<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[天空飘来五个字]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/hellowuxia</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; hellowuxia]]></copyright><item><title><![CDATA[owl文件导入Neo4j]]></title><link>https://blog.youkuaiyun.com/hellowuxia/article/details/101547659</link><guid>https://blog.youkuaiyun.com/hellowuxia/article/details/101547659</guid><author>hellowuxia</author><pubDate>Fri, 27 Sep 2019 17:59:05 +0800</pubDate><description><![CDATA[前提：
1.下载扩展neosemantics jar包，将jar复制到neo4j/plugins目录下。
注意：neosemantics jar包必须与Neo4J版本相匹配。
例如：neo4j-community-3.3.1与neosemantics-3.3.0.2.jar
https://github.com/jbarrasa/neosemantics/releases/download/3.3...]]></description><category></category></item><item><title><![CDATA[NLP错字纠正---pycorrector]]></title><link>https://blog.youkuaiyun.com/hellowuxia/article/details/100743832</link><guid>https://blog.youkuaiyun.com/hellowuxia/article/details/100743832</guid><author>hellowuxia</author><pubDate>Wed, 11 Sep 2019 17:53:16 +0800</pubDate><description><![CDATA[https://github.com/shibing624/pycorrector

]]></description><category></category></item><item><title><![CDATA[简单QA：TF-IDF句子相似度计算]]></title><link>https://blog.youkuaiyun.com/hellowuxia/article/details/92980973</link><guid>https://blog.youkuaiyun.com/hellowuxia/article/details/92980973</guid><author>hellowuxia</author><pubDate>Thu, 20 Jun 2019 10:26:53 +0800</pubDate><description><![CDATA[简单介绍一下基于TF-IDF计算句子相似度，并得到问题对应的答案过程：

准备好问题文件，答案文件，问题与答案一一对应，例如：

对问题文件进行分词、去停用词预处理操作

建立TF-IDF模型，计算所提问题与模板问题中相似度，将满足相似度问题对应的答案返回。关键代码如下：

from gensim import corpora, models, similarities
from preproce...]]></description><category></category></item><item><title><![CDATA[Cypher查找两个节点间的全路径]]></title><link>https://blog.youkuaiyun.com/hellowuxia/article/details/90632474</link><guid>https://blog.youkuaiyun.com/hellowuxia/article/details/90632474</guid><author>hellowuxia</author><pubDate>Tue, 28 May 2019 09:09:05 +0800</pubDate><description><![CDATA[Cypher查找两个节点间的全路径

MATCH p = (:person {name:‘曹操’})-[*]-&gt;(:person {name:‘夏侯淳’}) WITH p,
REDUCE(x = 0, a IN relationships§ | x + a.time) AS cum_duration
ORDER BY cum_duration DESC LIMIT 1 RETURN p


...]]></description><category></category></item><item><title><![CDATA[Python依赖包pyhanlp的安装说明]]></title><link>https://blog.youkuaiyun.com/hellowuxia/article/details/90212408</link><guid>https://blog.youkuaiyun.com/hellowuxia/article/details/90212408</guid><author>hellowuxia</author><pubDate>Tue, 14 May 2019 18:25:19 +0800</pubDate><description><![CDATA[1.安装JPype1；
2.安装pyhanlp包：python setup.py install
注意：pyhanlp中requirements.txt中jpype1版本与安装的JPype1的版本相匹配
3.有时候可能会报：ImportError: numpy.core.multiarray failed to import错误，安装numpy
4.将data和hanlp.properties、h...]]></description><category></category></item><item><title><![CDATA[owl文件转换为rdf]]></title><link>https://blog.youkuaiyun.com/hellowuxia/article/details/88861406</link><guid>https://blog.youkuaiyun.com/hellowuxia/article/details/88861406</guid><author>hellowuxia</author><pubDate>Thu, 28 Mar 2019 08:59:55 +0800</pubDate><description><![CDATA[1.下载jar包：http://www.l3s.de/~minack/rdf2rdf/
2.将jar包与owl文件放在同一目录下
3.在cmd或linux下，进入owl文件所在目录，在终端执行：
java -jar rdf2rdf-1.0.1-2.3.1.jar wine.owl wine.nt
参考：
https://blog.youkuaiyun.com/LucyGill/article/details/...]]></description><category></category></item><item><title><![CDATA[编辑距离-相似度计算]]></title><link>https://blog.youkuaiyun.com/hellowuxia/article/details/88557102</link><guid>https://blog.youkuaiyun.com/hellowuxia/article/details/88557102</guid><author>hellowuxia</author><pubDate>Thu, 14 Mar 2019 17:16:38 +0800</pubDate><description><![CDATA[import Levenshtein as lvst
编辑距离计算相似度
Levenshtein Distance
def leven_distance(s1, s2):
dis = lvst.distance(s1, s2)
# 1-它们的距离/两个字符串长度的最大值
sim = 1 - 1/max(len(s1), len(s2))
return sim
#Dice系数计算相似度
def di...]]></description><category></category></item><item><title><![CDATA[python调用cmd]]></title><link>https://blog.youkuaiyun.com/hellowuxia/article/details/87690462</link><guid>https://blog.youkuaiyun.com/hellowuxia/article/details/87690462</guid><author>hellowuxia</author><pubDate>Tue, 19 Feb 2019 10:09:19 +0800</pubDate><description><![CDATA[import os
print(‘测试开始’)
os.system(‘ipconfig’)
print(os.popen(‘ipconfig’).read())
print(‘测试结束’)

