lyj223061的博客

MNN环境配置首先可以通过官网提供的window，mac，linux版本运行库来配置自己的mnn环境 https://github.com/alibaba/MNN。或者可以自己下载最新的mnn源码根据 https://www.yuque.com/mnn/cn的官方文档来编译出最新的运行库来配置自己的mnn环境，文档中各种版本的编译都很详细，可以根据需要自行编译。MNN推理示例配置好环境，准备已经转换好的mnn模型之后开始推理#include "MNN/Interpreter.hpp"#incl

在配置过程自己遇到不少坑，跟着该博文一步步操作即可一遍成功！###1.下载libtorchhttps://pytorch.org/根据自己是否需要gpu版本和torch与cuda的版本号来选择性下载，最好选择对应的版本，不对应可能也没有问题（没试过）。可以在迅雷下载链接并更改自己需要的版本即可下载成功，比如这里的1.9改为1.7.1，我下载的是1.7.1+cu101。解压后可以看到这样的目录结构2.开始在vs2019下配置libtorch环境2.1新建一个项目，一定先切换 x86到x64。

import torchimport torch.nn as nn单层lstmlstm = nn.LSTM(input_size=100, hidden_size=200, bidirectional=True, batch_first=True)a = torch.randn(32, 512, 100)out, (h, c) = lstm(a)print(out.shape) # 32, 512, 400print(h.shape) # 2, 32, 400print(out[0

下面是huggingface的bert文件API的调用及简单的使用demo，具体bert文本分类使用可以参考https://github.com/lyj157175/nlp_projectsfrom pytorch_pretrained import BertModel, BertTokenizerimport torchimport torch.nn as nn# 加载本地预训练模型文件，包括config.json, vocab.txt, pytorch_model.binbert = Be

import shutilshutil.copy(src_path, tgt_path)src_path: 原文件路径tgt_path: 目标文件路径

图的邻接表实现class V: def __init__(self, item): self.id = item self.nbrs = {} self.visited = False def add_nbr(self, nbr, weight=0): self.nbrs[nbr] = weight def get_nbrs(self): return self.nbrs.keys

堆结构堆结构是一个完全二叉树，将数组中的数字在二叉树从上到下，从左到右进行排列。若每个父节点的值大于子节点的值则为大顶堆，若每个父节点的值小于子节点的值则为小顶堆。属性：对任意一个node为idx （idx=0为根节点）父节点：（idx-1）//2，左节点：（2idx + 1），右节点：（2idx + 2）父节点 >=子节点，根节点最大（大顶堆），反之小顶堆堆排序堆排序分为建堆和堆调整两个过程。建堆的时间复杂度为O(n)，堆调整的时间复杂度为log(n），所以堆排序的时间复杂度为n

DSSM模型结构代码地址：https://github.com/lyj157175/Modelsimport torch import torch.nn as nnclass DSSM(nn.Module): def __init__(self, vocab_size, embedding_dim, dropout): super(DSSM, self).__init__() self.embed = nn.Embedding(vocab_size,

Bert模型BERT包括BertEmbedding和12层TransformerBlock组合而成。BertEmbedding包括TokenEmbedding，PositionalEmbedding，SegmentEmbedding三部分相加而成。TransformerBlock则是transformer的encoder部分。两个预训练任务Masked language modelNext Sentence Prediction Modelimport torchimport tor

模型结构Positional EncodingFeed Forward

【pytorch模型实现1】Skip-Gram+Neghttps://blog.csdn.net/lyj223061/article/details/113849997【pytorch模型实现2】Glovehttps://blog.csdn.net/lyj223061/article/details/113850145【pytorch模型实现3】C2Whttps://blog.csdn.net/lyj223061/article/details/113850182【pytorch模型实现4】T.

HAN_Attention模型实现NLP模型代码github仓库：https://github.com/lyj157175/Modelsimport torch import torch.nn as nn from torch.autograd import Variableimport numpy as np from torch.nn import functional as Fclass HAN_Attention(nn.Module): '''层次注意力网络文档分类模型实现

Seq2Seq + attention模型实现NLP模型代码github仓库：https://github.com/lyj157175/Modelsimport torchimport torch.nn as nn from torch.autograd import Variableimport torch.nn.functional as Fimport numpy as np class Seq2Seq_attention(nn.Module): '''Bahdanau论文中

Seq2Seq模型实现NLP模型代码github仓库：https://github.com/lyj157175/Modelsimport torchimport torch.nn as nn class Seq2Seq(nn.Module): def __init__(self, src_vocab_size, tgt_vocab_size, embedding_dim, hidden_size): super(Seq2Seq, self).__init__()

FastText模型实现NLP模型代码github仓库：https://github.com/lyj157175/Modelsimport torch import torch.nn as nnclass FastText(nn.Module): def __init__(self, vocab_size, embedding_dim, max_len, num_label): super(FastText, self).__init__() self.

ChartextCNN模型实现NLP模型代码github仓库：https://github.com/lyj157175/Modelsimport torchimport torch.nn as nn class ChartextCNN(nn.Module): '''6层卷积，3层全连接层''' def __init__(self, config): super(ChartextCNN, self).__init__() self.in_featu

TextCNN模型实现NLP模型代码github仓库：https://github.com/lyj157175/Modelsimport torch import torch.nn as nn import torch.nn.functional as Fclass TextCNN(nn.Module): def __init__(self, config): super(TextCNN, self).__init__() self.max_seq_le

C2W模型实现NLP模型代码github仓库：https://github.com/lyj157175/Modelsimport torchimport torch.nn as nn class C2W(nn.Module): def __init__(self, config): super(C2W, self).__init__() self.char_hidden_dim = config.char_hidden_dim self.w

NLP模型代码github仓库：https://github.com/lyj157175/Modelsimport torchimport torch.nn as nnclass Glove(nn.Module): def __init__(self, vocab_size, embedding_dim, x_max, alpha): super(Glove, self).__init__() self.vocab_size = vocab_size

Word2Vec原文 https://arxiv.org/pdf/1301.3781.pdfSkip-Gram+Neg模型实现NLP模型代码github仓库：https://github.com/lyj157175/Models'''Word2Vec模型包括：CBOW, Skip-Gram这里实现的是Skip-Gram + 负采样(NEG)模型'''import torchimport torch.nn as nnimport torch.nn.functional as Fcla