不知道起什么名字

原创 判别某二叉树是否镜像

public boolean isSymmetric(TreeNode root) { if(null == root){ return true; } return isMirror(root.left, root.right);}private boolean isMirror(TreeNode r1, TreeNode r2){ //判断传入的两个节点是否属于镜像关系 //如果两个节点都为null，结束递归调用 if...

原创 实现dual attention

代码实现如下：import torchimport torch.nn.functional as FA = torch.ones(3,2)B = torch.ones(2,2)a = torch.Tensor([1,2,3]).reshape(3,1)b = torch.Tensor([4,5]).reshape(2,1)A = torch.mul(A,a)B = torch.mul(B,b)W = torch.rand(6,1)print('W:',W)print(A)pr..

原创 网格搜素

代码：# -*- coding: utf-8 -*-# 任务：鸢尾花识别from sklearn.model_selection import train_test_split, GridSearchCVfrom sklearn.neighbors import KNeighborsClassifierfrom sklearn.linear_model import LogisticRegressionfrom sklearn.svm import SVCfrom sklearn.data

原创 k折Cross-validation

交叉验证代码：from sklearn.model_selection import train_test_splitfrom sklearn.datasets import load_irisfrom sklearn import svmfrom sklearn.model_selection import cross_val_scoreX, y = load_iris(return_X_y=True)X_train, X_test, y_train, y_test = train_te

原创 TF-IDF

代码：#引入TfidfVectorizerfrom sklearn.feature_extraction.text import TfidfVectorizertv = TfidfVectorizer(use_idf=True, smooth_idf=True, norm=None)# 输入训练集矩阵，每行表示一个文本train = ["Chinese Beijing Chinese", "Chinese Chinese Shanghai",

原创 最长子序列分析

原创 mysql免安装教程

1、现在下载mysql，都没有my.ini文件，需要自行复制；[mysqld]# 设置3306端口port=3306[mysqld]# 设置3306端口port=3306 # 设置mysql的安装目录（存放地址可以更改）basedir=E:\MySQL# 设置mysql数据库的数据的存放目录（存放地址可以更改）datadir=E:\MySQL\data# 允许最大连接数max_connections=200 # 允许连接失败的次数。这是为了防止有人从该主机试图攻击数据库系统max

原创 tensorflow改写为pytorch的方法总结

替换方法：1.matrix = tf.get_variable("Matrix", [output_size, input_size], dtype=input_.dtype)=matrix = Variable(torch.randn(output_size, input_size))2.self.D_l2_loss = tf.constant(0.0)= self.D_l2_loss = torch.Tensor(0.0)3.losses = tf.nn.s...

原创 Python中的defaultdict函数与Trie树

dict()对于普通的dict，key不存在就报错。>>> a = dict()>>> a['k1'] = 1>>> a{'k1': 1}>>> a['k2']Traceback (most recent call last): File "<stdin>", line 1, in <module>KeyError: 'k2'>>>from collection

原创 Python打印出args命令行参数

parser = argparse.ArgumentParser()#Training Environmentparser.add_argument("--batch_size", type=int, default=16, help="Batch size.")parser.add_argument("--max_epochs", type=int, default=20, help="Max epochs to train.")parser.add_argument("--no_early.

原创 Python如何使列表中元素同时扩大或缩小以及如何让列表中元素复制

import numpy as npa = [511]print(a)print(type(a))b = a*3print(b)c = np.array(a)print(c)print(type(c))d = c*3print(d)D:/data/test.py[511]<class 'list'>[511, 511, 511][511]<class 'numpy.ndarray'>[1533]Process finished with e.

原创 torch保存模型

1、只保存模型参数 # 保存torch.save(model.state_dict(), '\parameter.pkl')# 加载model = TheModelClass(...)model.load_state_dict(torch.load('\parameter.pkl'))2、保存整个模型# 保存torch.save(model, '\model.pkl')# 加载model = torch.load('\model.pkl')...

原创 深入浅出理解CrossEntropy

import torchimport numpy as npimport torch.nn.functional as Fx = np.array([[1, 2,3,4,5], [1, 2,3,4,5], [1, 2,3,4,5]]).astype(np.float32)y = np.array([1, 1, 0])x = torch.from_numpy(x)y = torch.from_numpy(y).long() #标签为long型.

