没有胡子的猫-CSDN博客

原创 Linux为树莓派交叉编译OpenCV

在Docker中编译OpenCV前需要对DockerFile做一些简单配置，针对不同版本可以参考整合项目可以从OpenCV获取源文件(如有需要也可以同时编译扩展仓库。

2024-04-20 21:33:08 258 2

原创 Linux配置树莓派交叉编译环境

本文以树莓派4B为例，CPU架构为ARMv8，系统架构为aarch64，安装官方镜像。镜像。尝试搭建在x86架构的64位Linux主机为arm架构的树莓派交叉编译环境。实验在Docker容器下进行，Linux镜像为eosx/ubuntu22.04-gcc11:261-244交叉编译链选择提供的。

2024-04-20 21:32:23 294

服务器 jupyter notebook配置1. 建立config文件jupyter notebook --generate-config2. 进入.jupyter文件夹cd ~/.jupyter3. 打开 jupyter_notebook_config.py文件vim jupyter_notebook_config.py4. 修改jupyter_notebook_config.py文件，添加如下命令#获取配置c = get_config()#设置为 * 表示所有 IP 都可以访问c.

2021-08-26 17:05:29 1173

原创使用TensorFlow实现GRU

使用TensorFlow实现GRU使用Cell实现# 以Cell方式实现GRU# %%import osimport numpy as npimport tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras import layers, losses, optimizers, Sequential# 指定GPUos.environ["CUDA_VISIBLE_DEVICES"] = "2"tf.rand

2021-08-26 17:04:53 3980

原创使用TensorFlow实现LSTM

使用TensorFlow实现LSTM使用Cell实现# 以Cell方式实现LSTM# %%import osimport numpy as npimport tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras import layers, losses, optimizers, Sequential# 指定GPUos.environ["CUDA_VISIBLE_DEVICES"] = "1"tf.ra

2021-08-26 17:04:06 2599

原创使用TensorFlow实现RNN

使用TensorFlow实现RNN使用Cell实现# 以cell方式实现RNN# %%import osimport numpy as npimport tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras import layers, losses, optimizers, Sequential# 指定GPUos.environ["CUDA_VISIBLE_DEVICES"] = "1"tf.rand

2021-08-26 17:03:45 778

原创 Cheap and Good Simple and Effective Data Augmentation for Low Resource Machine Reading

Cheap and Good Simple and Effective Data Augmentation for Low Resource Machine Reading论文：https://arxiv.org/abs/2106.04134代码：https://github.com/vanh17/techqa任务为低资源机器阅读理解提出了一个简单而有效的数据增强策略。首先在包含正确答案的近似上下文的增强数据上对MRC系统的答案提取组件进行预训练，然后再对准确答案的跨度进行训练。方法（模型）

2021-08-26 17:03:03 177

原创 Improving Low-resource Reading Comprehension via Cross-lingual Transposition Rethinking

Improving Low-resource Reading Comprehension via Cross-lingual Transposition Rethinking论文：https://arxiv.org/abs/2107.05002任务解决抽取式阅读理解中低资源语言训练数据不足的问题。通过在多语言环境中对现有的高质量提取式阅读理解数据集进行建模，提出了一个跨语言转置再思考（XLTT）模型（Cross-Lingual Transposition ReThinking）。方法（模型）

2021-08-26 17:02:29 136

原创 Python求解回归问题

title: Python求解回归问题cover: https://gitee.com/Asimok/picgo/raw/master/img/MacBookPro/20210801104603.pngcategories: 机器学习tags:Python机器学习keywords: ‘机器学习,Python’date: 2021-8-1Python求解回归问题y=wx+bimport numpy as npimport matplotlib.pyplot as plt# 计.

2021-08-24 17:35:32 202

原创 tensorflow.keras.Model compile fit evaluate应用

tensorflow.keras.Model compile fit evaluate应用import tensorflow as tffrom tensorflow.keras import datasets, layers, optimizers, Sequential, metrics数据预处理def preprocess(x, y): """ x is a simple image, not a batch """ x = tf.cast(x, dt

2021-08-24 17:34:59 385

原创 tensorflow.keras metrics应用

tensorflow.keras metrics应用不使用metrics实现的博客参考：import tensorflow as tffrom tensorflow.keras import datasets, layers, optimizers, Sequential, metrics更改数据类型并归一化def preprocess(x, y): x = tf.cast(x, dtype=tf.float32) / 255. y = tf.cast(y, dt

2021-08-24 17:33:53 424

原创 tensorflow.keras.layers keras.Model 自定义层应用

tensorflow.keras.layers keras.Model 自定义层应用import tensorflow as tffrom tensorflow.keras import datasets, layers, optimizers, Sequential, metricsfrom tensorflow import keras数据预处理def preprocess(x, y): """ x is a simple image, not a batch

2021-08-24 17:33:11 923

原创 TensorFlow常用操作

指定GPU终端指定CUDA_VISIBLE_DEVICES=0 nohup python demo.py >> base_log.out 2>&1 &程序指定import osos.environ["CUDA_VISIBLE_DEVICES"] = "1"TensorFlow常用操作检测GPU是否可用import tensorflow as tftf.test.is_gpu_available()...

