不吐桔子皮-CSDN博客

转载 LSTM和GRU详细动图解释-转载

https://blog.csdn.net/dQCFKyQDXYm3F8rB0/article/details/82922386

2021-07-13 19:59:03 256

1 str.lstrip()/str.lstrip([chars])用于截掉字符串左边的空格或指定字符。同理有rstrip()、strip()2 str.isdigit()检测字符串是否只由数字组成。3 list.sort(cmp=None, key=None, reverse=False)用于对原列表进行排序，如果指定参数，则使用比较函数指定的比较函数。reverse = True 降序， reverse = False 升序（默认）。4 sort 与 sorted 区别：①sort 是应用在

2020-12-18 22:31:40 220 1

原创 C++中模板总结：函数模板和类模板

C++中的一种编程思想称为泛型编程，主要利用的技术就是模板。C++提供两种模板机制：函数模板和类模板总结：1、函数模板利用关键字template2、使用函数模板有两种方式：自动类型推到、显示指定类型3、模板的目的是为了提高复用性，将类型参数化注意事项：1、自动类型推导，必须推导出一致的数据类型T，才可以使用2、模板必须要确定出T的数据类型，才可以使用...

2020-10-22 09:04:24 388

原创 C++中虚析构和纯虚析构

虚析构和纯虚析构是为了解决以下问题：多态使用时，如果子类中有属性开辟到堆区，那么父类指针在释放时无法调用到子类的析构代码虚析构和纯虚析构共性：1、可以解决父类指针释放子类对象2、都需要有具体的函数实现虚析构和纯虚析构的区别：如果是纯虚析构，该类属于抽象类，无法实例化对象语法：虚析构：virtual ~类名（）{}纯虚析构：virtual ~类名（） = 0；类名::~类名（）{}总结：1、虚析构和纯虚析构都是用来解决通过父类指针释放子类对象2、如果子类中没有堆区数据，可以不写为虚析

2020-10-10 09:57:12 338

原创 C++中类的三大特性之一：多态的原理

有一个指针vftpr指向vftable

2020-10-09 18:38:13 136

原创 C++中的菱形继承原理和解决方法

如上图，菱形继承。带来的主要问题：子类继承两份相同数据，导致资源的浪费以及毫无意义解决方法：利用虚继承在A和C继承Base类前加关键字virtualclass Base{int age;};//A继承baseclass A:virtual public Base{};//C继承baseclass C:virtual public Base{};//D继承A和Cclass D:public A, public C{};现在，Base中有属性a，如果不加virtual，那么现在进行.

2020-09-27 13:57:57 302

原创引用的本质在C++内部是一个指针常量

引用的本质在C++内部是一个指针常量。如:int a = 10;int& b = a;就相当于intconst b = &a;我们知道指针常量是不能再指向其他变量的，也就是它的地址不能变了，所以b只能作为a的别名，而不能再作为其他变量的别名。（即引用一旦初始化后，就不可以发生改变）。同时，指针常量虽然不能再指向其他变量，但是他指向变量的值可以改变，即b=20;是正确的，也就是此时a为20。所以对于引用来说，b=20；是正确的，可以通过别名改变这个变量的值，相当于C++内部自动转换

2020-09-16 15:04:31 2048

原创 gets和scanf输入字符串的区别

gets和scanf输入字符串的区别在于，gets输入字符串遇到空格、制表符都会保留输出，但是scanf不会。gets测试：#include <stdio.h>#include <string.h>int main(){ char s[100]; int c, i; //scanf_s("%s", s, 20); gets_s(s, 20); printf("%s\n",s); return 0;}结果：scanf测试：#include <s

2020-07-02 20:36:06 593

原创 C语言对字符数组初始化的时候输入的是数字,用%c输出会输出对应ASCII码表里的字符

#include <stdio.h>int main(){ char a[10] = {97,65,'9','6'}; printf("输出:%c,%c,%c,%c\n", a[0],a[1],a[2],a[3]); return 0;}结果如图：

2020-07-02 20:18:31 1457 1

原创论文笔记：（用于文本分类的图卷积网络）Graph Convolutional Networks for Text Classification

1.研究背景普通卷积神经网络研究的对象是具备规则空间结构的数据，如图片是规则的正方形，这些特征都可以用一维或二维的矩阵来表示，卷积神经网络处理起来比较高效。然而，生活中很多数据不具备规则的空间结构，他们有不同的节点，同时呢，节点之间又有联系。那么，就用到了图卷积网络。图数据有两个特点：每个节点有自己的特征；（点）图数据中的每个节点具有结构特征，即节点与节点存在一定的联系。（边）GCN的每次计算操作，都是把每个节点和它的相邻节点的信息聚集起来，所以特征每次抽取完都会更加抽象。2.TextGCN模型设

