- 博客(5)
- 收藏
- 关注
RSS订阅原创 Python GET页面并提取js中Url，对url进行wrk压测并行访问
import osimport reimport argparseimport asynciofrom aiohttp import ClientSessionfrom bs4 import BeautifulSoup# def findUrl(string): # find all of url in this string# url = re.findall('https?://(?:[-\w.]|(?:%[\da-fA-F]{2}))+', string)#
2020-09-10 20:23:19
291
原创 Python Get页面并执行js
import re # 字符串正则import argparse # 控制台执行py传参，用于分割参数import asyncio # py协程from aiohttp import ClientSession # 利用ClientSession GET页面from bs4 import BeautifulSoup # 提取html标签内容import execjs # execjs库调用node底层执行js# 我们最终要执行的是js中的intervalFunc函数，这个函数用于过滤掉不含in
2020-09-10 20:13:44
1803
原创 优化算法-吴恩达DL学习摘要
指数加权平均：比计算过去N步平均值的好处：内存开销小，只需要存储上一时间节点数据即可，较为巧妙地将过去时间节点累积的数据与接下来的预测联系起来动量梯度下降两个图RMSprop（root mean square prop）计算了指数加权的均方差，然后在梯度下降的基础上让学习率根据指数加权的均方差动态调整，看图第一个图是原始梯度下降，第二个图是RMSprop，相当于在第一个图基础上除以当前计算的均方差“显然，Momentum 和 RMSprop是存在区别的。前者是在梯度的更新方向上做.
2020-08-01 22:49:23
113
原创 【pytorch实战02】RNN相关算法实现语言模型
本次实验在上次word-embeding基础上使用pytorch+torchtext完成原理：RNNLSTM“相较于RNN，LSTM增加了cell state和门控单元从而保存长期依赖的信息，但实际上它并没有完全解决梯度消失问题，只是提供了一个简便的方法解决了模型难以学习长期依赖的问题。尽管如此，LSTM的表现也要比RNN好很多。在2013-2015年，LSTM在手写识别、语音识别、机器翻译等多个问题上取得了state-of-the-art的结果。不过现在（2019-2020年），LSTM
2020-06-15 21:26:40
391
原创 【pytorch实战1】用skip-gram训练词向量
原理：首先将文本中的词汇用One-Hot Encoding表示，根据需要设置Word Vector维度，输入层变量个数及one-hot vector的维度（代码中为30000），隐藏层单元个数即为Word Vector维度，输出与输入维度相同，也是One-Hot EncodingSkip-gram原理如图我们最终想要的是词库中单词的词向量表示，所以使用一层神经网络来实现Skip-gram算法，最后得到Word Embedding矩阵即可USE_CUDA = torch.cuda.is_availa
2020-06-14 19:35:37
1305
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