qq_39540454的博客

这里写自定义目录标题

打开终端！！Ctrl+`打开设置：Ctrl+逗号打开中间的Control Pallete: Ctrl+Shift+P运行部分代码：选中之后按Shift+Enter或者右键选择run selectedAlt +Click创建一个新光标并在两个光标的位置同时打字。选中一个变量名，之后Ctrl+Shift+L可以全选所有该名字出现的位置，就可以全部都替换。Ctrl+空格 提示后续可以输入的函数或方法（但搜狗输入法下会会导致中英切换）整体向上或向下移动一行：光标放那一行，Alt+up/down在上方

本次搬运Sebastian Ruder的博客A Review of the Neural History of Natural Language Processing，可以快速了解深度学习时代NLP的发展历史及其中的里程碑式工作。2001 Neural language models语言建模是指在给定前面若干个单词的情况下，预测文本下一个出现的单词。这是一个最简单的自然语言处理任务，但同时有着最具体的应用。传统方法使用n-gram模型进行语言建模，并用不同平滑方法处理未出现的n-gram。[1]第一个

Q-learning: 基于价值，单步更新，离线学习（采样策略不是真实的目标策略）Sarsa: 基于价值，单步更新，在线学习（走一步学一步，采样策略与目标策略相同）Policy Gradients: 基于概率，回合更新（基础版）DQNDQN: Deep Q-learning Network, 获取Q(s,a)值的方法从Q-table表格式存储检索换成神经网络计算生成。输入是state，输出是该state下每个action的Q(s, a)。经验回放 Experience Replay：在replay

快捷键的使用：prefix + 快捷键默认prefix是ctrl+b按完之后单击d就是detach当前会话，不需要再ctrl了！！！！

第五章 蒙特卡洛方法（MC）（一）MC策略评估1.MC prediction: 估计状态值First-visit MC prediction算法，用来估计每个状态值。也有every-visit，不过没有first-visit用的多-和DP相比：MC方法对每个状态值的估计是独立的，没有用到自己以前的状态，称为没有用到bootstraping2.MC estimation of action values: 估计动作值在模型不可知的情况下，估计状态动作值q(s,a)比估计状态值v(s)更有用。这是因

torch.cattorch.topk()1.函数形式：torch.topk(input, k, dim=None, largest=True, sorted=True, *, out=None) -> (Tensor, LongTensor)返回给定tensor的前k大元素和其下标2.参数：3.例子：>>> x = torch.arange(1., 6.)>>> xtensor([ 1., 2., 3., 4., 5.])>&g

Classifying names with a char level RNN

PreliminaryTensor用法tensor初始化及属性rand_tensor = torch.rand(2,3)ones_tensor = torch.ones(2,3)zeros_tensor = torch.zeros(2,3)print(tensor.shape, tensor.dtype, tensor.device)p.s.tensor默认是创建在CPU上的，需要显式地移动到GPU。# We move our tensor to the GPU if availabl

开坑

目录读取csv使用pandas模块使用csv模块写入csv修改某一列的值读取csv使用pandas模块使用csv模块写入csv修改某一列的值

QUICKSTART

看了所里师兄推荐的You and your research，是由Richard Hamming教授的演讲整理出来的讲稿和Q&A，记录了若干我觉得重要的点1.做出great research的重要特质:Courage, Drive, Ambiguity…关于Luck: luck is for prepared mind. And it’s not all about luck.Yes, I would like to do something significant.要有勇气。好的工作环

今天搬运这篇帖子里S. Keshav老师讲到的读文章的方法。（一）单篇文章的“三遍阅读法”1.第一遍用时：5-10min目的：get general idea解释：快速阅读标题、摘要、intro、节标题、结论、参考文献，不读其他部分。了解文章的category, context, correctness, contribution, clarity。留意参考文献，并标注其中已看过的文章。第一遍阅读后决定是否要深入阅读这篇文章。（同理，写文章时，也按大部分人是one pass阅读的标准来写）

DocRED是thunlp在2019年发布的一个大规模、人工标注、通用领域的篇章级别关系抽取数据集。数据来源是wikipedia和wikidata。paper, codeDataset:人工标注数据：来自5053篇维基百科文档，共13w个实体，5w个关系远程监督数据：来自101873篇维基百科文档（10w+），共255w个实体，88w个关系1.数据处理流程：Stage 1: Distantly Supervised Annotation Generation维基百科文档的introductor

1. deployment为灰色，无法上传远程服务器依次尝试配置服务器地址-将该地址设为默认地址-设置正确的mapping。大概率是因为没有设置默认或者mapping导致的。可以参考这篇博客。

先贴官方文档nn.Linear是完成从in_features到out_features的线性变换。实例化完成后input的大小可以有多维，但最后一维的大小必须和in_features一致。>>> m = nn.Linear(20, 30)>>> input = torch.randn(128, 20)>>> output = m(input)>>> print(output.size())torch.Size([128,

照例先贴官方文档~以下是实例化一个nn.LSTM单元时会用到的参数，例如lstm = nn.LSTM(10, 20, 2)就实例化了一个input_size=10, hidden_size=20，num_layer=2的LSTM网络，也就是输入的维度为10，隐层的神经元数目为20，总共有2个隐层。实例化好的LSTM如何使用呢？以下是输入，h0和c0都是可选的，重点是input，是一个表示输入序列特征的tensor，维度是（seq_len, batch, input_size），比如接上例，x = to

可以参考这篇文章，下两张图是一个例子。也可以参考这篇文章

项目重要文件的目录树如下：spert│ args.py # 各种参数的设置│ config_reader.py # 读取并处理config文件│ spert.py # 程序入口│ __init__.py # 空文件，用于构成package├─bert-base-chinese│ bert_config.json│ config.json│ pytorch_model.bin│ vocab.