2020-06-13 23:21:00 2123

原创机器学习（3）之优化器（梯度下降方法（Gradient Descent））用来调整学习率（learning rate）

1.Tuning your learning rates如果每次调的太大，loss变化就很快：调的太小，loss变化的太慢，这样都找不到最小的loss。Adaptive Learning Rates

2020-06-12 23:58:55 1301

原创 C语言实现大小写转换，如果输入的不是字母就重新输入

简单的C语言程序实现大小写转换，由于字符是通过ASCII码存的内存中的，所以小写字母的ASCII码比大写字母大32,。通过while控制输入的不是字母的话就重新输入，是的话就执行下一步判断。#include<stdio.h>int main(){ char ch; printf("请可爱的你输入一个字母:\n"); scanf("%c",&ch); while(!(ch>='a'&&ch<='z')&&!(ch>=

2020-06-11 19:50:54 2367 1

原创 NLP之Self-Attention和Transformer（通俗易懂的解释）

以下图片来自李宏毅老师的PPT截图，李宏毅老师的视频对这部分讲的很清楚，看了以后有了很清晰的认识。一、研究背景如下图所示，b1、b2、b3、b4、用Self-Attention可以同时计算，而在RNN中不能够同时被计算，即解决RNN无法并行化的问题。二、Self-Attention实现原理1、在把各个词送入Self-Attention之前先将其乘以一个特征矩阵，以特征化的表示各个单词，然后将其送入Self-Attention中（词嵌入的方法，Word embedding），即ai=Wxi，然后把不

2020-06-10 11:07:08 2033 1

原创 NLP常见预处理任务概述介绍

1.词性标注词性标注的输入是一个序列，输出的是每个词的词性，那么标注完以后再进行下游任务效果就会比直接把一段文字丢进去更好。下图为示例图：2.分词对于英文来说，单词间有空格，所以不需要分词，但是对于中文，在进行各种任务时需要对文本进行分词。如图所示：3.Coreference Resolution（指代消解）把同一个人或者事物标注出来，如下图例子：4.文本摘要（summarization）1.直接抽取出一些句子当做摘要2.机器用自己的话写摘要5.机器翻译输入文字或者语音输出

2020-06-09 21:24:55 507

原创深度学习模型之LSTM（都能理解的LSTM原理详解）

一、循环神经网络（Recurrent Neural Network，RNN）循环神经网络（Recurrent Neural Network，RNN）相比一般的神经网络来说，他能够处理序列变化的数据。比如某个单词的意思会因为上文提到的内容不同而有不同的含义，那么RNN就能解决这类问题。来看一个简单的例子，对于RNN来说，对于输入的一句话，它的每一个单词输入完已有会存到一个记忆单元里面（图中蓝色的方框）参与下一个单词的输入，需要注意的是这是同一个神经网络，只不过是在三个不同的时间点被使用了三次。（注：以下图

2020-06-09 17:31:56 10435

原创机器学习（2）之误差来源，以及怎么导致过拟合和欠拟合

主要根据李宏毅教授的视频做的笔记和总结。视频讲的很通俗易懂，主要是记录博客笔记，方便自己以后查找复习，感兴趣的小伙伴可以参考，可以留言相互交流。误差来源于bias和variance，即偏差和方差。bias表示瞄的准，variance表示打的稳。模型越简单，variance小，bias大；模型越复杂variance大，bias小因为模型简单的话，取得区域（space）就比较小，所以导致离目标远，bias就比较大，model复杂同样的道理，如下图：模型越复杂，瞄的越准，bias越来越小，但是

2020-06-08 16:24:49 405

原创论文笔记：（字符级卷积用于文本分类）《Character-level Convolutional Networks for Text Classification》

1.论文背景在这篇论文之前，几乎所有的文本分类技术都是基于单词的，在这篇论文中，作者把字符级的文本当做原始的信号输入。这篇论文，仅仅使用字符，运用在卷积神经网络上。作者发现，当训练大规模数据集的时候，深度卷积神经网络并不需要单词层面的意义（包括语言的语法和语义）。这是非常激动人心的工程简化，因为不管什么语言，它都是由字符组成的，因此这对于构建跨语言的系统至关重要。还有一个好处，对于异常的字符组成（比如拼写错误）和表情符，该模型依然能够应付。2.论文动机以字符作为输入和以词作为输入相比，词向量的维度更

2020-06-08 09:59:31 821 1

桔子皮的博客