- 博客(24)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 【excel】判断两个cell的字符串是否相同
Excel在比较字符串时是区分大小写的，所以"A"和"a"会被认为是不同的字符串。如果你需要进行不区分大小写的比较，可以使用。函数会忽略字符串的大小写差异，只比较字符是否完全相同。
2024-05-29 16:12:41
150
原创 vim命令 - 个人查询备用
vim命令 - 个人查询备用显示和隐藏不可见符号：:set list:set nolist显示和隐藏行号:set number:set nonumber跳转到第几行:5 # 跳转到第5行:1 # 跳转到第1行:$ # 跳转到最后一行查找/<pattern>vim 上一页下一页快捷键shift + ↑/↓...
2021-06-26 19:04:40
167
1
原创 tf 卷积函数 Conv2D & Conv1D
tf 卷积函数 Conv2D & Conv1Dimport tensorflow as tf# 每一张图片的尺寸是 32*32，通道数是 3image_input = tf.keras.Input(shape=(32, 32, 3), name='img_input') # 每一个句子20个单词，每个单词向量的长度是10timeseries_input = tf.keras.Input(shape=(20, 10), name='ts_input') # 第1个参数表示过滤器的个数（
2020-11-21 23:55:22
533
原创 tf.keras.preprocessing.sequence.pad_sequences 截断填充序列
tf.keras.preprocessing.sequence.pad_sequences 截断填充序列import tensorflow as tfimport numpy as nppad_sequences(sequences, maxlen=None, dtype='int32', padding='pre', truncating='pre', value=0.0) pads sequences to the same length. 截断填充，多个数组序列统一到同一长度，默认是前面截断或
2020-11-19 01:01:34
500
原创 MacOS 安装 virtualenvwrapper
macOs 安装 virtualenvwrapper安装 virtualenvwrapper> pip3 install virtualenv> pip3 install virtualenvwrapper设置生成虚拟环境的目录 virtualenvwrapper_envs> mkdir ~/virtualenvwrapper_envs配置 virtualenvwrapper，在 ~/.zshrc 末尾插入export WORKON_HOME=~/virtua
2020-11-17 13:29:56
327
原创 jupyter 快捷键
退出编辑模式（jupyter有两种模式：命令模式和编辑模式）esc清空 cell 输出esc + r + y首先进入命令模式，接着call type 转为 raw，接着cell type 转为codecell类型设置(需退出编辑状态)m markdown状态r raw状态y 代码状态删除cell两次 d当前cell向前新增cellcommand + a当前cell向后新增cellcommand + b执行当前cellshift + enter..
2020-11-16 09:43:07
147
原创 pd.Categorical
pd.Categoricalref: 官网pd.Categorical 提取列表数据的唯一值，类似Set。。常用于 pandas string类型的label列，求出该份数据集有哪些label，常与 pd.Series.cat.codes 配合使用，将 string 类型的 label 转化为数字。import pandas as pdimport numpy as nppd.Categorical([1, 2, 3, 1, 2, 3])[1, 2, 3, 1, 2, 3]Categor
2020-11-15 20:09:29
2242
原创 sklearn.feature_extraction.text.TfidfVectorizer
TfidfVectorizerfrom sklearn.feature_extraction.text import TfidfVectorizerimport numpy as np"""tf-idf(t,d) = tf(t,d)*idf(t)idf(t) = log(n_d/df(d,t))+1平滑版 idf(t) = log(1+n_d/1+df(d,t))+1tf(t,d)是tf值，表示某一篇文本d中，词项t的频度，从式子可以看出tf值由词项和文本共同决定.idf(t)是词项t的
2020-11-15 19:46:49
195
原创 jupyter 查看变量
安装插件 Nbextensionspip3 install jupyter_contrib_nbextensionsjupyter contrib nbextension install --user选中 Variable inspector 重新打开 jupyter notebook，macos可在 edit > nbextensions config 打开配置页面，勾上 Variable inspector。 重启 jupyter notebook，可看到查看变量的按钮.