2021-08-24 17:31:59 98

原创 Tensorflow模型保存与加载

Tensorflow模型保存与加载import osos.environ['TF_CPP_MIN_LOG_LEVEL']='2'import tensorflow as tffrom tensorflow.keras import datasets, layers, optimizers, Sequential, metricsdef preprocess(x, y): """ x is a simple image, not a batch """

2021-08-24 17:30:56 422

原创 TensorFlow实现手写数字识别

TensorFlow实现手写数字识别import tensorflow as tffrom tensorflow.keras import datasets, layers, optimizers, Sequential, metricsimport matplotlib.pyplot as plt# 设置GPU使用方式# 获取GPU列表gpus = tf.config.experimental.list_physical_devices('GPU')print(gpus)if g

2021-08-24 17:30:01 536

原创 TensorFlow学习笔记（一）TensorFlow基础

TensorFlow学习笔记（一）TensorFlow基础import tensorflow as tfimport tensorflow.keras as kerasimport tensorflow.keras.layers as layers# physical_devices = tf.config.experimental.list_physical_devices('GPU')# assert len(physical_devices) > 0, "Not enough GPU

2021-08-24 17:29:04 506 1

原创 Top-k准确率

Top-k准确率import tensorflow as tfimport osos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #限制控制台打印日志级别tf.random.set_seed(2467)def accuracy(output, target, topk=(1,)): # output [10,6] maxk = max(topk) batch_size = target.shape[0] pred =

2021-08-24 17:28:22 1038 1

原创 ubuntu开启ssh服务远程登录

ubuntu开启ssh服务远程登录1. 查看当前的ubuntu是否安装了ssh-server服务。默认只安装ssh-client服务dpkg -l | grep ssh2. 安装ssh-server服务sudo apt-get install openssh-server然后确认ssh-server是否启动了：ps -e | grep ssh如果看到sshd那说明ssh-server已经启动了。如果没有则可以这样启动：sudo /etc/init.d/ssh start或sudo servi

2021-08-24 17:27:36 2940 1

原创【论文阅读】Cross-Lingual Machine Reading Comprehension

Cross-Lingual Machine Reading Comprehension论文：https://arxiv.org/abs/1909.00361代码：https://github.com/ymcui/Cross-Lingual-MRC任务虽然机器阅读理解研究得到了飞速发展，多数工作面向的是英文数据，而忽略了机器阅读理解在其他语言上的表现，其根本原因在于大规模训练数据的缺失。本文提出跨语言机器阅读理解（Cross-Lingual MachineReading Comprehensio

2021-07-23 19:20:57 292 1

原创【论文阅读】EMNLP2020-Semantic Role Labeling Graph Reasoning Network

SRLGRN论文：EMNLP2020-Semantic Role Labeling Graph Reasoning Network语义角色标注图推理网络任务生成需要对多条输入段落进行推理的复杂问题。方法（模型）Methodology（方法）：Q=arg maxQP(Q∣D,A)Q = {}\underset{Q} {arg \ max}P(Q|D, A)Q=Qarg maxP(Q∣D,A)其中文档DDD和答案AAA都是单词的序列。目标是生成一个涉及多个证据

2021-07-20 19:28:37 180 1

原创【论文阅读】Low-Resource Knowledge-Grounded Dialogue Generatio

Low-Resource Knowledge-Grounded Dialogue Generatio论文：https://arxiv.org/abs/2002.10348任务以知识为基础的对话，作为反应生成模型的训练数据，很难获得。本文在有限的训练数据下，进行以知识为基础的对话生成。在这项工作中，专注于以文档为基础的对话生成，但所提出的方法实际上为低资源知识为基础的对话生成提供了一个通用的解决方案，其中的知识可以是结构化的知识库、图像或视频。要做到这一点，只需要修改知识编码器和知识处理器，使其与

2021-07-20 19:27:44 428 1

原创【论文阅读】Multi-paragraph Reading Comprehension with Token-level Dynamic Reader and Hybrid Verifier

Multi-paragraph Reading Comprehension with Token-level Dynamic Reader and Hybrid Verifier论文：http://vigir.missouri.edu/~gdesouza/Research/Conference_CDs/IEEE_WCCI_2020/IJCNN/Papers/N-20242.pdf任务多段式阅读理解要求模型通过推理跨段落信息来推断任意用户生成的问题的答案。以前的工作通常通过直接采用指针网络预测答案的

