摘要: 1.配置nameserver vi /etc/resolv.conf nameserver 192.168.10.10 2.查看网卡: nmcli d 3.修改dns cd /etc/sysconfig/network-scripts/ vi ifcfg-ens160 DNS1= 192.168.1 阅读全文
posted @ 2020-06-11 11:46 pergrand 阅读(3272) 评论(0) 推荐(0) 编辑
摘要: 问题:配置好python3的环境,python --version 查看也是python3。但是pip 安装时,默认安装到python2的环境下。 pip install XXX 时是使用 /usr/bin/下pip 的命令; 所以将原来的pip 改名 cd /usr/bin mv pip pip_ 阅读全文
posted @ 2020-06-11 11:38 pergrand 阅读(455) 评论(0) 推荐(0) 编辑
摘要: 注:之前使用pycharm2018的时候记得需要好几步需要配置,使用2020最新版的发现简单的配置就可以了。 File >Settings >Add 选择 SSH Interpreter,填写服务器信息完成之后点击next 填写密码,后面的对号记住密码,之后next 配置远程服务器信息 1.选择远程 阅读全文
posted @ 2020-06-08 20:06 pergrand 阅读(6150) 评论(1) 推荐(1) 编辑
摘要: 说明: 网上大部分教程是基于ubutu,自己的服务器是centos,期间出现很多问题,记录如下。 主要问题是谷歌浏览器中访问8001端口下载了一个index.xhtml,而不是直接打开 原因:需要图形化界面,解决方案,httpd,firefox,Xmanager 1.安装brat 下载,http:/ 阅读全文
posted @ 2020-06-03 17:12 pergrand 阅读(1092) 评论(0) 推荐(0) 编辑
摘要: 说明:最近一直在做关系抽取的任务,此次仅仅是记录一个实用的简单示例 参考https://www.cnblogs.com/jclian91/p/12301056.html 参考https://blog.csdn.net/asialee_bird/article/details/102747435 im 阅读全文
posted @ 2020-05-27 10:23 pergrand 阅读(2202) 评论(0) 推荐(0) 编辑
摘要: 仅仅作个记录。 文本生成想学习可以了解一下GPT2-Chinese 地址:https://github.com/Morizeyao/GPT2-Chinese 数据地址:https://github.com/wb14123/couplet-dataset/releases/download/1.0/c 阅读全文
posted @ 2020-05-26 18:04 pergrand 阅读(683) 评论(0) 推荐(0) 编辑
摘要: 什么是文本分类 给模型输入一句话,让模型判断这句话的类别(预定义)。 以文本情感分类为例 输入:的确是专业,用心做,出品方面都给好评。输出:2输出可以是[0,1,2]其中一个,0表示情感消极,1表示情感中性,2表示情感积极。 数据样式 网上应该能找到相关数据。 模型图 训练过程 仅仅作为测试训练一轮 阅读全文
posted @ 2020-05-26 17:46 pergrand 阅读(2632) 评论(0) 推荐(0) 编辑
摘要: NLP四大任务:序列标注(分词,NER),文本分类(情感分析),句子关系判断(语意相似判断),句子生成(机器翻译) 什么是序列标注 以命名实体识别为例,识别一句话中的人名地名组织时间等都属于序列标注问题。NER 的任务就是要将这些包含信息的或者专业领域的实体给识别出来 示例 句子:[我在上海工作]t 阅读全文
posted @ 2020-05-26 16:57 pergrand 阅读(756) 评论(0) 推荐(0) 编辑
摘要: 在安装sklearn时报错如下: ERROR: Could not find a version that satisfies the requirement threadpoolctl>=2.0.0 (from scikit-learn->sklearn) (from versions: 1.0. 阅读全文
posted @ 2020-05-21 16:54 pergrand 阅读(20483) 评论(1) 推荐(3) 编辑
摘要: 参考keras官网 1 from keras import layers 2 import keras 3 import numpy as np 4 5 inputs = keras.Input(shape=(32, 32, 3), name="img") 6 x = layers.Conv2D(3 阅读全文
posted @ 2020-05-20 17:15 pergrand 阅读(1576) 评论(0) 推荐(0) 编辑