weixin_63816885的博客

结果看似很简单的一个GUI界面，但是背后做了非常多的工作，所以这份学习和工作是很苦很累的，不过既然选择了它，那就要义无反顾的坚持走下去，加油ヾ(◍°∇°◍)ﾉﾞ。

我是写了一个简单的例子，重点是前后端的分离操作和异步申请方式以及数据库的连接，数据库的连接还好一点，异步申请这一块是有点难搞的，需要细究一些。祝愿我们在前进的道路上能够越来越优秀，加油哦ヾ(◍°∇°◍)ﾉﾞ。

Linux系统给我的感觉比较难（也可能是因为Windows系统用的太多了的原因），多结合网上的内容，还是可以理解如何操作的。

这只是我做的一个小小的玩意，写出来分享给大家，因为时间关系，我没有去连接数据库去做一个真正的前后端完整的玩意，那样子的话就需要再有数据库以及数据库与python语言的连接的知识了，以后我会慢慢探索和了解的ヾ(◍°∇°◍)ﾉﾞ。

图像处理还有很多其他的处理，我只是简单的列举了一些来简单实现一下，如果可以帮助到你，我将会感到高兴。

Word2Vec和Doc2Vec都是无监督学习方法，主要用于从文本数据中学习单词和段落的嵌入表示。Word2Vec主要用于学习单词的向量表示，它有两种模型架构：连续词袋（CBOW）和Skip-gram。在CBOW模型中，通过上下文来预测单个单词学习单词向量，而在Skip-gram模型中，则通过从单个单词预测上下文来学习单词向量（本次使用CBOW模型）。Doc2Vec则是一种用于学习段落嵌入的无监督算法，它扩展了Word2Vec的思想，以段落为基本单位进行训练。

首先你需要有一段音频.....，不用太长，我是准备了一个八秒的无损音频，可以用专门的录音软件（例如：Audacity），或者可以下载一些音频然后转为无损（当然有损也可以提取特征），频率最好在16000Hz及以上。其次是你需要在你的python环境中安装以下库，我以pycharm社区办为例。

综上所述，TD-IDF和TextRank各具优势，适用于不同的应用场景。在需要简单快捷且对准确率要求不是特别高的场景下，可以选择使用TD-IDF；而在需要更深入理解文本内容、处理一词多义或词语关联、进行文本摘要和关键词提取等情况下，使用TextRank可能会更有优势。同时，这两种方法都有其局限性，实际使用时可能需要结合其他的特征提取或机器学习方法以获得更好的效果。