![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
实习点滴记录
文章平均质量分 70
四海龙王Black
这个作者很懒,什么都没留下…
展开
-
实习点滴(2)--python统计ip地址出现的个数
今天,在完成任务的时候,用到了统计ip地址出现的个数,现在就做一下总结,写一个统计ip地址的函数原创 2017-07-12 13:19:07 · 1208 阅读 · 0 评论 -
实习点滴(9)--LSTM是如何解决RNN中的“梯度消失”
我们都知道RNN到迭代后期会出现“梯度消失”的问题; 我们也知道LSTM是RNN的变形和改进,它解决了RNN中的“梯度消失”问题; 我们还知道LSTM的各种门(遗忘门、输入门、输出门)。 但是,我们不知道究竟LSTM是如何通过这些门解决“梯度消失”的,反正之前我一直很含糊,现在,我们就一探究竟。原创 2017-08-15 11:44:20 · 15388 阅读 · 14 评论 -
实习点滴(7)--《Investigating LSTM for Punctuation Prediction》论文笔记
原文地址:http://lxie.nwpu-aslp.org/papers/2016ISCSLP-XKT.pdf本文是利用BiLstm(双向Lstm)+CRF模型,对词组间的标点符号进行预测。原创 2017-07-26 16:01:15 · 1091 阅读 · 5 评论 -
实习点滴(8)--收敛优化方法:牛顿法、BFGS算法与L-BFGS算法
在了解CRF推导与参数估计的时候,会用到收敛优化方法去迭代求解凸优化问题,至此,总结一下我对牛顿法、BFGS算法和L-BFGS算法这三种方法的理解。原创 2017-08-04 11:51:56 · 2521 阅读 · 1 评论 -
实习点滴(6)--关于机器学习的一些有用的东西
这本是一篇论文,我在借鉴这篇论文的同时,加上自己在机器学习方面的一些感悟,总结一番。原创 2017-07-26 11:14:01 · 598 阅读 · 1 评论 -
实习点滴(10)--BiLstm+CRF介绍
在序列标注问题中,HMM和CRF是当前比较成熟的技术,但是,随着DL(深度学习)又热起来之后,RNN做序列标注的热潮也开始了。个人而言,HMM和CRF是成熟的技术,但上升空间有限;LSTM的潜力会更大一些。于是乎,开始学习BiLstm+CRF模型了。顾名思义,这是一个双向LSTM+CRF层的模型双向的LSTM可以得到上下文的信息在输出层后再增加CRF层,加原创 2017-08-15 14:49:27 · 7616 阅读 · 1 评论 -
实习点滴(4)--CRF算法的特征模板总结
最近工作中接触到了CRF算法以及CRF++,于是乎,去了解了关于这些的一系列的东西,打算总结总结CRF算法里的模板问题。我们知道,深度学习(Deeplearning)是不需要特征模板的,它会自己学习里边的规律,而CRF则是需要特征模板的,所以,选择什么样的特征模板是至关重要的。原创 2017-07-19 11:28:53 · 10305 阅读 · 4 评论 -
实习点滴(5)--Tensorflow文档学习
学习了一段时间CRF之后,自己也将重点转移到了TensorFlow的学习上,写写博客,就当是做做笔记了。原创 2017-07-25 11:12:36 · 526 阅读 · 0 评论 -
实习点滴(3)--以“词性标注”为例理解CRF算法
看了CRF相关的东西好几天了,现在也过来总结总结。我本人喜欢以讲故事的方式阐述一些东西,纯理论总是很抽象,而且很容易让人失去耐心。那就以“词性标注”为切入点,去理解一下CRF(Conditional Random Field)条件随机场的算法原理(难免有不对或者不全的地方,持续更新)。原创 2017-07-13 09:42:27 · 5729 阅读 · 0 评论 -
实习点滴(1)--Xshell如何运行Python中的某个函数
这是实习的这五天来第一次来到CSDN博客,想写个专题,来记录我的第一份实习所学习到的知识,声明:不涉及到公司的机密,只是记录所学到的技术。 来到公司,自然不仅仅会在自己的PC机上运行程序,还会在公司的服务器上运行,难免会用到Xshell等相关工具,现在说说如何在Xshell工具上运行Python中的某个函数(需要传参的哦)。原创 2017-07-07 10:45:25 · 7345 阅读 · 0 评论 -
实习点滴(11)--TensorFlow快速计算“多分类问题”的混淆矩阵以及精确率、召回率、F1值、准确率
在机器学习中,我们会利用一些指标(混淆矩阵、精确率、召回率、F1值、准确率)来判断我们模型的好坏,从而改进优化模型。下面介绍如何在TensorFlow下快速计算这些指标。原创 2017-08-24 11:39:12 · 11548 阅读 · 2 评论