原创 解决ModuleNotFoundError: No module named ‘pip‘问题

pip install --upgrade pip更新新版本没成功，但是发现pip命令都用不了，出现了ModuleNotFoundError: No module named 'pip’这个错误。解决办法如下：python -m ensurepippython -m pip install --upgrade pip

原创 pytorch中expand与gather用法

1、expand()>>> import torch>>> a=torch.tensor([[2],[3],[4]])>>> print(a.size())torch.Size([3, 1])>>> a.expand(3,2)tensor([[2, 2], [3, 3], [4, 4]])>>> atensor([[2], [3], [

原创 Python中*args、**args参数

def function_one_star(*args): print(args, type(args))function_one_star(1)def function_x_y_one_star(x, y, *args): print(x, y, args)function_x_y_one_star(1, 2, 3, 4, 5)def function_two_star(**kwargs): print( kwargs, type(kwargs))functi.

原创 Pytorch梯度修剪

loss.backward()nn.utils.clip_grad_norm(model.parameters(),1.0)optimizer.step()scheduler.step()

转载 gradient_accumulation_steps

gradient_accumulation_steps通过累计梯度来解决本地显存不足问题。假设原来的batch_size=6，样本总量为24，gradient_accumulation_steps=2那么参数更新次数=24/6=4现在，减小batch_size=6/2=3，参数更新次数不变=24/3/2=4在梯度反传时，每gradient_accumulation_steps次进行一次梯度更新，之前照常利用loss.backward()计算梯度。...

原创 tokenizer.encode（）

tokenizer.encode("说你跑的挺远",add_special_tokenizerns=False)相当于seg=tokenizer.tokenize("说你跑的挺远")encoder = tokenizer.convert_tokenizerns_to_ids(seg)

原创 pip 安装pytorch 命令

pip install torch===1.2.0 torchvision===0.4.0 -f https://download.pytorch.org/whl/torch_stable.html

原创 argparse和tensorflow命令行参数

1、TensorFlow 定义命令行tf.app.flags.DEFINE_string("name","haoren","NAME")tf.app.flags.DEFINE_integer("max_doc_len",70,"max_doc_len")获取命令行参数的值FLAG = tf.app.flags.FLAGSprint(FLAG.name)2、 定义命令行import argparse parser = argparse.ArgumentP...

原创 nn.Sequential与nn.ModuleList

nn.Sequentialnn.Sequential里面的模块按照顺序进行排列的，所以必须确保前一个模块的输出大小和下一个模块的输入大小是一致的。如下面的例子所示：方式1：model = nn.Sequential()model.add_module("conv1",nn.Conv2d(1,20,5))model.add_module('relu1', nn.ReLU())model.add_module('conv2', nn.Conv2d(20,64,5))model.

原创 torch.utils.data.Dataset/TensorDataset

torch.utils.data.Datasetclass MyData(torch.utils.data.Dataset): def __init__(self, dt, lb): self.dt = dt self.lb = lb def __len__(self): return len(self.dt) def __getitem__(self, index): return self.lb[index

原创 Window系统图数据库neo4j安装及入门操作

达到

原创 Pytorch入门

from torch.autograd.variable import Variableimport torchimport numpy as npimport matplotlib.pyplot as pltimport torch.nn as nnfrom torch.utils.data import DataLoader,TensorDatasetfrom tqdm import tqdmclass LinearRegre(nn.Module): def __init__(.

原创 使用flags定义命令行参数

import tensorflow as tfFLAG = tf.app.flags.FLAGStf.app.flags.DEFINE_string("name","haoren","NAME")def run(): FLAG.name = "huairen" print(FLAG.name)def main(_): run() returnif __name__ == '__main__': tf.app.run()运行结果：注意！！...

原创 pip国内镜像(清华大学镜像）

pip install -ihttps://pypi.tuna.tsinghua.edu.cn/simple****

原创 Pytorch多GPU并行处理

Pytorch 的多 GPU 处理接口是torch.nn.DataParallel(module, device_ids)，其中module参数是所要执行的模型，而device_ids则是指定并行的 GPU id 列表。 而其并行处理机制是，首先将模型加载到主 GPU 上，然后再将模型复制到各个指定的从 GPU 中，然后将输入数据按 batch 维度进行划分，具体来说就是每个 GPU 分配到的数据 batch 数量是总输入数据的 batch 除以指定 GPU 个数。每个 GPU 将针对各自的输入...

