- 博客(24)
- 收藏
- 关注
RSS订阅原创 项目实训七
目录前端总体实现构思前端技术选型技术困难及解决方式功能vue入口文件main.js的编写总体结构介绍前端背景代码实现前端总体实现构思前端技术选型前端使用vue+element plus实现，element plus 是饿了么团队基于vue3 推出的UI库，能有效提升界面的美观程度技术困难及解决方式由于手写识别需要手绘板，于2022年2月7日新推出的vue3是较为方便和新的前端开发方式，使用vue+vite 进行前端工具的开发，但是在使用后发现实现手
2022-05-30 23:57:13
188
原创 项目实训六
Vue CLI脚手架脚手架文件结构：.文件目录├── node_modules ├── public│ ├── favicon.ico: 页签图标│ └── index.html: 主页面├── src│ ├── assets: 存放静态资源│ │ └── logo.png│ │── component: 存放组件│ │ └── HelloWorld.vue│ │── App.vue: 汇总所有组件│ └── main.js: 入口文件
2022-05-28 22:54:01
97
原创 项目实训五
计算属性计算属性：定义：要用属性不存在，需要通过已有属性计算得来。原理：底层借助了Objcet.defineproperty()方法提供的getter和setter1.get函数初次读取时会执行一次2.当依赖的数据发生改变时会被再次调用备注：计算属性最终会出现在vm上，直接读取使用即可 如果计算属性要被修改，那必须写set函数去响应修改，且set中要引起计算时依赖的数据发生改变 如果计算属性确定不考虑修改，可以使用计算属性的简写形式<!DOCTYPE html>
2022-05-27 22:38:54
56
原创 项目实训四
vue框架中MVVM模型M：模型（Model），data中的数据 V：视图（View），模板代码 VM：视图模型（ViewModel），Vue实例代码展示<html lang="en"><head> <meta charset="UTF-8"> <meta http-equiv="X-UA-Compatible" content="IE=edge"> <meta name="viewport" content="
2022-05-26 12:27:29
62
原创 项目实训三
vue模板语法1.想让Vue工作，就必须创建一个Vue实例，且要传入一个配置对象2.root容器里的代码（也叫vue模板）依然符合html规范，只不过混入了一些特殊的Vue语法3.Vue实例与容器是一一对应的4.真实开发中只有一个Vue实例，并且会配合着组件一起使用5.{{xxx}}中的xxx要写js表达式，且xxx可以自动读取到data中的所有属性6.自动更新：一旦data中的数据发生变化，那么模板中用到该数据的地方也会自动更新插值语法功能：用于解析标签体内容写法：{{xxx}}，
2022-05-25 13:22:39
90
原创 项目实训二
vue学习线路1.vue基本概念Vue.js 生态系统的核心，包括 Vue 核心库、Vue Router 和 Vuex。这些工具将被用在大多数 Vue 应用程序中，并为其他领域提供了一个构建框架。
2022-05-22 23:56:15
111
原创 项目实训一
背景手写数学公式识别较传统OCR问题而言，是一个更复杂的二维手写识别问题，其内部复杂的二维空间结构使得其很难被解析，传统方法的识别效果不佳。随着深度学习在各领域的成功应用，文章首次提出了基于深度学习的端到端离线数学公式算法，并在公开数据集上较传统方法获得了显著提升，开辟了全新的数学公式识别框架。然而在线手写数学公式识别框架还未被提出，论文TAP则是首个基于深度学习的端到端在线手写数学公式识别模型，且针对数学公式识别的任务特性提出了多种优化。重难点分析1.公式的二维结构在识别上更为困难2.公式
2022-05-11 23:27:34
170
原创 反向翻译代码分析补充
目录2021SC@SDUSCBack Translations2021SC@SDUSCBack Translations为了节省时间，我们对所有转换后的数据进行预处理并将其保存到pickle文件中预处理German data def __init__(self, path, transform_type='BackTranslation'): with open(path + 'de_1.pkl', 'rb') as f: self
2021-12-27 20:43:04
704
原创 MixText中的attention_mask
Mask大致分为两种Padding Mask:在NLP任务中，由于句子长度不一致，经常会进行padding操作，在sequence中加入零向量。这部分padding不应该起作用，但是在Attention的计算中用到了softmax等操作，即便0向量也会参与计算（e^0=1),因此需要手动将这部分信息mask才行。padding mask主要包含两种：key mask:在计算score之后，且softmax之前进行，将值设为很小的数字（如－e^12),这样经过的softmax之后值几乎为0·que
2021-12-13 00:06:41
1836
原创 Mixtext 架构图和代码分析（二）
2021SC@SDUSC经过对无标签数据生成标签，我们合并有标签文本和无标签文本，和无标签的数据增强后的文本，组成成一个集合X=Xl∪Xu∪Xa，它们组成的标签y也组成一个集合Y=Yl∪Yu∪Ya,所有的数据增强样本使用相同的生成的标签，作为原始的无标签样本。在训练阶段，我们从集合X中随机采样2个数据x，x‘，然后计算TMix(x,x’)，和min(y,y’)，然后使用KL散度作为损失函数:...
