<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Richard_Kim的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Richard_Kim</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Richard_Kim]]></copyright><item><title><![CDATA[Ubuntu 18.04.1安装docker]]></title><link>https://blog.youkuaiyun.com/Richard_Kim/article/details/127725774</link><guid>https://blog.youkuaiyun.com/Richard_Kim/article/details/127725774</guid><author>Richard_Kim</author><pubDate>Mon, 07 Nov 2022 10:12:04 +0800</pubDate><description><![CDATA[The repository 'cdrom://Ubuntu 20.04.1 LTS _Focal Fossa_ - Release amd65 (20200731) fo                                    cal Release' does not have a Release file.  docker安装
]]></description><category></category></item><item><title><![CDATA[pytorch下使用BiLSTM_CRF完成命名实体识别（BiLSTM_CRF的NER任务）]]></title><link>https://blog.youkuaiyun.com/Richard_Kim/article/details/121432007</link><guid>https://blog.youkuaiyun.com/Richard_Kim/article/details/121432007</guid><author>Richard_Kim</author><pubDate>Fri, 19 Nov 2021 22:12:34 +0800</pubDate><description><![CDATA[理论部分

    有空再写..

全部实现实践代码

    环境： pytorch1.3.1; sklearn;tqdm

    训练语料：链接：https://pan.baidu.com/s/1Pa42E2q9fZ2zXLJ7vLvx8g
            提取码：o2rg
--来自百度网盘超级会员V1的分享

    项目结构：






#!/...]]></description><category></category></item><item><title><![CDATA[英文词向量：使用pytorch实现CBOW]]></title><link>https://blog.youkuaiyun.com/Richard_Kim/article/details/121208305</link><guid>https://blog.youkuaiyun.com/Richard_Kim/article/details/121208305</guid><author>Richard_Kim</author><pubDate>Mon, 08 Nov 2021 15:15:35 +0800</pubDate><description><![CDATA[本文资源：

链接：https://pan.baidu.com/s/1my30wyqOk_WJD0jjM7u4TQ
提取码：xxe0
    --来自百度网盘超级会员V1的分享



中文都讲完了，英文没有什么好说的，相关的理论知识可以看之前的博客

中文词向量：word2vec之skip-gram实现（不使用框架实现词向量模型）_Richard_Kim的博客-优快云博客

中文词向量：使用pytorch实现CBOW训练_Richard_Kim的博客-优快云博...]]></description><category></category></item><item><title><![CDATA[中文词向量：使用pytorch实现CBOW]]></title><link>https://blog.youkuaiyun.com/Richard_Kim/article/details/121207929</link><guid>https://blog.youkuaiyun.com/Richard_Kim/article/details/121207929</guid><author>Richard_Kim</author><pubDate>Mon, 08 Nov 2021 15:09:59 +0800</pubDate><description><![CDATA[整个项目和使用说明地址：链接：https://pan.baidu.com/s/1my30wyqOk_WJD0jjM7u4TQ
提取码：xxe0

关于词向量的理论基础和基础模型都看我之前的文章。里面带有论文和其他博客链接。可以系统学习关于词向量的知识。


之前已经使用numpy手动实现skip-gram,现在使用pytorch框架实现CBOW
这是pytorch官网的C...]]></description><category></category></item><item><title><![CDATA[英文词向量：word2vec之skip-gram实现（不使用框架实现词向量模型）]]></title><link>https://blog.youkuaiyun.com/Richard_Kim/article/details/120993593</link><guid>https://blog.youkuaiyun.com/Richard_Kim/article/details/120993593</guid><author>Richard_Kim</author><pubDate>Wed, 27 Oct 2021 15:17:58 +0800</pubDate><description><![CDATA[代码中使用的语料：

链接：https://pan.baidu.com/s/1nu_TqPtstB8brL2jJ-WtAg
提取码：nwdo

之前讲了中文的词向量如何训练，这里说说英文的，英语比中文简单多了，也不会有乱码问题，所以这里直接贴出代码。怎么跑起来可以看之前的文章

   


​
#!/usr/bin/endimension python
# -#-coding:utf-8 -*-
# author:by ucas iie 魏兴源
# datetim...]]></description><category></category></item><item><title><![CDATA[中文词向量：word2vec之skip-gram实现（不使用框架实现词向量模型）]]></title><link>https://blog.youkuaiyun.com/Richard_Kim/article/details/120992735</link><guid>https://blog.youkuaiyun.com/Richard_Kim/article/details/120992735</guid><author>Richard_Kim</author><pubDate>Wed, 27 Oct 2021 15:06:40 +0800</pubDate><description><![CDATA[介绍

在自然语言处理任务中，首先需要考虑词如何在计算机中表示。通常，有两种表示方式：one-hot representation和distribution representation。

