a1105425455的博客

使用kaggle猫狗数据集进行猫狗识别，模型是微调resnet18.

利用预训练的 BERT模型来实现自然语言理解和问答，同时将知识库和问答系统进行整合，从而能够对用户提出的问题进行准确、高效的回答。该系统通过将问题和知识库中的实体和关系进行匹配，从而找到最佳答案。具体来说，本系统先将三个属性：实体（问题），实体关系（实体属性），实体（答案）存储进 mysql 数据库。当提出问题时，用 BertCrf模型来识别出问题中所包含的实体，识别出实体之后就可以进行数据库的查询；识别出实体后就需要进行实体与属性的连接，利用BertForSequenceClassification模型进

bert详解 输入以及微调

输入一段可能带有错误信息的文字， 通过词典来检测其中可能错误的词。例如：有句子如下：中央人民政府驻澳门特别行政区联络办公室1日在机关大楼设灵堂有词典如下：中国人民，中央人民，澳门，西门检测时，根据词典可以得出句子中的中央人民可能为中国人民，澳门可能为西门，并返回结果。

1.准备数据集CASIA-HWDB2.x（offline）数据集下载地址：http://www.nlpr.ia.ac.cn/databases/handwriting/Download.html将官网下载的HWDB数据进行解压，文件夹名称作为label。代码如下：注意分开test和trainimport structimport osfrom PIL import ImageDATA_PATH="HWDB1.1tst_gnt" #gnt数据文件路径IMG_PATH="test"#解析后的图片

是在检测图片的基础上进行加工的 详情可看opencv图片倾斜度检（一）对图片进行检测打开摄像头进行实时检测矩形轮廓，实时画出坐标轴坐标点和倾斜度，并且具有保存图片和利用plot单纯画出矩形的功能直接上全部代码 注释已经比较详细了如下：from matplotlib.cm import register_cmapimport matplotlib.pyplot as pltimport cv2import numpy as npimport imutilsimport timefrom s

利用opencv检测图片倾斜度1.利用最小矩阵函数minAreaRect得到旋转角度import cv2import numpy as npimport imutilsdef show(img):#显示函数 cv2.imshow('img',img) cv2.waitKey(0) cv2.destroyAllWindows()def bianyuan(img):#边缘处理 img_ = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#转换

识别手写数字（MNIST数据集）model的构建1.加载必要的库import torchimport torch.nn as nnimport torch.nn.functional as Fimport torch.optim as optimfrom torchvision import datasets,transforms2.确定超参数BATCH_SIZE = 64#每批处理的数据 一次性多少个DEVICE = torch.device("cuda")#使用GPUEPOCH