2021-12-06 09:20:44
216
原创 Mixtext 代码分析
我们启用一个新的名字MixText，MixText是一种半监督的框架。MixText的核心思想是使用Tmix同时在有标签和无标签数据上。这节主要是讲TMix如何应用于半监督，给定有限的数据集Xl={xl1,...,xln}，以及对应着的标签Yl={yl1,...,yln}， 和大量的无标签的数据集Xu={xu1,...,xum}，其中yli∈{0,1}C，y是做了one-hot编码，C是y的类别数量，我们的目标利用有标签和无标签的数据训练一个分类器。我们提出一个label guessing meth
2021-11-28 23:48:55
1263
原创 数据增强方法——Back translations（反向翻译）
2021SC@SDUSC目录2021SC@SDUSC主要知识代码分析主要知识Back translations是一种通用的数据增强算法，能在保留句子语义的情况下生成不同的句子。对于无标签数据使用Back translations方法，对于数据无标签数据x，生成K个增强数据样本。对于Back translations，例如把句子翻译成德语，然后在翻译回来（即标题这里称作反向翻译）。在增强文本生成中，我们采用具有可调温度的随机采样来代替beam search以确保多样性。 这样数据增强用
2021-11-21 09:08:51
2339
原创 了解MixText模型
2021SC@SDUSCMixText是一种半监督的框架。MixText的核心思想是使用Tmix同时在有标签和无标签数据上。给定有限的数据集Xl={xl1,...,xln}，以及对应着的标签Yl={yl1,...,yln}， 和大量的无标签的数据集Xu={xu1,...,xum}，其中yli∈{0,1}C，y是做了one-hot编码，C是y的类别数量，我们的目标利用有标签和无标签的数据训练一个分类器。提出一个label guessing method，猜测标签的方法，在训练的时候对无标签数据进行
2021-11-14 11:37:13
1722
原创 损失函数代码分析
2021SC@SDUSC#训练损失函数，用在训练时train_criterion = SemiLoss()#交叉熵损失, 用在验证集和测试集, 是模型训完完成后的，使用交叉熵进行计算损失criterion = nn.CrossEntropyLoss()根据前几篇博客对损失函数的介绍，在半监督文本分类该项目的代码中，其主要公式：使用SemiLoss计算损失class SemiLoss(object)def __call__(self, outputs_x, tar...
2021-11-07 16:24:19
567
原创 损失函数及回归
中心损失函数中心损失主要主要用于减少类内距离，虽然只是减少了累内距离，效果上却可以表现出累内距离小了，类间距离就可以增大的效果。该损失不可以直接使用，需要配合传统的softmax loss一起使用。可以起到比单纯softmax loss更好的分类效果。...
2021-10-31 22:02:51
856
原创 损失函数实现及代码分析
目录Tensorflow中交叉熵损失函数实现2021SC@SDUSCTensorflow中交叉熵损失函数实现softmax_cross_entropy_with_logits函数的定义def softmax_cross_entropy_with_logits(_sentinel=None, # pylint: disable=invalid-name labels=None, logits=None,
2021-10-24 14:11:44
646
原创 交叉熵损失函数 熵最小化进行标签预测
2021SC@SDUSC相对熵相对熵又称KL散度，用来描述两个概率分布的差异性。假设有对同一变量 x 的 q(x)和p(x)两个概率分布,那么两者之间的相对熵可由以下定义q(x)是预测的匹配分布，p(x)是目标分布，显然，目标分布p(x)表示事件，但因为使用预测分布，所以有了信息量的变化，这种变化叫相对熵。信息熵信息熵也被称为熵，用来表示所有信息量的期望。所以信息量的熵可表示为如下公式：（X是一个离散型随机变量）交叉熵交叉熵是用来估算平均编码长度的。在深度学习中，可...
2021-10-17 23:03:40
983
原创 Mixup方法——数据增强
目录2021SC@SDUSCMixup方法mixup原理Mixup主要代码及分析2021SC@SDUSCMixup方法大型深度神经网络损耗巨大的内存，以及对对抗样本的敏感性一直不太理想。在VRM中，需要专业知识描述训练数据中每个样本的邻域，从而可以从训练样本邻域中提取附加的虚拟样本以扩充对训练分布的支持。数据增强可以提高泛化能力，但这一过程依赖于数据集。其次，数据增强假定领域内样本都是同一类，且没有对不同类不同样本之间领域关系进行建模。针对这些问题，一种简单且数据无关的数...
2021-10-09 20:05:48
7360
原创 文本分类半监督学习
目录2021SC@SDUSC一、项目综述二、项目分工三、项目理解四、安装及环境调试2021SC@SDUSC一、项目综述项目背景本项目为山东大学软件学院2019级“软件工程应用与实践”课程项目小组成员吴泽昊、熊静飞、张致晏、刘敬炜课程目标：下载相关文本分类半监督学习的代码，配置合适的python环境小组成员分工合作分析项目代码，写出代码分析报告并在csdn发布记录自己所分析的模型的难点，加以解释总结每次代码分析的重点和收获项目计划半监督学..
2021-09-30 21:33:53
297
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人