2020-11-15 19:34:39
5738
原创 random and np.random
random and np.randomdef test_random(): import random random.seed(1) # [1,5]的一个随机整数, params: low (include), high (include) print(random.randint(1, 5)) # 2 # [0,1)的一个随机数 print(random.random()) # 0.5692038748222122 import n
2020-11-15 18:29:37
88
原创 issubclass B是A的子类
issubclass B是A的子类issubclass(class, classinfo)判断 class 是否是 classinfo 的子类class A: passclass B(A): pass# B是否是A的子类print(issubclass(B,A)) # 返回 True
2020-11-15 18:26:35
154
原创 isinstance 判断对象是否是某个类实例或者某个类的子类的实例
isinstance 判断对象是否是某个类实例或者某个类的子类的实例注意与 type 比较，type 描述的是类，不是子类。isinstance(object, classinfo)>>>a = 2>>> isinstance (a,int)True>>> isinstance (a,str)False>>> isinstance (a,(str,int,list)) # 是元组中的一个返回 TrueTrue
2020-11-15 18:24:57
892
原创 scala 集合随机采样
scala 集合随机采样import scala.util.Random// Random.shuffle 不支持直接对 Array 操作val arr = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)val sampleArr = Random.shuffle(arr.toSeq).take(100).toArrayprintln(arr.mkString("[", ",", "]")) // [1,2,3,4,5,6,7,8,9,10]println(samp
2020-10-20 14:55:46
1054
转载 学习笔记（2):Python自然语言处理-BERT模型实战-特征分配与softmax机制
购买课程后，添加小助手微信（微信号：csdnxy68）回复【唐宇迪】 进入学习群，获取唐宇迪老师答疑 Python自然语言处理-BERT模型实战课程旨在帮助同学们快速掌握当下NLP领域最核心的算法模型BERT的原理构造与应用实例。通俗讲解BERT模型中所涉及的核心知识点（Transformer,self-attention等），基于go...
2020-07-29 23:30:21
399
原创 HMM模型
给定HMM模型 λ=(A,B,π)\lambda=(A,B,\pi)λ=(A,B,π)，其中AAA是状态转移矩阵，BBB是观测矩阵，π\piπ是状态的初始概率数组。观测序列：X=(x1,x2,...,xn)X=(x_1,x_2,...,x_n)X=(x1,x2,...,xn)，观测序列对应的状态序列：Z=(z1,z2,...,zn)Z=(z_1,z_2,...,z_n)Z=(z1,z2,...,zn)，zi∈{1,2,3,...,C}z_i \in \{1,2,3,...,C\}zi∈{1,
2020-07-21 01:49:52
162
原创 先验概率, 后验概率, 似然函数, 证据因子
先验概率, 后验概率, 似然函数, 证据因子理论假设有变量xxx和yyy, xxx表示特征, yyy表示我们关心的变量, 可以是分类变量或者连续变量. 那么, 关于yyy的先验概率为p(y)p(y)p(y), 关于yyy的后验概率为p(y∣x)p(y|x)p(y∣x), 似然函数为p(x∣y)p(x|y)p(x∣y), 证据因子p(x)p(x)p(x), 根据全概率公式和贝叶斯公式可以...
2019-03-27 22:19:46
251
原创 奇异分解（SVD）
奇异分解 假设C是m×n矩阵，U是m×m矩阵，其中U的列为 的正交特征向量，V为n×n矩阵，其中V的列为 的正交特征向量，再假设r为C矩阵的秩，则存在奇异值分解： 其中和的特征值相同，为 ，且。 是m×n的矩阵， ， 。令 ，则 。 称为矩阵C的奇异值。 所以有了矩阵C，可以求得或者，从求得方阵或者
2016-09-12 16:32:25
359
原创 Python学习笔记3-string
More on Modules and their NamespacesSuppose you've got a module "binky.py" which contains a "def foo()". The fully qualified name of that foo function is "binky.foo". In this way, various Pyth
2016-09-11 15:28:47
313
原创 梯度下降法
梯度下降法的计算过程就是沿梯度下降的方向求解极小值（也可以沿梯度上升方向求解极大值）。其一般 迭代公式步骤如下：目标函数： 梯度： 迭代公式 （沿着负梯度方向前进，值下降最快） --------------------------------------------------------------------------------------补充：梯度（高
2016-09-11 12:05:27
219
原创 选择矩阵（选择矩阵是稀疏的）相关计算
1、选择矩阵运算 设S是稀疏矩阵，并具有以下性质： S中的每1列有且只有一个1的元素，其他元素值为0，并标记每个1元素所在的行号，构建1的行号集合F。假设， 则 ， 初始化为全0矩阵，则 如： ， ，初始化A是全0矩阵，然后 则有
2016-09-09 09:41:17
705
原创 稀疏降维表示
输入样本点：，输出样本点： （1）采用稀疏表示方法重建信号时，使用稀疏表示方法进行重建。每个样本点表示为： ，其中列向量 。对于 而稀疏向量 的计算方法采用以下最优化方法： 其中A是由组成的字典矩阵，。 （3）降维
2016-09-08 22:53:44
1393
原创 window7安装python的xgboost库方法
window7安装python的xgboost库方法1、下载xgboost-master.zip文件，而不是xgboost-0.4a30.tar.gz，xgboost-0.4a30.tar.gz是更新版本，在windows上安装需要在github操作。2、解压xgboost-master.zip后，进入\xgboost-master\windows文件夹，用Microsoftvisual
2016-06-24 14:44:13
490
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人