   1.离散表示（one-hot representation）

    2.分布式表示（distribution representation）

两者区别和关于NLP的基础可以参考其他博客和论文

    论文：

       ...]]></description><category></category></item><item><title><![CDATA[在pytorch中使用DNN实现猫狗分类]]></title><link>https://blog.youkuaiyun.com/Richard_Kim/article/details/120877632</link><guid>https://blog.youkuaiyun.com/Richard_Kim/article/details/120877632</guid><author>Richard_Kim</author><pubDate>Wed, 20 Oct 2021 23:46:32 +0800</pubDate><description><![CDATA[#!/usr/bin/env python
# -#-coding:utf-8 -*-
# author:魏兴源
# datetime:2021/10/20  20:14:13
# software:PyCharm


"""
模型1：Pytorch CNN 实现流程
    1.图片数据处理，加载数据集
    2.使得数据集可迭代（每次读取一个Batch）
    3.创建模型类
    4.初始化模型类
    5.初始化损失类
    6.训练模型
"""

# 1.加载库
import os

.]]></description><category></category></item><item><title><![CDATA[在pytorch中使用ResNet50实现猫狗分类]]></title><link>https://blog.youkuaiyun.com/Richard_Kim/article/details/120877599</link><guid>https://blog.youkuaiyun.com/Richard_Kim/article/details/120877599</guid><author>Richard_Kim</author><pubDate>Wed, 20 Oct 2021 23:45:05 +0800</pubDate><description><![CDATA[前面的自己设计的模型出现了过拟合现象，训练集准确度高达95%，但是测试集准确度惨不忍睹63%左右。

 使用交叉熵作为loss，模型采用resnet50，使用预训练模型，我在调试的过程中，使用预训练模型可以快速得到收敛好的模型，使用预训练模型将pretrained设置为True即可。更改最后一层的全连接，将类别设置为2，然后将模型放到DEVICE。优化器选用Adam。

代码有详细的注释就不说过程了。没有出现过拟合现象，受限于我的机器就没有设置更低的学习率，跑的结果还行。

...]]></description><category></category></item><item><title><![CDATA[在pytorch上使用CNN实现猫狗分类]]></title><link>https://blog.youkuaiyun.com/Richard_Kim/article/details/120877387</link><guid>https://blog.youkuaiyun.com/Richard_Kim/article/details/120877387</guid><author>Richard_Kim</author><pubDate>Wed, 20 Oct 2021 23:29:12 +0800</pubDate><description><![CDATA[CNN模型是著名用于图像领域的模型。步骤如下所示：

1.图片数据处理，加载数据集



BATCH_SIZE = 16 # 每批处理的数据

DEVICE = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

EPOCHS = 15 # 训练数据集的轮次

LEARNING_RATE = 1e-4 # 学习率

优化器使用SGD:

optimizer=optim.SGD(cnn_model.parameters(),lr=L...]]></description><category></category></item><item><title><![CDATA[在pytorch上使用LSTM实现猫狗分类]]></title><link>https://blog.youkuaiyun.com/Richard_Kim/article/details/120877133</link><guid>https://blog.youkuaiyun.com/Richard_Kim/article/details/120877133</guid><author>Richard_Kim</author><pubDate>Wed, 20 Oct 2021 23:22:58 +0800</pubDate><description><![CDATA[与RNN一样，输入也是三个维度，由于之前RNN先使用了CNN进行过滤，这次LSTM模型不使用CNN过滤，直接把所有向量放入训练。如下图，没有和RNN一样使用三层卷积层。

定义超参数

BATCH_SIZE = 32 # 每批处理的数据

DEVICE = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

EPOCHS = 15 # 训练数据集的轮次

1. 最后一个epoch（第15个epoch）时候的训练集的损失率

...]]></description><category></category></item><item><title><![CDATA[在pytorch平台上使用RNN进行猫狗分类]]></title><link>https://blog.youkuaiyun.com/Richard_Kim/article/details/120876957</link><guid>https://blog.youkuaiyun.com/Richard_Kim/article/details/120876957</guid><author>Richard_Kim</author><pubDate>Wed, 20 Oct 2021 22:54:59 +0800</pubDate><description><![CDATA[和CNN不同的是，RNN用于前后具有相关联性质的序列的。所以这里我们只能把每幅图像横向剪切，每一行当成一列。如下图所示：





每个横向的像素作为序列。然后输入到RNN模型中。由于考虑到数据过大，所以先使用了CNN对其进行处理，CNN层会输出一个16*16*53*53的矩阵。

 RNN模型的超参数

BATCH_SIZE = 32 # 每批处理的数据

DEVICE = torch.device('cuda' if torch.cuda.is_available() ...]]></description><category></category></item></channel></rss>