eillotee的博客

本章讨论对于机器学习模型的理解、构建。首先，以一个简单的线性回归模型为例，讨论两种不同的训练方法来得到模型的最优解：方式一：使用公式，计算得到使损失函数达到最小值的模型参数方式二：使用迭代优化方法：梯度下降（GD），也会介绍一些梯度下降的变体形式：批量梯度下降（Batch GD）、小批量梯度下降（Mini-batch GD）、随机梯度下降（Stochastic GD）接下来研究一个更复杂的模型-多项式回归，探讨什么是过拟合以及正则化。

MNIST数据集：由美国的高中生和美国人口调查局的职员手写而成的70000 张数字图片。类似我们将基于这个数据集，介绍分类。

转换器：实现增加组合属性、数据清洗之类的操作的类（对本例来说）下面是一个增加组合属性的转换器rooms_ix, bedrooms_ix, population_ix, household_ix = 3, 4, 5, 6 # 所在列的索引# 创建一个类并执行三个方法：fit()（返回self），transform()，和fit_transform()

机器学习是通过编程让计算机从数据中进行学习的科学（和艺术）。机器学习是让计算机具有学习的能力，无需进行明确编程。—— 亚瑟·萨缪尔，1959计算机程序利用经验E学习任务T，性能是P，如果针对任务T的性能P随着经验E不断增长，则称为机器学习。—— 汤姆·米切尔，1997（例如垃圾邮件分类，任务T就是标记新邮件是否是垃圾邮件，经验E是训练数据，性能P需要定义：例如，可以使用正确分类的比例。这个性能指标称为准确率，通常用在分类任务中。

等一起食用。

第九章：序列标注任务 · Transformers快速入门本文扩展的内容：1.功能概括更精简、具体，2.代码逐句详细解读，3.包含原文中涉及到的专业名词简介序列标注任务即为词语打标签，分为两类，本文针对命名实体识别命名实体识别 NER ：识别出文本中诸如人物、地点、组织等实体，即为所有的待识别词语打标签。

我们的目的是使用 Transformers 库来完成pipeline自动封装的过程（文本编码，将输入送入模型，对模型输出进行处理）下面我们用transformer来完成基于context中回答question的功能，并且返回截取片段的起始终止位置和概率。首先了解分词器tokenizer以及相关概念和调用方法。

【代码】# 基于Transformers的BERT模型实战之微调句子对分类模型-代码逐句解读。

FashionMNIST 数据集是一个常用的计算机视觉数据集，常用于训练和测试图像分类模型。它包含 10 类不同类型的服装图像，每类有 6000 张训练图像和 1000 张测试图像。我们构建了一个含有ReLU激活函数的两个全连接隐藏层和一个分类层的神经网络，在训练集上训练迭代得到最佳参数，然后测试集上检查正确率。

transformer代码解读

实现了一个简单的神经网络语言模型（NNLM），用于预测给定前n-1个单词的下一个单词。通过训练，模型能够学习到单词之间的上下文关系，从而进行预测。

如果不指定或将其设置为0，都将使用默认值。为了避免内存不足，唤起的内存管理器OOM killer杀掉docker进程时，我们可以给它的--oom-score-adj 配置一个比较低的数值（但应高于docker进程的该值，默认-500）注意，指定--memory大小时，会自动将--memory-swap设置成--memory的两倍，更改--memory大小时候，需要注意--memory-swap的限制。新建：docker run -it --rm --cpuset-cpus="1" 镜像名称:版本。

成绩排名，排名次，rank

docker 排错