节点之间的关系。 Neo4j 的数据由下面几部分构成：节点边属性Neo4j 除了顶点（Node）和边（Relationship），还有一种重要的部分——属性。无论是顶点阅读全文

posted @ 2019-01-13 20:09 cup_leo 阅读(374) 评论(0) 推荐(0) 编辑

2019年1月12日

neo4j 一些常用的CQL

摘要：创建节点、关系创建节点（小明）：create (n:people{name:’小明’,age:’18’,sex:’男’}) return n; 创建节点（小红）: create (n:people{name:’小红’,age:’18’,sex:’女’}) return n; 创建关系（小明送礼物给阅读全文

posted @ 2019-01-12 18:29 cup_leo 阅读(1047) 评论(0) 推荐(1) 编辑

2019年1月10日

Neo4j （1）创建节点

摘要：节点模式的构成：(Variable:Lable1:Lable2{Key1:Value1,Key2,Value2})，实际上，每个节点都有一个整数ID，在创建新的节点时，Neo4j自动为节点设置ID值，在整个数据库中，节点的ID值是递增的和唯一的。 create 关键字名字为‘n’变量 person 阅读全文

posted @ 2019-01-10 17:39 cup_leo 阅读(4601) 评论(0) 推荐(0) 编辑

2019年1月8日

tensorflow实现siamese网络 (附代码)

摘要：转载自：https://blog.csdn.net/qq1483661204/article/details/79039702 Learning a Similarity Metric Discriminatively, with Application to Face Verification 这阅读全文

posted @ 2019-01-08 20:17 cup_leo 阅读(1250) 评论(0) 推荐(0) 编辑

早停!? earlystopping for keras

摘要：为了获得性能良好的神经网络，网络定型过程中需要进行许多关于所用设置（超参数）的决策。超参数之一是定型周期（epoch）的数量：亦即应当完整遍历数据集多少次（一次为一个epoch）？如果epoch数量太少，网络有可能发生欠拟合（即对于定型数据的学习不够充分）；如果epoch数量太多，则有可能发生过拟合阅读全文

posted @ 2019-01-08 16:00 cup_leo 阅读(6666) 评论(0) 推荐(0) 编辑

公告