萎靡不正：

最新推荐文章于 2025-12-04 20:16:23 发布
原创 最新推荐文章于 2025-12-04 20:16:23 发布 · 123 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#学习

c++

c语言

2021-2022尿素年报：盛势不在，陡入萎靡之境.pdf
12-26
【行业分析】报告聚焦于2021-2022年度尿素市场的变化，揭示了尿素行业从繁荣到萎靡的转变。本报告由张永鸽和梁明月撰写，他们分别持有从业资格证书F0282934和F03088702，以及投资咨询证书Z0011351。 **一、市场概况...
通信行业2019年三季报点评：业绩萎靡5G尚未进入兑现阶段.zip
10-17
通信行业在2019年第三季度的表现并不尽如人意，这一时期的三季报反映出整个行业的业绩呈现萎靡状态。2019年是5G技术发展的关键年份，但根据报告，5G的商业潜力还未充分释放，未能对通信行业的财务表现带来显著提振。...
权重萎靡资金不买账
gaoqin8213的专栏
06-01 1733
沪深股市今日低开后呈现冲高回落走势。房地产调控将持续，芜湖暂停楼市新政等消息对地产、水泥板块造成较大利空影响，两板块表现低迷带动权重股成为做空主力。医疗器械、电子器件、酿酒等多数中小板块则表现相对活跃。午后股指一度保持红盘，但14点左右股指震荡下行，两市相继翻绿后窄幅震荡至尾盘。两市成交量较前一个交易日有所减小。在盘面上，电子器件、酿酒、食品、生物制药、传媒娱乐等中小板块均表现不俗;地产、水泥、保
星速配资：市场情绪萎靡 资源股集体回撤
m0_61165900的博客
09-26 446
周五，三大指数集体。上证指数低开震荡，午后小幅下行翻绿。板块全面下挫，煤炭、钢铁、基础化学、造纸、化工新材料等跌幅居前，仅仅食品加工、饮料制造、医疗器械红盘。 　　截止收盘，上证指数报收3613.07点，下跌29.15点，涨幅0.8%。成交额6068亿。深证成指报收14357.85点，下跌29.51点，跌幅0.21%，成交额6766亿。创业板指报收3207.82点，上涨25.35点，涨幅0.80%，成交额2373亿。沪深两市，个股上涨1006只，下跌3516只，涨停52只，跌停63只。 　　...
深富策略：市场情绪萎靡 资源股集体回撤
m0_58315337的博客
09-26 194
9.24，三大指数集体。上证指数低开震荡，午后小幅下行翻绿。板块全面下挫，煤炭、钢铁、基础化学、造纸、化工新材料等跌幅居前，仅仅食品加工、饮料制造、医疗器械红盘。 　　周五市场呈现冲高回落的走势，早盘沪指低开于3637点，创业板低开于3176点，开盘后沪指呈现红绿盘震荡格局。午后逐步回落，最终收于全天相对低位区域；创业板冲高回落，小幅收涨，两市个股明显跌多涨少。 　　盘面上，周期股出现跌停潮，煤炭、水泥、化工、钢铁等板块指数跌超5%；绿色电力板块午后回暖，医美、猪肉板块冲高回落。上涨个股不足千家，跌幅超
长安汽车高端梦魇：阿维塔销量持续萎靡，前路何方？
qq_15113419的博客
09-10 608
在新能源汽车市场的风起云涌中，长安汽车似乎正面临着一场前所未有的挑战。
加密货币业情况萎靡 但区块链会议热度不减
区块链铅笔
01-14 289
点击上方“蓝色字”可关注我们！暴走时评：过去一年中，加密货币价格大幅下跌，而近几个月来，主流大众对比特币的注意力也日渐减弱。然而，根据最近的数据显示，数字货币和区块链主题...
金毅泓：10.6美元持续上涨，金价萎靡关注晚间ADP数据
weixin_44613075的博客
10-06 8314
金毅泓：10.6美元持续上涨，金价萎靡关注晚间ADP数据 受到美元走坚和美国国债收益率上升的压力，同时投资者关注美国非农就业报告，该数据对美联储缩减支持时间表至关重要，今日金价持续下跌。 同时目前美元接近2021年的高点，进一步的削弱了其他货币外汇和大宗商品持有者的吸引力，美国10年期国债收益率目前触及6月以来最高。 今日晚间八点15公布美国9月ADP就业人数，需要适当保持关注，其对周五公布非农数据有一定的预测作用，可作为一个前瞻性的指标，如果ADP实际公布的数值不及预期，那么周五的非农数据可能也不会太好。
读书笔记：早起的奇迹
Have a nice day.
