NLP-D41-nln比赛D10-论文阅读的雨露均沾与思辨&关于sample和保存结果&open写入&算法刷题

今天一定要读论文+刷题+看课！！！！！

----0451先读论文为敬！！！
—0627其实大概6点的时候就已经读完了，后面在总结啦！还是要学习一些比较好的方式去总结学到的内容，整合进自己的知识体系，方便后续加工利用。
在阅读论文的时候，发现虽然都是构建综述，但是切入角度不同，整体框架的归类都不同。所以，阅读论文要雨露均沾，在歧义中不断思辨。

先吃个饭，然后把题刷了！！！

discriminative&generative model

判定式模型是有一个判定边界，把X代入即可得到答案；
生成模型是分队对不同种类建模，在使用时，分别把X代入不同模型，取值大的
https://www.zhihu.com/question/20446337

—0657刚刚又看了一下《人类语言处理》06，对于实体对齐部分使用DNN还是不太理解，不过得往下走了。先刷两道题~

算法刷题

–t1-787
归并排序主要思想是递归：先递归左右排好序，再整合成大的序列。需要额外使用数组来进行最后的综合排序。
不过脑行为


—t2-788

–t3-789
左右边界写反了，我晕，从理解上就反了。
也不错，通过遗忘加深对二分的理解。
不过好像也没写错。

二分本质是找到一个边界：一半满足，一半不满足。

t4-790
格式化输出做的不错

t5–795
前缀和主要解决区间求和问题，在o（1）时间完成该操作。预处理是o（n）。

t6–796
二维前缀和，要点是思路清晰。
蛮顺利的

t7–797
差分主要解决到的是对于某一段区间进行加数减数操作。把该操作从o（n）变为o（1）。
具体，差分为前缀和逆操作。在差分序列上加减数，最后通过前缀和求原序列。主要工作为定义add函数。
eee没啥问题

—0817芜湖，终于把前两天的坑补完了，现在去做核酸啦！！！

改进TextCNN模型

1、事实证明，一定要sample，要不然根本不知道在样本上有没有变化！
2、哦还要保存结果，一字千钧！

3、一上午的血泪教训就是不能覆盖写入+一定要确定数据真的变化了。
太惨烈了，这一上午。不了解工具，导致的实验悲剧。先干饭好了。

open的wb和ab

ab为二进制追写；wb为重写。害我好苦

pytorch存模型参数

保存整个网络

torch.save(net, PATH)

保存网络中的参数, 速度快，占空间少

保存整个网络
torch.save(net, PATH) torch.save(net.state_dict(),PATH)
#--------------------------------------------------
#针对上面一般的保存方法，加载的方法分别是： model_dict=torch.load(PATH) model_dict=model.load_state_dict(torch.load(PATH))

https://zhuanlan.zhihu.com/p/38056115

BLUE指标

在自然语言处理中的机器翻译任务中, BLEU非常常见, 它是用于评估模型生成的句子(candidate)和实际句子(reference)的差异的指标.
它的取值范围在0.0到1.0之间, 如果两个句子完美匹配(perfect match), 那么BLEU是1.0, 反之, 如果两个句子完美不匹配(perfect mismatch), 那么BLEU为0.0.
参考：https://blog.csdn.net/g11d111/article/details/100103208

—2155哇今天做了翻译学习，感觉还不错，嘿嘿~