2021-07-20 19:27:14 165

原创用LSTM预测股票行情

这里采用沪深300指数数据，时间跨度为2010-10-10至今，选择每天最高价格。假设当天最高价依赖当天的前n（如30）天的沪深300的最高价。用LSTM模型来捕捉最高价的时序信息，通过训练模型，使之学会用前n天的最高价，判断当天的最高价（作为训练的标签值）。导入数据这里使用tushare来下载沪深300指数数据。可以用pip 安装tushare。import tushare as ts #导入cons = ts.get_apis() #建立连接#获取沪深指数(000300)的信息，包括交易

2021-07-20 19:26:26 727 6

原创用注意力机制实现中英文互译

用注意力机制实现中英文互译[KEY: > input, = target, < output]il est en train de peindre un tableau .= he is painting a picture .< he is painting a picture .pourquoi ne pas essayer ce vin delicieux ?= why not try that delicious wine ?< why not try t

2021-07-20 19:24:32 708 2

原创使用sklearn进行线性回归和二次回归的比较程序

使用sklearn进行线性回归和二次回归的比较程序#coding=utf-8"""#演示内容：二次回归和线性回归的拟合效果的对比"""print(__doc__)import numpy as npimport matplotlib.pyplot as pltfrom sklearn.linear_model import LinearRegressionfrom sklearn.preprocessing import PolynomialFeaturesfrom matplotli

2021-07-20 19:23:41 1173

原创使用sklearn进行量纲缩放的程序

使用sklearn进行量纲缩放的程序# -*- coding: utf-8 -*-"""演示内容：量纲的特征缩放（两种方法：标准化缩放法和区间缩放法。每种方法举了两个例子：简单二维矩阵和iris数据集）"""#方法1：标准化缩放法例1：对简单示例二维矩阵的列数据进行from sklearn import preprocessing import numpy as np #采用numpy的array表示，因为要用到其mean等函数，而list没有这些函数X = np.array([

2021-07-20 19:22:54 214

原创使用Sklearn进行精确率-召回率曲线的绘制

使用Sklearn进行精确率-召回率曲线的绘制精确率：模型判定的正例中真正正例所占的比重召回率：总正例中被模型判定为正例的比重#coding=utf-8"""#演示目的：利用鸢尾花数据集画出P-R曲线"""print(__doc__)#演示目的：利用鸢尾花数据集画出P-R曲线import matplotlib.pyplot as pltimport numpy as npfrom sklearn import svm, datasetsfrom sklearn.metrics

2021-07-20 19:22:20 2375 1

原创使用sklearn对文档进行向量化的程序

使用sklearn对文档进行向量化的程序# -*- coding: utf-8 -*-"""演示内容：文档的向量化"""from sklearn.feature_extraction.text import CountVectorizercorpus = ['Jobs was the chairman of Apple Inc., and he was very famous','I like to use apple computer','And I also like to eat a

2021-07-20 19:21:42 361

原创【论文阅读】Zero-Resource Knowledge-Grounded Dialogue Generation

Zero-Resource Knowledge-Grounded Dialogue Generation论文：https://arxiv.org/abs/2008.12918代码：https://github.com/nlpxucan/ZRKGC任务神经网络对话模型需要以知识为基础的对话，而这些对话很难获得。为了克服数据方面的挑战并降低构建知识基础对话系统的成本，本文通过假设训练时不需要context-knowledge-response三要素，在零资源环境下探索这个问题。贡献：在零资源环

2021-07-20 19:21:11 451 1

原创【代码实现】tag-based-multi-span-extraction

tag-based-multi-span-extraction代码：https://github.com/eladsegal/tag-based-multi-span-extraction论文：A Simple and Effective Model for Answering Multi-span Questions配置环境变量添加代理 scp -r [email protected]:~/.proxychains ./修改~/.bashrc，在末尾添加指令别名a

2021-07-18 14:16:21 619 3

原创【代码实现】Translating Embeddings for Modeling Multi-relational Data

TransE《Translating Embeddings for Modeling Multi-relational Data》任务在低维向量空间中，将多种关系的图谱中的实体和关系在一个低维空间中进行表示，获得每个实体的表征结果。提出一种易于训练的规范模型，该模型包含数量较少的参数，并且可以扩展到非常大的知识库。对知识图谱中的多元关系数据进行建模，在不引入额外知识的情况下，高效的实现知识补全，关系预测。方法（模型）TransE：基于能量的模型，用于学习实体的低维嵌入。关系作为向

2021-07-18 14:16:07 328

原创 Typora+PicGo-core 实现图片自动上传

Typora+PicGo-core 实现图片自动上传在Typora中安装PicGo-core安装插件找到PicGo安装路径/home/maqi/.config/Typora/picgo/linux/picgo安装插件gitee-uploader即可.\picgo install smms-user.\picgo install gitee-uploader.\picgo install github-plus修改配置文件{ "picBed": {

