Happyeveryyday-CSDN博客

原创 Vue.js从开始到入门（四）

目录（二）用Vue开发网页效果2.显示切换，属性绑定v-show：v-if：v-bind：3.列表循环，表单元素绑定（二）用Vue开发网页效果 2.显示切换，属性绑定 v-show：根据表达式的真假，切换元素的显示和隐藏。 1.图片的隐藏和显示 <div id="app"> <input type="button" value="切换显示状态" @click="changeIsShow"/> <img v-show="isShow" src="img/boy.j

2020-09-14 18:49:48 91

原创命名实体识别简介（一）

目录（一）简介1.定义2.NER标签体系（二）研究进展1.深度学习（三）研究热点总结（一）简介 1.定义命名实体识别（Named Entity Recognition，NER）可以自动的从文本数据中识别出特定类型的命名实体。即在文本中标识命名实体并划分到相应的实体类型中,通常实体类型包括人名、地名、组织机构名、日期等。举例说明,“当地时间 14 日下午,叙利亚一架军用直升机在阿勒坡西部乡村被一枚恶意飞弹击中。”这句话中包含的实体有:日期实体“14 日下午”、组织机构实体“叙利亚”、地名实体“ 阿勒坡西

2020-09-05 16:31:04 745

原创 Vue.js从开始到入门（三）

目录（二）用Vue开发网页效果1.内容绑定，事件绑定v-text：v-html：v-on：（二）用Vue开发网页效果 1.内容绑定，事件绑定 v-text：设置标签的文本值（textContent）直接上代码，具体内容都在代码注释中。 <div id="app">  <h2 v-text="message">小红

2020-09-05 16:28:04 125

原创 Vue.js 从开始到入门(二)

目录（一）需求分析（四）vue-resource Ajax通信（五）Webpack 构建工具（六）ES6 + ESlint ESlint：ES6代码风格检查工具（七）工程化、组件化、模块化（八）移动端常用开发技巧（一）需求分析（四）vue-resource Ajax通信（五）Webpack 构建工具（六）ES6 + ESlint ESlint：ES6代码风格检查工具（七）工程化、组件化、模块化（八）移动端常用开发技巧 ...

2020-09-05 15:19:21 108

原创 Vue.js 从开始到入门(一)

目录（一）Vue.js 框架介绍1.MVVM 框架1.1 MVVM的应用场景1.2 MVVM框架2.Vue.js2.1 什么是vue.js?2.2 相对于Angular和react的优势3.Vue.js 核心思想3.1 数据驱动3.2 组件化（二）Vue-cli 脚手架搭建基本代码框架1.vue-cli 安装创建一个新的项目（三）vue-router 官方插件管理路由（四）vue-resource Ajax通信（五）Webpack 构建工具（六）ES6 + ESlint ESlint：ES6代码风格检

2020-08-15 13:14:41 167

原创 Contextual Word Embeddings

** Pre-ELMo and ELMO **详细的过程如图所示： ** ULMfit and onward 对于模型的处理，UML采用了如下三步： 1.首先，在一个非常大的数据集（和任务数据集不相关）上训练一个LM模型。 2.接着，使用任务相关的数据集，对模型进行fine-tune（进行训练，在前一个模型的基础上对参数进行微调） 3.使用classifier任务继续fine-tune ** ...

2020-07-04 09:49:41 190

原创 Subword Models

1.人类语言的声音语音学是音流，这是属于物理层面的东西词法学：一个n-grams的代替方案在基于单词的模型中存在一些问题：需要处理很大的词汇表，在英语中单词只要变个形态就是另一个单词了，比如说：gooooood bye 2.字符级别模型单词嵌入可以由字符嵌入表示：能为不知道的单词生成嵌入相似的拼写有相似的嵌入解决了oov问题传统来说，一个因素或者一个字母不是一个因素单元，但是深度语言模型把它们组合在一起了。单词之下的书写系统大部分深度学习的任务都是从语言的书写形式来处理语言的，这是一个

2020-06-30 21:26:18 204

原创 Word Vectors and Word Senses

1 Word2vec ** Word2vec模型是简单化的神经网络。既然是神经网络，就有对应的输入层，隐层与输出层。输入就是上边提到的One-Hot Vector，隐层没有激活函数，只是线性的单元。输出层维度跟输入层一样，用的是Softmax回归。 word2vec主要包含两个模型：CBOW和skip-gram，以及两种高效训练的方法：负采样（negative sampling）和层序softmax（hierarchical softmax）。 CBOW模型的训练输入是某一个特征词的上下文相关的词对应的词向

2020-06-28 09:34:08 212

原创 Task1 Introduction and Word vector

Task1 Introduction and Word vector Word vectors 词向量：有时又称为词嵌入或词表示。是一种分布式表达。 word2vec 概述 word2vec目标函数 word2vec预测函数

2020-06-24 22:11:04 126

Happyeveryyday的博客