转载 pytorch利用多个GPU并行计算多gpu

一、 torch.nn.DataParalleltorch.nn.DataParallel(module,device_ids=None,output_device=None,dim=0)在正向传递中，模块在每个设备上复制，每个副本处理一部分输入。在向后传递期间，来自每个副本的渐变被加到原始模块中。module：需要并行处理的模型device_ids：并行处理的设备，默认使用所有的cudaoutput_device：输出的位置，默认输出到cuda:0例子：>>> ...

原创 安装snownlp报错timeout

安装snownlp报错timeout更换安装源------------网上可以查找很多豆瓣源如https://pypi.tuna.tsinghua.edu.cn/simple/pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyechartspip install -i https://pypi.tuna.tsinghua.edu.cn/simple 库名出错使用这种 ：pip install --index-url http

原创 从value中找到相对应的key

字典：反其道而行之dicxx = {'a':'001', 'b':'002'}print(list(dicxx.keys()))print(list(dicxx.values()))print(list(dicxx.values()).index("001"))print(list(dicxx.keys())[list(dicxx.values()).index("001")])

转载 python中读取文件常用的三种方法：read(),readline(),readlines()

一、read([size])方法read([size])方法从文件当前位置起读取size个字节，若无参数size，则表示读取至文件结束为止，它范围为字符串对象f = open("a.txt")lines = f.read()print linesprint(type(lines))f.close()运行结果：HelloWelcomeWhat is the fuck...<type 'str'> #字符串类型二、readline()方法从字面意思可以看出，该方法

原创 pytorch中model=model.to(device)用法

这代表将模型加载到指定设备上。其中，device=torch.device("cpu")代表的使用cpu，而device=torch.device("cuda")则代表的使用GPU。当我们指定了设备之后，就需要将模型加载到相应设备中，此时需要使用model=model.to(device)，将模型加载到相应的设备中。将由GPU保存的模型加载到CPU上。将torch.load()函数中的map_location参数设置为torch.device('cpu') 1 2

原创 python中append()函数与extend()函数

转载 Pytorch中的 model.train() 和 model.eval() 模式

model.train() ：启用 BatchNormalization 和 Dropoutmodel.eval() ：不启用 BatchNormalization 和 Dropout

原创 读取某一特定目录下所有文件

import ospath = "D:\\Users\\Administrator\\PycharmProjects\\untitled\\HMM\\data"files = os.listdir(path)for file in files: abfile = os.path.join(path,file) if not os.path.isdir(abfile): with open(abfile,encoding = 'utf8') as f: ...

原创 From Independent Prediction to Reordered Prediction: Integrating Relative Position and Global Label

一、情感原因定义情感原因识别emotion cause identification or emotion cause detection(ECI or ECD），即：给定情感标签后，通过模型可以挖掘出特定情感背后的原因。已提出的传统的方法有基于规则的、基于机器学习的等，该方法是通过人工制定的规则或特征来解决情感原因识别问题。二、本文提出的方法及原因本文所用的数据集为theemotion cause benchmark corpus (Gui et al. 2016a)[1].2.1、Relativ

转载 pytorch利用torch.save()保存模型参数及载入

假设网络为model = Net(), optimizer = optim.Adam(model.parameters(), lr=args.lr), 假设在某个epoch，我们要保存模型参数，优化器参数以及epoch一、1. 先建立一个字典，保存三个参数：state = {‘net':model.state_dict(), 'optimizer':optimizer.state_dict(), 'epoch':epoch}2.调用torch.save():torch.save(stat

转载 Pytorch执行一般过程

#导入所需要的包import torchimport numpy as npimport torch.nn as nnimport matplotlib.pyplot as pltfrom torch.autograd import Variable#定义超参数input_size = 1output_size = 1num_epochs = 100learning_rate = 0.001#数据集x_train = np.array([[3.3], [4.4], [5.5]..

原创 ECPE based on Joint Two-Dimensional Representation,Interaction and Prediction

南理工夏瑞老师团队发表在ACL2020的文章一、 Background二、 模型三、 技术四、 实验结果及分析五、 总结一、 Background二、 模型三、 技术四、 实验结果及分析五、 总结