2021-07-18 14:15:46 150

原创【论文阅读】EMNLP2020-Semantic Role Labeling Graph Reasoning Network

SRLGRN论文：EMNLP2020-Semantic Role Labeling Graph Reasoning Network语义角色标注图推理网络任务生成需要对多条输入段落进行推理的复杂问题。方法（模型）Methodology（方法）：Q=arg maxQP(Q∣D,A)Q = {}\underset{Q} {arg \ max}P(Q|D, A)Q=Qarg maxP(Q∣D,A)其中文档DDD和答案AAA都是单词的序列。目标是生成一个涉及多个证据

2021-07-17 14:31:20 197 1

原创【论文阅读】Semantic Graphs for Generating Deep Questions

Semantic Graphs for Generating Deep Questions论文：https://arxiv.org/abs/2004.12704代码：https://github.com/WING-NUS/SG-Deep-Question-Generation任务本文提出了深度问题生成（DQG）的问题，其目的是生成需要对输入段落的多个信息进行推理的复杂问题。方法（模型）为了捕捉文件的全局结构并促进推理，本文提出了一个新的框架，首先为输入的文件构建一个语义层面的图，然后通过引入

2021-07-17 14:29:52 487

原创【论文阅读】Select Answer and Explain Interpretable Multi-hop Reading Comprehension over Multiple Document

Select Answer and Explain Interpretable Multi-hop Reading Comprehension over Multiple Documents论文：https://arxiv.org/abs/1911.00484任务在多文档的多跳阅读理解(RC)是一个具有挑战性的问题，因为它需要对多个信息源进行推理，并通过提供支持证据来解释答案预测。本文提出了一个有效的、可解释性的选择、回答和解释Select, Answer and Explain(SAE)，

2021-07-17 14:29:18 202

原创 scp自动填充密码shell脚本

scp自动填充密码shell脚本安装expectsudo apt-get install ecpect编写脚本mq_scp.sh#!/usr/bin/expect#*************************************************************************# ./mq_scp.sh 目标上传文件#*****************************************************************

2021-07-17 14:28:43 1744

原创 RNN循环神经网络

RNN循环神经网络序列数据：与先后顺序有关的数据。对于序列数据，可以使用循环神经网络。Ht=ϕ(XtWxh+Ht−1Whh+bh)H_t=ϕ(X_tW_{xh}+H_{t−1}W_{hh}+b_h)Ht=ϕ(XtWxh+Ht−1Whh+bh)Ot=HtWhq+bqO_t=H_tW_{hq}+b_qOt=HtWhq+bqXt∈Rn×dX_t∈R^{n×d}Xt∈Rn×d是序列中时间步ttt小批量输入。Ht∈Rn×hH_t∈R^{n×h}Ht∈Rn×h是该时间步

2021-07-17 14:26:04 157

原创【论文阅读】Recurrent Chunking Mechanisms for Long-Text Machine Reading Comprehension

Recurrent Chunking Mechanisms for Long-Text Machine Reading Comprehension论文：https://arxiv.org/abs/2005.08056代码：https://github.com/HongyuGong/RCM-Question-Answering任务传统的基于transformer的模型只能接受固定长度（如512）的文本作为其输入。为了处理更长的文本输入，以前的方法通常将它们分割成等距的片段，并根据每个片段独立预测答

2021-07-17 14:25:21 219

原创【代码实现】READING AND ANSWERING GIVEN REASONING PATHS

READING AND ANSWERING GIVEN REASONING PATHSreader model多任务阅读器模型多任务阅读器模型阅读理解任务使用BERT从推理路径中提取答案范围。对推理路径重排序使用Bert模型对应于CLS标识符位的输出判断推理路径包括答案的概率。根据概率对推理路径重新排序。P(E∣q)=σ(wn⋅uE) s.t. uE=BERT[CLS](q,E)∈RDP(E|q) = σ(w_n· u_E

2021-07-17 14:24:46 174 1

原创 PyTorch学习笔记(一)

PyTorch学习笔记(一)创建张量 Tensorstorch.randtorch.rand(*sizes, out=None) → Tensor返回一个张量，包含了从区间**[0,1)**的均匀分布中抽取的一组随机数，形状由可变参数sizes 定义。参数:sizes (int…) – 整数序列，定义了输出形状out (Tensor, optinal) - 结果张量例子：>>> torch.rand(4) 0.9193 0.3347 0.3232 0.77

2021-07-17 14:22:44 196

Ubuntu美化资源.zip

JAVA 大小写转换 控制台与对话框使用实例

PyCharm 2022.2

JAVA 大小写转换控制台与对话框使用实例