摘要：
[TOC] 模型介绍 马尔科夫假设: 假设模型的当前状态仅仅依赖于前面的几个状态 一个马尔科夫过程是状态间的转移仅依赖于前n个状态的过程。这个过程被称之为n阶马尔科夫模型，其中n是影响下一个状态选择的（前）n个状态。最简单的马尔科夫过程是一阶模型，它的状态选择仅与前一个状态有关。这里要注意它与确定性 阅读全文
摘要：
这次我们使用 "今日头条信息流中抽取的38w条新闻标题数据" 作为数据集。数据集中的文本长度在10到30之间，一共15个类别。 数据预处理： 接下来，定义模型。这里我们用到了 这个包： 定义训练和测试方法： 开始训练： 由于colab显存不够，所以调小了batch_size，训练了三小时左右，最终在 阅读全文
摘要：
[TOC] 这次采用的数据集为 ，这份语料的质量还是不错的，内容也比较生活化。更多的语料数据可见： "中文公开聊天语料库" 首先，项目依赖： 准备数据 先 读取数据 ，然后打印几行看看语料质量： 打印结果： 可以看到，语料的基本质量还是可以的，不过其中还有一些不必要的符号，后续处理时要过滤掉 分词 阅读全文
摘要：
数据集：ChnSentiCorp Htl ba 4000 ![data_content][1] 由于该数据集中的文件是分散的（一句评论一个文件），这样处理起来会比较麻烦，所以我们先要对它们进行合并： 接下来，我们进行数据预处理，这里包含了字符过滤，去停用词，分词等三个步骤： 这里使用的停用词表为： 阅读全文
摘要：
首先，使用gensim提供的WikiCorpus中的get_texts将维基数据里的每篇文章转换为1行text文本，并且去掉标点符号 wiki中文数据下载地址：https://dumps.wikimedia.org/zhwiki/latest/zhwiki latest pages articles 阅读全文
摘要：
[toc] 代码分解 代码包括四个部分，分别是： 工具类：utils 训练及测试代码：train_eval 模型：models.TextCNN 主函数：main 在notebook中依次运行前三个部分，最后执行main就可以开始训练了 colab链接：https://colab.research.g 阅读全文
摘要：
[toc] 使用RNN执行回归任务 使用LSTM执行分类任务 参考： "MorvanZhou/PyTorch Tutorial" 阅读全文
摘要：
[toc] 背景知识 长短期记忆（Long short term memory, LSTM） 是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。 在普通的RNN中，重复模块结构非常简单，例如只有一个ta 阅读全文
摘要：
[toc] 背景知识 ![20150921225622105.jpg 43.3kB][1] RNN的应用场景：处理序列数据（一串前后依赖的 数据流） RNN的局限：较近的输入的影响较大，较远的输入的影响较小，因此它无法捕捉输入间隔较远的数据之间的联系 RNN的改进： LSTM 使网络可以记住之前输入 阅读全文
摘要：
[TOC] An easy way 使用 来更快地构建神经网络： Save and reload 两种保存网络模型的方法： 读取模型： 只读取模型参数： Train on batch 通过 中的 参数来控制加载数据时的batch大小 打印结果： Optimizers 比较不同的优化方法对网络的影响： 阅读全文