06-09 671
无论你现在是处于人生的颠覆时期，还是正在困顿和迷茫中生活，我知道，我们至少有一个共同点：怀揣着雄心壮志，想要不断提升自我，让生活变得更美好。这并不意味着我们自己或现在的生活很糟糕，而是“人往高处走”的内在欲求不断推动我们向前发展。我相信，每个人都认为自己会成功，但大多数人每天早晨醒来时，都会发现今天跟昨天相比没有丝毫差别。
我的2017：不得不总结的一年
因特马
02-09 1765
博观而约取，厚积而薄发。——《稼说送张琥》 苏轼 理应在阳历年跨年之际写完2017总结，但是拖延症这种东西是真的可怕，记得2016年的总结应该是一直拖到现在吧。不过之前也一直也没有好好写过年度总结，学生时代的那些总结也就那么回事吧，写不写无妨（其实是我实在太过平凡，没什么可以拿出来写的事）。如果说2016年是我初入IT圈，那2017年可以说我百米冲刺前十米的冲刺阶段吧。所以2017倒...
小猫拉稀：不可小觑的健康信号
atmliuqing的博客
12-06 1092
如果拉稀持续时间较短，小猫精神食欲尚可，可以先尝试调整饮食，给予适量的易消化食物，如鸡胸肉粥等，并注意补充水分，防止脱水。例如，寄生虫感染是导致小猫拉稀的常见原因之一。肠道内的寄生虫会扰乱正常的消化吸收过程，引发肠道炎症，持续的拉稀不仅会使小猫营养流失、身体消瘦，若不及时治疗，严重的寄生虫感染还可能影响小猫的生长发育，甚至危及生命。作为铲屎官，我们肩负着守护小猫健康成长的重任，应以科学的态度和细致的关怀对待小猫的每一个身体变化，莫让大意延误了最佳的治疗时机，让这些可爱的小生命在我们的呵护下健康快乐地生活。
一周集萃-聚烯烃：下游需求萎靡 短期聚烯烃或偏弱整理.pdf
02-25
本周聚烯烃市场表现疲软，主要体现在下游需求的萎靡和市场价格的下跌。 本周市场先经历了一波上涨，但随后在12月10日收盘时，LLDPE主力合约价格下跌至8282元/吨，跌幅为3.10%，而PP主力合约则微降0.93%至7992元/吨...
机器人月报：下游需求持续萎靡，机器人行业积极推进各产业智能化改革.pdf
07-08
行业发展方面，虽然总体需求不振，但行业内部正积极推进智能化改革。其中包括智能停车场、智能工厂等新应用的开发，以及协作机器人蓝皮书的发布等。这些行动显示出机器人行业在探索新的增长点和应用领域，并且对于...
通信行业2019年三季报点评：业绩萎靡5G尚未进入兑现阶段.pdf
07-06
结果发现，通信行业营业收入的同比下降排名在第23位，而归母净利润的同比降幅更是排名最后一位，显示出通信行业在众多行业中表现不佳。 在行业细分板块的业绩分析中，报告分别讨论了运营商、通信设备、光模块、光...
【AI学习-comfyUI学习-第十二节-FLUX局部重绘工作流-各个部分学习-第十二节】
qq_22146161的博客
12-02 848
最近，学习comfyUI，这也是AI的一部分，想将相关学习到的东西尽可能记录下来。加载图像这就是上传的那张桥墩照片没问题这也算各一个开始吧，我也在学习摸索中。
【模式识别与机器学习（8）】主要算法与技术（下篇：高级模型与集成方法）之 元学习与集成方法：组合多个学习器来提高整体性能
hiliang521的博客
12-02 796
【模式识别与机器学习（8）】主要算法与技术（下篇：高级模型与集成方法）之 元学习
C++基础：Stanford CS106L学习笔记 1 类型与结构
WM2101的博客
12-02 321
本文介绍了C++的类型系统和结构体特性。在类型系统方面，C++采用静态类型，变量类型一旦确定不可更改，与Python的动态类型形成对比。静态类型能提高效率并减少运行时错误。文章还介绍了using类型别名、auto类型推断以及函数重载等现代类型特性。在结构体方面，展示了如何定义和使用结构体，以及使用std::pair模板简化多值返回的实现方式。通过对比Python和C++的代码示例，突出了C++在类型安全性和编译时检查方面的优势。
vite学习
最新发布
qq_41549657的博客
12-04 459
核心优势极速开发启动：开发阶段不打包，直接让浏览器加载原生ESM,配合ebuild预购建第三方依赖，启动时间从webpack的秒级变为毫秒级热更新（HMR）快:只更新修改的模块，而非全量重建，大型项目热更新耗时<10ms按需编译：开发阶段仅编译当前请求的模块，而非全量打包内置对Typescript、JSX、CSS、静态资源的支持，无需复杂配置生产环境优化：基于Rollup打包，输出高度优化的静态资源，兼顾开发销量和生产性能<docs>Vite 处理.vue。
Lua学习记录（5） --- Lua中的协同程序 也称线程Coroutine的介绍
FAREWELL00075的博客
12-01 908
本文介绍了Lua中协程的基本概念和使用方法。主要内容包括：1）Lua协程需要通过创建、激活才能执行，不同于C#的自动执行；2）协程的两种创建方式（create和wrap）及其对应的调用方法；3）协程的四种状态（suspended、running、dead、normal）；4）协程可持续执行的特点，通过yield挂起和resume恢复实现分段执行。文章还比较了Lua与C#协程的区别，并提供了详细的代码示例说明协程的创建、调用和执行过程。
文本1: 寒冷, 神情萎靡, 面色暗淡, 口不渴, 声音低微, 大便溏薄，小便清长, 舌淡胖嫩，苔白滑, 脉沉细迟弱，无力 文本2: 冷 余弦相似度: 0.0302
08-09
