coolerzZ的博客

大概300多万，词典结构为：词语\t词性\t词频。链接: 点我密码: 11km

容器启动：docker run -it --name xxx --gpus all tensorflow/tensorflow:1.10.0-gpu-py3 /bin/bash—gpus all 可能容器会启动失败，报错：docker: Error response from daemon: could not select device driver “” with ...在确认宿主机nvidia-smi输出没问题后，主要问题可能是由于未安装： nvidia-container-too

之前看了很多讲LSTM优点的，但是几乎没有一篇能让我解开心中的疑惑：LSTM究竟怎么解决梯度弥散的？直到看到这篇文章“苏剑林. (2020, Nov 13). 《也来谈谈RNN的梯度消失/爆炸问题 》[Blog post]. Retrieved fromhttps://kexue.fm/archives/7888”，个人认为这是我看到的第一篇讲清楚LSTM解决梯度弥散机制的文章，特此记录，同时感谢大佬@苏剑林！原文地址：https://kexue.fm/archives/7888...

转自知乎@Towser 原链接“LSTM 能解决梯度消失/梯度爆炸”是对 LSTM 的经典误解。这里我先给出几个粗线条的结论，详细的回答以后有时间了再扩展：1、首先需要明确的是，RNN 中的梯度消失/梯度爆炸和普通的 MLP 或者深层 CNN 中梯度消失/梯度爆炸的含义不一样。MLP/CNN 中不同的层有不同的参数，各是各的梯度；而 RNN 中同样的权重在各个时间步共享，最终的梯度 g = 各个时间步的梯度 g_t 的和。2、由 1 中所述的原因，RNN 中总的梯度是不会消失的。即便梯度.

anaconda打开命令窗口输入命令tensorboard --logdir C:\\xx\\autograph地址为存放日志路径

为啥这种数据集还藏着掖着，花了1块5，现在把资源分享出来数据集详情看了一下好像12的数据有问题不能用，其他的应该没问题链接：芝麻开门密码：i0nq...