weixin_42043940的博客

np.vectorizenp.vectorize( pyfunc, otypes=None, doc=None, excluded=None, cache=False, signature=None,)定义一个向量化函数，它接受嵌套的对象序列或numpy数组作为输入，并返回单个numpy数组或numpy数组的元组。向量化函数像python map函数一样对输入数组的连续元组求值' pyfunc '，不同的是它使用numpy的广播规则。Parameters: pyfunc : calla

TfidfVectorizertf=w在该文档中出现次数/该文档总词数tf = w在该文档中出现次数 / 该文档总词数tf=w在该文档中出现次数/该文档总词数idf=log⁡总文档数1+包含w的文档数idf = \log \frac{总文档数}{1+包含w的文档数}idf=log1+包含w的文档数总文档数​tf−idf=tf∗idftf-idf = tf * idftf−idf=tf∗idfsklearn.feature_extraction.text.TfidfVectorizer( input

text-cnnimport numpy as npimport torchimport torch.nn as nnimport torch.nn.functional as Ffrom torch.autograd import Variableclass TextCNN(nn.Module): def __init__(self, vocab, output_channel, n_classes): super(TextCNN, self).__init__()

手写机器学习算法简易版数据准备PerceptronCodeTestKNNCodeTestNBCodeTestDT数据准备import pandas as pdimport numpy as npfrom sklearn.datasets import load_irisfrom sklearn.model_selection import train_test_splitimport matplotlib.pyplot as pltfrom collections import Counter

transformers 框架主要有三个类model 类、configuration 类、tokenizer 类，这三个类，所有相关的类都衍生自这三个类，他们都有 from_pretained() 方法和 save_pretrained() 方法。Config类PretrainedConfig 是其它所有 Config类 的基类，它实现了用于从本地文件或目录或库提供的预训练模型配置（从HuggingFace的AWS S3存储库下载）中加载/保存配置的常用方法。Signatureclass trans

文章目录xgboost pkg introductionData InterfaceSetting ParametersTrainingEarly StoppingPredictionPlottingxgboost API referenceCore Data StructureLearning APIScikit-Learn APIxgboost pkg introductionData Interfacexgboost 支持的格式有：LibSVM text format fileComma-

core conceptsDocument: 文档，一个字符串。Corpus: 语料库，文档的集合。Vector: 向量，文档的数学表示方式。Model: 将向量从一种表示转换为另一种表示的算法。Documentdocument 是文本序列类型，在python中就是 str 。document 可以是一个句子，一篇文章，甚至是一本书的内容。document = "Human machine interface for lab abc computer applications"Corp

安装!pip install fasttext学习词向量# Skipgram model :model = fasttext.train_unsupervised('data.txt', model='skipgram')# or, cbow model :model = fasttext.train_unsupervised('data.txt', model='cbow')其中 data.txt 是 utf-8 编码的文本文件。fasttext.train_unsupervised

这里写自定义目录标题数据结构Series创建属性取值取一个值取Series(切片，注意 loc 和 iloc 的区别)方法DataFrame创建与添加列属性取值取DataFrame(魔法切片，注意 loc 和 iloc 的区别)取Series(切片，注意 loc 和 iloc 的区别)取值修改行名或列名(Series通用)删除依类型选择列常用函数数据结构Series创建>>> s = pd.Series(data=list('一二三四五'), index=list('abcde')

常用正则表达式校验数字的表达式数字：^\d*$n位的数字：^\d{n}$至少n位的数字：^\d{n,}$m-n位的数字：^\d{m,n}$零和非零开头的数字：^(0|[1-9][0-9]*)$非零开头的最多带两位小数的数字：^([1-9][0-9]*)+(\.[0-9]{1,2})?$带1-2位小数的正数或负数：^(\-)?\d+(\.\d{1,2})$正数、负数、和小数：^(\...

几种优化算法的个人理解SGD动量法指数加权移动平均MomentumSGD一般指 Batch Gradient Descent。有时会出现的一个问题：某方向太快，某方向太慢， 如图甚至，学习率稍微大一点就发散的问题动量法动量法是怎么解决的呢？动量法从指数加权移动平均中获得灵感。指数加权移动平均exponentially weighted moving average， 给定超参数 0≤γ<100≤\gamma<100≤γ<10 ，当前时间步 ttt 的变量 yty_tyt​

conda基础添加环境变量D:\dev\Miniconda3D:\dev\Miniconda3\ScriptsD:\dev\Miniconda3\Library\bin配置国内源先运行指令conda config --set show_channel_urls yes然后在用户目录下找到 <.condarc>, 改成channels:- https://mir...

注：s 和 t 是具有相同类型的序列，n, i, j 和 k 是整数而 x 是任何满足 s 所规定的类型和值限制的任意对象。通用序列操作 list, tuple, range, strx in sx not in ss + ts * n 或 n * s # range 没有此操作s[i]s[i:j]s[i:j:k]len(s)min(s)max(s)s.index(x[, ...

vector顺序容器迭代器begin end rbegin rend cbegin cend crbegin crendsize()empty()operator[]front()返回元素，不是迭代器back()push_back(v)无返回值pop_back()无返回值insert(pos,[ n,] v),(...