摘要： 1.tf.constant tf.constant(value, dtype=None, shape=None, name='Const') 参数： value: 第一个值value是必须的，可以是一个数值，也可以是一个列表。 dtype: 所要创建的tensor的数据类型 shape: 所要创建的 阅读全文

摘要： 1.tf.expand_dims() tf.expand_dims(input, axis=None, name=None, dim=None) 作用：给定张量，输入形状的维度索引轴处插入1的尺寸。 尺寸索引轴从零开始； 如果为指定的轴为负数，则从末尾开始算起。 参数： input：张量。 aixs 阅读全文

摘要： 一、tf.constant_initializer(value) 作用：将变量初始化为给定的常量，初始化一切所提供的值。 二、tf.zeros_initializer() 作用：将变量设置为全0；也可以简写为tf.Zeros() 三、tf.ones_initializer() 作用：将变量设置为全1 阅读全文

摘要： 整个代码文件如下： BertModel类实现了BERT模型，代码位于modeling.py模块中。 1.配置类（BertConfig） 这段代码定义了BERT模型的一些默认参数和4个文件处理函数。 参数： vocab_size：词表大小 hidden_size：隐藏层神经元数 num_hidden_ 阅读全文

摘要： 1.设置图例matplotlib.pyplot.legend matplotlib.pyplot.legend(*args, **kwargs) 参数： 2.参数loc：修改legend的位置 参考文献： 【1】python - matplotlib.legend()函数用法解析 - qq_3322 阅读全文

摘要： 在机器学习中非常重要的任务就是模型选择，或者使用数据来找到具体问题的最佳的模型和参数，这个过程也叫做调试（Tuning）。 调试可以在独立的估计器中完成（如逻辑斯蒂回归），也可以在包含多样算法、特征工程和其他步骤的工作流中完成。用户应该一次性调优整个工作流，而不是独立的调整PipeLine中的每个组 阅读全文

摘要： 推荐算法是计算机专业中的一种算法，通过一些数学算法，推测出用户可能喜欢的东西。 基于内容的信息推荐方法的理论依据主要来自于信息检索和信息过滤。根据用户过去的浏览记录来向用户推荐用户没有接触过的推荐项。 基于协同过滤的推荐算法理论上可以推荐世界上的任何一种东西。图片、音乐、样样可以。 协同过滤算法主要 阅读全文

摘要： KMeans 是一个迭代求解的聚类算法。 其属于划分（Partitioning）型的聚类方法，即首先创建K个划分，然后迭代地将样本从一个划分转移到另一个划分来改善最终聚类的质量。 ML包下的KMeans方法位于org.apache.spark.ml.clustering包下，其过程大致如下： 根据给 阅读全文

摘要： 一、逻辑斯蒂回归分类器 逻辑斯蒂回归（logistic regression）是统计学习中的经典分类方法，属于对数线性模型。logistic回归的因变量可以是二分类的，也可以是多分类的。 任务描述：以iris数据集（iris）为例进行分析（iris下载地址：http://dblab.xmu.edu. 阅读全文

摘要： 一、特征抽取 1.TF-IDF “词频－逆向文件频率”（TF-IDF）是一种在文本挖掘中广泛使用的特征向量化方法，它可以体现一个文档中词语在语料库中的重要程度。词语由t表示，文档由d表示，语料库由D表示。 词频TF(t,d)是词语t在文档d中出现的次数 文件频率DF(t,D)是包含词语的文档的个数 阅读全文