你提供的两个文本： - **文本1**: `寒冷, 神情萎靡, 面色暗淡, 口不渴, 声音低微, 大便溏薄，小便清长, 舌淡胖嫩，苔白滑, 脉沉细迟弱，无力` - **文本2**: `冷` 它们的**余弦相似度仅为 0.0302**，这表明模型认为这两个文本几乎**无关**，但显然在语义上它们是高度相关的。 --- ## 🧠 问题分析 ### ✅ 1. 模型训练语料不足或质量不高 - 如果你的模型是基于少量或非医学语料训练的，那么模型对“寒冷”与“冷”的语义关系无法准确捕捉。 - 中医术语（如“舌淡胖嫩”、“脉沉细迟弱”）在通用语料中极少出现，模型对其理解有限。 ### ✅ 2. 使用 `infer_vector` 方法不稳定 - `infer_vector` 是一种**基于随机初始化的推断方法**，它不是训练时使用的向量。 - 即使两个文本语义接近，`infer_vector` 的结果可能差异很大。 ### ✅ 3. 分词方式不适应医学术语 - `jieba.lcut` 默认使用通用词典，可能将“舌淡胖嫩”拆成“舌 / 淡 / 胖 / 嫩”，而不是作为一个整体词处理。 - 这会导致模型无法识别“舌淡胖嫩”是一个完整的中医术语。 --- ## ✅ 解决方案 ### ✅ 1. 使用**词向量平均法**代替 `infer_vector` ```python def get_sentence_vector(self, model, words): vectors = [model.wv[word] for word in words if word in model.wv] if not vectors: return np.zeros(model.vector_size) return np.mean(vectors, axis=0) ``` 替换掉你原来的 `infer_vector`： ```python vec1 = self.get_sentence_vector(self.model, words1) vec2 = self.get_sentence_vector(self.model, words2) ``` ### ✅ 2. 加入医学术语词典 你可以为 `jieba` 添加中医术语词典，提升分词准确性： ```python jieba.load_userdict("medical_terms.txt") # 自定义词典文件 ``` 示例 `medical_terms.txt` 内容： ``` 舌淡胖嫩 苔白滑 脉沉细迟弱 大便溏薄 小便清长 ``` ### ✅ 3. 使用训练时的文档向量（推荐） 如果你在训练时使用了 `TaggedDocument`，你可以使用 `model.docvecs` 来获取训练好的文档向量： ```python doc_vec = model.docvecs[doc_id] # doc_id 是训练时分配的文档标签 ``` ### ✅ 4. 增加中医语料训练 - 使用中医教材、病历、论文等构建训练语料库。 - 更多中医语料 = 更好的中医术语理解能力。 --- ## ✅ 示例修复代码（修改 `evaluate_similarity` 函数） ```python def get_sentence_vector(self, model, words): vectors = [model.wv[word] for word in words if word in model.wv] if not vectors: return np.zeros(model.vector_size) return np.mean(vectors, axis=0) def evaluate_similarity(self): if self.model is None: self.log("请先加载模型！") QMessageBox.warning(self, "警告", "请先加载模型！") return text1 = self.text1.text() text2 = self.text2.text() if not text1 or not text2: self.log("请输入两段文本用于评估。") QMessageBox.warning(self, "警告", "请输入两段文本用于评估。") return words1 = jieba.lcut(text1) words2 = jieba.lcut(text2) vec1 = self.get_sentence_vector(self.model, words1) vec2 = self.get_sentence_vector(self.model, words2) similarity = np.dot(vec1, vec2) / (np.linalg.norm(vec1) * np.linalg.norm(vec2)) self.log(f"文本1: {text1}") self.log(f"文本2: {text2}") self.log(f"余弦相似度: {similarity:.4f}") ``` --- ## ✅ 进阶优化建议 | 优化项 | 建议 | |--------|------| | 使用 `model.docvecs` | 获取训练时的真实文档向量 | | 构建中医语料库 | 提高模型对中医术语的理解 | | 使用 `TF-IDF` 加权平均 | 提高关键词权重 | | 使用 `BERT` 或 `SimCSE` | 更先进的语义相似度模型 | --- ## ✅ 总结 | 方法 | 优点 | 缺点 | |------|------|------| | `infer_vector` | 模型自带 | 不稳定，结果不可靠 | | 词向量平均法 | 简单、稳定 | 忽略语序 | | `docvecs[i]` | 精确匹配训练文档 | 仅限训练时使用的文档 | | 加入中医词典 | 提高分词精度 | 需要手动维护词典 | | 增加中医语料 | 提高模型理解能力 | 需要大量语料 | --- ##
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值