- 博客(13)
- 资源 (1)
- 收藏
- 关注
原创 Python处理命令行参数
本文摘自 用途:向脚本提供命令行参数,根据不同的参数进行不同的处理, 在Python中,命令行,参数存储在sys.argv里,argv是一个列表,第一个元素是程序名称;# -*- coding:utf-8 -*-import sysif __name__ == '__main__': for item in sys.argv: print iPyt
2016-12-16 10:58:15 412
转载 Linux 命令
常用命令:lsvi命令 vi命令是UNIX操作系统和类UNIX操作系统中最通用的全屏幕纯文本编辑器。Linux中的vi编辑器叫vim,它是vi的增强版(vi Improved),与vi编辑器完全兼容,而且实现了很多增强功能。 vi编辑器支持编辑模式和命令模式,编辑模式下可以完成文本的编辑功能,命令模式下可以完成对文件的操作命令,要正确使用vi编辑器就必须熟练掌握着两种模式的切换
2016-12-15 13:32:20 319
翻译 Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation
本文为论文翻译 在这个文章中,我们提出了一个新奇的神经网络模型,叫做RNN Encoder–Decoder,它包括两个RNN。一个RNN用来把一个符号序列编码为固定长度的向量表示,另一个RNN用来把向量表示解码为另外一个符号向量;提出的模型中的编码器和解码器被连接起来用于训练,目的是最大化目标序列相对于原序列的条件概率;基于经验,如果把the RNN Encoder–Decoder作为现存的log
2016-12-14 14:27:02 2478
转载 PostgreSQL教程 -part2高级特性
在前面几章里,我们介绍了使用SQL存储和 访问在PostgreSQL里的数据的 基本方法。我们现在将讨论一些 SQL更高级的特性, 这些特性可以简化管理和避免数据的丢失或损坏。 最后,我们将看看一些PostgreSQL的扩展。回头看看Section 2.6里的查询。 假设你的应用对天气记录和城市位置的组合列表特别感兴趣, 而你又不想每次键入这些查询。 那么你可以在这个查询上创建一个视图, 它给这个查
2016-12-14 09:11:39 602
翻译 PostgreSQL 教程 -part1 SQL语言
处理终端界面出现乱码的情况echo $LANG //用来查看当前使用的系统语言locale //查看安装过的语言包LANG="en_US.UTF-8" //临时更换Linux系统的语言环境Vi /etc/sysconfig/i18n解压文件tar -xzvf file.tar.gz //解压tar.gztar -xvf file.tar //解压tar 包ta
2016-12-11 22:43:50 745
原创 PostgreSQL
安装: 体系基本概念: PostgreSQL使用一种客户 端/服务器的模式,一次PostgreSQL会话由下列相关的进程(程序)组成: 一个服务器进程,它管理数据库文件,接受来自客户端应用与数据库的连接, 并且代表客户端在数据库上执行操作。数据库服务器程序叫postgres。 那些需要执行数据库操作的用户客户端(前端)应用。客户端应用可能本身 就是多种多样的:它们可以
2016-12-08 16:38:45 316
原创 gensim 教程 -Part1
本文翻译自 Gensim使用Python的标准日志模型,在不同的优先级中来记录各种东西; 为了激活日志,运行:>>> import logging>>> logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)简单的例子(Quick Example) 让我们
2016-12-04 09:31:04 922
原创 word2vec API
本文翻译自class gensim.models.word2vec.Word2Vec(sentences=None, size=100, alpha=0.025, window=5, min_count=5, max_vocab_size=None, sample=0.001, seed=1, workers=3, min_alpha=0.0001, sg=0, hs=0, negativ
2016-12-04 09:30:18 2222
原创 Distributed Representations of Words and Phrasesand their Compositionality
https://papers.nips.cc/paper/5021-distributed-representations-of-words-and-phrases-and-their-compositionality.pdf“>翻译论文 最近提出的连续Skip-gram模型是一个有效的方法,用来学习高质量的分布式向量表示,它能够捕获大量的准确的单词间语义和句法关系。在这篇文章中,我们呈现一些扩
2016-12-04 09:29:31 1996
原创 Distributed Representations of Words and Phrasesand their Compositionality
https://papers.nips.cc/paper/5021-distributed-representations-of-words-and-phrases-and-their-compositionality.pdf“>翻译论文 最近提出的连续Skip-gram模型是一个有效的方法,用来学习高质量的分布式向量表示,它能够捕获大量的准确的单词间语义和句法关系。在这篇文章中,我们呈现一些扩
2016-12-04 09:29:02 529
原创 word2vec教程
本文翻译自本文关于在gensim中如何使用word2vec 准备输入(Preparing the Input) 从一开始,gensim的word2vec把语句序列作为它的输入(即文本);每一个语句就是一个单词序列;# import modules & set up loggingimport gensim, logginglogging.basicConfig(format='
2016-12-04 09:28:35 3157
原创 Keras API
Keras功能API是定义复杂模型的一个途径,例如多输出模型、有向非循环图,具有共性层的模型。 示例一: fully connected network Sequential 模型可能是一个更好的选择来实现一个这样的网络,但是从简单的开始更有帮助; 一个层实例是可调用的,它返回一个向量; 输入向量和输出向量能够用来定义一个模型; 如此的模型能够被训练,就像Keras模型
2016-12-04 09:27:43 3989 1
翻译 Efficient Estimation of Word Representations in Vector Space
https://arxiv.org/pdf/1301.3781.pdf“>论文翻译 摘要: 我们提出了两个新的模型框架用来计算从非常大的数据集中单词的连续向量表示; 表示的质量在一个单词相似度任务中进行测试;结果与之前效果最好的技术进行比较,这些技术基于不同类型的神经网络;我们使用更低的计算量在准确率上有很大的提高,例如,它从1.6billion单词量的数据集中花费不到一天时间训练得到高质量的
2016-12-01 08:57:08 7709 1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人