小千北同学超爱写代码

摘要： 陷入了一个僵局，有关于张量的维度问题，因为学tensorflow的时候是从图像入手的，理解tensorflow的时候结合了图像这个特例，脑子中就形成了思维定式，然后现在用来做自然语言处理，发现脑子一直转不过弯来，一个普通的关于词嵌入的维度问题困扰了一周多....然后今天突然get到了一点点。 一、张 阅读全文

摘要： 突然get到这个东西的好用... import logging logging.basicConfig(format='%(asctime)s:%(levelname)s:%(message)s',level=logging.INFO) 阅读全文

摘要： 一、glob import glob for name in glob.glob('dir/*'):#遍历该目录下所有子文件的名字 print (name) dir/file.txt dir/file1.txt dir/file2.txt dir/filea.txt dir/fileb.txt di 阅读全文

摘要： https://baijiahao.baidu.com/s?id=1639573693415686642&wfr=spider&for=pc 阅读全文

摘要： 一、取值 切片方式：df[0:1]取第一行；df[0:2]取前两行 df.loc：df.loc[0:2] 表示选择第0,1,2,行，是闭区间 df.iloc：df.iloc[0:2] 表示选择第0,1,行，是左闭右开区间 loc和iloc的其他区别： iloc可以指定一个坐标进行取值，即df.ilo 阅读全文

摘要： 一、map() import pandas as pd import numpy as np df = pd.DataFrame({'key1' : ['a', 'a', 'b', 'b', 'a'], 'key2' : ['one', 'two', 'one', 'two', 'one'], 'd 阅读全文

摘要： 一、引入 变分自编码器属于一种深度生成模型，这是从最终结果来看的，因为这个模型最后生成了一些符合模型分布的新样本。深度生成模型就是利用神经网络强大的拟合能力，来建模一个分布或者干脆直接生成一些新的符合这个复杂分布的样本。 用盘子表示法如上，其中虚线部分表示变分近似，实线表示生成模型。从这个图大体可以 阅读全文

摘要： 一、引入 最开始知道生成模型和判别模型，是在李航的统计学习方法里，当时的理解是：生成模型，就是同时考虑了X和Y的随机性，也就是说二者都是随机变量；判别模型，就是只考虑了Y的随机性，而X并不是个随机变量，即使X存在于条件中，但是并没有p(x)这种说法。当时同时也知道了，朴素贝叶斯和隐马尔可夫都是生成模 阅读全文

摘要： 一、引入 对于一个复杂的数据分布，往往只能观察到有限的局部特征，这些特征通常会包含一定的噪声，如果要对这个数据分布进行建模，需要挖掘可观测变量之间复杂的依赖关系，以及可观测变量背后隐藏的内部表示。 深度信念网络是一种可以有效学习变量之间复杂依赖关系的概率图模型，包含很多层的隐变量，能够有效学习数据的 阅读全文

摘要： 一、引入 吉布斯采样也是用于高维空间的采样方法。 假设二维联合概率分布$\pi(x_{1},x_{2})$在二维空间里有两个点，分别是$A(x_{1}^{1},x_{2}^{1})$和$B(x_{1}^{1},x_{2}^{2})$，这两个点的第一个维度取值相同，放在直角坐标系上看，它们两的连线构成 阅读全文