weixin_42310668的博客

前言上一篇文章中，我们对fastText的原理进行了介绍，fastText原理篇，接下来我们进行代码实战，本文中使用fastText对新闻文本数据进行文本分类。fasttext是facebook开源的一个词向量与文本分类工具，在学术上没有太多创新点，好处是模型简单，训练速度非常快。简单尝试可以发现，用起来还是非常顺手的，做出来的结果也不错，可以达到上线使用的标准。简单说来，fastText做的事情，就是把文档中所有词通过lookup table变成向量，取平均之后直接用线性分类器得到分类结果。f

fastText是Facebook AI Research在16年开源的一个文本分类器。 其特点就是fast，可以作为文本分类的baseline模型。相对于其它文本分类模型，如SVM，Logistic Regression和neural network等模型，fastText在保持分类效果的同时，大大缩短了训练时间。fastTest基本结构fastText优势适合大型数据+高效的训练速度：能够训练模型“在使用标准多核CPU的情况下10分钟内处理超过10亿个词汇”，特别是与深度模型对比，fas

mac 安装brewruby -e"$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"enca 简介enca是Linux下的文件编码转换工具。安装encabrew install enca查看文件编码enca -L zh_CN filename//或enca file...

1.首先本地构建DL模型根据自己的实际业务场景构建ML、DL模型，训练模型，并保存自己需要的模型，这里就不用过多赘述了。2.本地跑通mac-将题目分类模型转换为Web应用程序在原本的项目文件夹中新增如下几个文件：app.pytemplates /home.htmlresult.htmlstatic/style.css如图：子目录templates是Flask在Web浏览...