- 博客(17)
- 收藏
- 关注
RSS订阅原创 TED敢于尝试，是成功的关键
distinctive:独特的appall:惊慌失措、惊恐idly:闲着ambient:环境、氛围premature:过早的sanitation:环境卫生frontier:前沿，边境symbiotic:共生的、共性firmer:坚定的、深入的realm：领域，境界Why not just go ahead and tackle the problem as best as you can,in your own way?You may be pleasantly surprised.
2021-06-21 09:51:21
190
原创 TED 若想有所作为，请停止和别人比较
bale:捆包、hay:干草，草料shatter:打碎、粉碎vertebrae:脊椎骨graphic:图形abdominal：腹部、腹肌blown away:轰然倒塌spinal:脊髓、脊椎scenarios:场景spastic:痉挛
2021-06-17 09:45:30
212
原创 Visualizing and Understanding Convolutional Networks论文研读
可视化与理解卷积神经网络话在前面：《Visualizing and Understanding Convolutional Networks》，可以说是CNN领域可视化理解的开山之作，这篇文献告诉我们CNN的每一层到底学习到了什么特征，然后作者通过可视化进行调整网络，提高了精度。这篇文献的目的，就是要通过特征可视化，告诉我们如何通过可视化的角度，查看你的精度确实提高了，你设计CNN学习到的特征确实比较牛逼。摘要大型卷积网络模型最近在ImageNet基准上展示了令人印象深刻的分类性能(Krizhevs
2021-04-13 09:21:31
213
原创 Graph Convolution over Pruned Dependency Trees Improves Relation Extraction 论文研读
摘要依存树可以帮助关系抽取模型捕捉单词之间的长距离关系。然而，现有的依赖关系模型要么过于积极地修剪依存树而导致忽略一些关键信息（例如否定关系），要么就很难在不同的树结构上并行计算而导致计算效率很低。我们提出了一种为关系抽取定制的扩展的图卷积网络，它可以有效地并行汇集任意依赖结构上的信息。为了在最大限度地移除不相关内容的同时合并相关信息，我们进一步对输入树应用了一种新的剪枝策略，将单词直接保存在两个实体之间的最短路径周围，在这两个实体之间可能存在关系。所得到的模型在大规模TACRED数据集上实现了最先进的性
2021-04-07 11:01:20
808
原创 Attention-Based Convolutional Neural Network for Semantic Relation Extraction
Attention-Based Convolutional Neural Network for Semantic Relation Extraction摘要提出了一种新的基于注意力的卷积神经网络结构来完成关系分类任务。模型充分利用了单词嵌入、词性标注嵌入和位置嵌入信息。词级注意机制能够更好地确定句子的哪个部分相对于两个标注的实体最有影响。这种体系结构能够从特定任务的标记数据中学习一些重要的特征，而不需要外部知识，例如显式的依赖结构。我们的模型比几个最先进的神经网络模型获得了更好的性能，并且可以通过最少
2021-04-01 09:21:02
597
原创 attention 视频笔记
Transformer传统的RNN问题：1.不能并行2.self-attention机制来进行并行计算，在输入和输出都相同Attention对一个词进行编码时，不仅只考虑该词，还要考虑该词的上下文语境。1：self-attention如何计算？...
2021-03-23 15:09:31
58
原创 TED保持健康饮食习惯有哪些方法？
kinesiology:运动学intense:激烈的、紧张的titanium:钛plate:盘子，板块screw:螺丝fibula:腓骨crutches:拐杖awkwardly:尴尬地maneuver:活动unbearable:难以忍受swelling:肿胀phenomenal:惊人的、非凡的wholesome：健康的、有营养hitch：铰链，拴住bonus:奖金，分红deprivation:剥夺、贫乏需要改变环境，这篇文章讲的让人昏昏欲睡。...
2021-03-23 09:16:21
113
原创 Classifying Relations by Ranking with Convolutional Neural Networks论文研读
中心思想本论文使用一个卷积神经网络来处理关系分类任务，该网络通过排序来执行分类；提出了一个新的成对排序损失函数，使得减少人工类的影响变得容易。针对关系抽取研究,提出CR-CNN模型解决关系抽取的问题。为了判断文本属于那种关系，从句子中提取特征，然后用分类器分到一个关系类别。模型结构（1） 具体思路提取特征The [introduction] in the [book] is a summary of what is in the text.有N个单词的句子X={w1, u2, …,wN}，w代
2021-03-21 22:19:20
201
原创 TED 不要变成自己人生的旁观者
expell：驱逐，开除going with the flow:顺其自然transatlantic:跨大西洋skipper:船长avenues:途径，渠道lousy:糟糕的，差劲的profound:深刻navigate:领航werck:锯齿pedigree:谱系，血统，遗传preconceived:成见，预设，先入为主...
2021-03-18 09:35:16
150
原创 TED真正拉开你与周围人差距的，是自学能力
nerd: 书呆子bunch: 一束，一堆piles of:一堆，堆积如山precisely:恰恰，正好prestigious:著名，知名mentor:导师hippie:嬉皮extensively:广泛地，大面积的continent:大陆fortune:运气，运势monotonous:乏味的reenactment:重现，再现downward:向下的spiral；漩涡，螺旋stigmatize:污名化，污蔑imperative:当务之急，迫切，必要的reciprocate:回报
2021-03-06 11:23:42
166
原创 TED如何实现你定下的目标
把复杂庞大的任务，分解成更加细小，更加可控的任务，并在过程中进行轻微的改进，replicate: 复制，重来增加成功的概率。solid: 坚固，实体entirety: 整体，全部continuous: 持续的compounding: 复式，复合marginal: 轻微的，边缘的percentage: 百分比racquet: 球拍consistent: 一致,相符,相容exotic:奇异，异国。奇特derivatives: 衍生品rectify: 整顿，矫正...
2021-03-05 09:26:39
282
1
转载 word2vec skipgram模型
Word2Vec其实就是通过学习文本来用词向量的方式表征词的语义信息，即通过一个嵌入空间使得语义上相似的单词在该空间内距离很近。Embedding其实就是一个映射，将单词从原先所属的空间映射到新的多维空间中，也就是把原先词所在空间嵌入到一个新的空间中去。ship-gram模型图Word2Vec模型实际上分为了两个部分，第一部分为建立模型，第二部分是通过模型获取嵌入词向量。首先我们选句子中间的一个词作为我们的输入词作为input word；定义一个叫做skip_window的参数，代表着我们从当前inp
2021-03-04 20:20:33
158
2
原创 TED如何度过人生中的艰难岁月
imitate 模仿neutral 空挡the mindset is a skill 心态是一种技能draft 选派，拟定，草稿Stay in neutral,不要随时太紧绷了，把自己放在一个空挡位置，才好随时做转变。
2021-03-04 09:10:07
149
2
原创 209_数组_滑动窗口
209.长度最小的子数组给定一个含有 n 个正整数的数组和一个正整数 target 。找出该数组中满足其和 ≥ target 的长度最小的 连续子数组 [numsl, numsl+1, …, numsr-1, numsr] ，并返回其长度。如果不存在符合条件的子数组，返回 0 。示例 1：输入：target = 7, nums = [2,3,1,2,4,3]输出：2解释：子数组 [4,3] 是该条件下的长度最小的子数组。示例 2：输入：target = 4, nums = [1,4,4]
2021-03-03 16:30:23
82
1
原创 移除数组——双指针
使用双指针移除数组元素27 移除元素题目：给你一个数组 nums 和一个值 val，你需要 原地 移除所有数值等于 val 的元素，并返回移除后数组的新长度。不要使用额外的数组空间，你必须仅使用 O(1) 额外空间并 原地 修改输入数组。元素的顺序可以改变。你不需要考虑数组中超出新长度后面的元素。== 通过一个快指针和慢指针在一个for循环下完成两个for循环的工作==...
2021-02-23 22:29:31
46
原创 neo4j链接失败以及服务未打开解决
前两天手贱，改了一下jdk的环境变量。过了一天发现neo4j用不了了。完蛋了，项目都要靠这个图数据库展示。环境变量改回原来的，发现也不行。jdk重下也不行。重新安的neo4j一直链接不上，提示这个问题：打算重头开始，一定要注意把jdk卸载干净啊！！！已经在环境变量有关JAVA所有的系统变量先删除。安装已经配置环境变量网上有教程。同时把neo4j 的环境变量配置好。我的配置在下面：配置好了，就可以链接成功啦~但又发现neo4j 服务没打开，命令行的行不通，在管理->服务里面手动打开，也
2020-11-10 11:06:41
1853
原创 机器学习
第一章监督学习：通过已有的训练样本（即已知数据以及其对应的输出）来训练，从而得到一个最优模型，再利用这个模型将所有新的数据样本映射为相应的输出结果，对输出结果进行简单的判断从而实现分类的目的，那么这个最优模型也就具有了对未知数据进行分类的能力。无监督学习：事先没有任何训练数据样本，需要直接对数据进行建模第二章代价函数（碗装的图形）梯度下降（重复算法，直到得到局部最优解。）线性回归的梯度下降...
2020-09-19 14:57:46
144
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人