]]></description><category></category></item><item><title><![CDATA[相似度距离]]></title><link>https://blog.youkuaiyun.com/hellowuxia/article/details/87361149</link><guid>https://blog.youkuaiyun.com/hellowuxia/article/details/87361149</guid><author>hellowuxia</author><pubDate>Fri, 15 Feb 2019 14:39:20 +0800</pubDate><description><![CDATA[1.Levenshtein计算相似度距离
https://www.cnblogs.com/zangrunqiang/p/6752430.html

]]></description><category></category></item><item><title><![CDATA[循环神经网络]]></title><link>https://blog.youkuaiyun.com/hellowuxia/article/details/86529575</link><guid>https://blog.youkuaiyun.com/hellowuxia/article/details/86529575</guid><author>hellowuxia</author><pubDate>Fri, 18 Jan 2019 11:00:14 +0800</pubDate><description><![CDATA[一、循环神经网络简介
循环神经网络的来源是为了刻画一个序列当前的输出与之前信息的关系。从网络结构上，循环神经网络会记忆之前的信息，并利用之前的信息影响后面结点的输出。即：循环神经网络的隐藏层之间的结点是有连接的，隐藏层的输入不仅包括输入层的输出，还包括上一时刻隐藏层的输出。
循环神经网络对于每一个时刻的输入结合当前模型的状态给出一个输出。循环神经网络可以看做同一神经网络被无限复制的结果，出于优化考...]]></description><category></category></item><item><title><![CDATA[卷积神经网络（一）]]></title><link>https://blog.youkuaiyun.com/hellowuxia/article/details/85317969</link><guid>https://blog.youkuaiyun.com/hellowuxia/article/details/85317969</guid><author>hellowuxia</author><pubDate>Sat, 12 Jan 2019 10:45:43 +0800</pubDate><description><![CDATA[一、卷积神经网络简介
一个卷积神经网络主要由以下5种结构组成：
1.输入层：
输入层是整个神经网络的输入，在处理图像的卷积神经网络中，它一般代表一张**图片的像素矩阵**（三维矩阵）。三维矩阵的长和宽代表图像的**大小**，深度代表图像的**色彩通道**，如：黑白图片的深度为1，RGB色彩模式下，图像的深度为3。

从输入层开始，卷积神经网络通过不同的神经网络结构将上一层的三维矩阵转化为下一层的三...]]></description><category></category></item><item><title><![CDATA[深度学习-深层神经网络]]></title><link>https://blog.youkuaiyun.com/hellowuxia/article/details/85122229</link><guid>https://blog.youkuaiyun.com/hellowuxia/article/details/85122229</guid><author>hellowuxia</author><pubDate>Thu, 20 Dec 2018 17:18:14 +0800</pubDate><description><![CDATA[一、损失函数定义
1.经典损失函数
1）分类问题
交叉熵刻画两个概率分布之间的距离，是分类问题中使用比较广泛的一种损失函数。
2）回归问题
对于回归问题，最常用的损失函数时均方误差（MSE，mean squared error）
2.自定义损失函数
二、神经网络优化
梯度下降与反向传播：梯度下降算法主要用于优化单个参数的取值；而反向传播算法给出了一个高效的方式在所有参数上使用梯度下降算法，从而使神...]]></description><category></category></item><item><title><![CDATA[Tensorboard的启动方法]]></title><link>https://blog.youkuaiyun.com/hellowuxia/article/details/85038441</link><guid>https://blog.youkuaiyun.com/hellowuxia/article/details/85038441</guid><author>hellowuxia</author><pubDate>Sun, 16 Dec 2018 16:53:42 +0800</pubDate><description><![CDATA[TensorBoard不需要额外的安装，在Tensorflow安装完成时，TensorBoard会自动被安装。
运行下面的命令可以启动TensorBoard：
#运行TensorBoard，并将日志的地址指向上面程序日志输出的地址
tensorboard --logdir=path/to/log
运行上面的命令会启动一个服务，默认端口为6006。
通过浏览器打开localhost:6006，即可打...]]></description><category></category></item><item><title><![CDATA[PL/SQL注册码]]></title><link>https://blog.youkuaiyun.com/hellowuxia/article/details/84531549</link><guid>https://blog.youkuaiyun.com/hellowuxia/article/details/84531549</guid><author>hellowuxia</author><pubDate>Mon, 26 Nov 2018 11:32:54 +0800</pubDate><description><![CDATA[第一组：
Product Code：4t46t6vydkvsxekkvf3fjnpzy5wbuhphqz
serial Number：601769
password：xs374ca
第二组：
Password：xs374ca
Product Code：ljkfuhjpccxt8xq2re37n97595ldmv9kch
Serial Number：302967
第三组：
Product Code：...]]></description><category></category></item><item><title><![CDATA[Windows下安装Tensorflow]]></title><link>https://blog.youkuaiyun.com/hellowuxia/article/details/84379934</link><guid>https://blog.youkuaiyun.com/hellowuxia/article/details/84379934</guid><author>hellowuxia</author><pubDate>Fri, 23 Nov 2018 11:42:14 +0800</pubDate><description><![CDATA[注意：
1）tensorflow的1.0版本以后才支持Windows下的安装；之前的版本都是在Linux、Mac下进行安装；
2）目前TensorFlow在Windows下只支持Python 3.5版本；
3）tensorflow支持的系统是64位的，windows和linux，mac都需要64位
在Windows下基于CPU安装Tensorflow：
Step 1：安装Anaconda（我安装的...]]></description><category></category></item><item><title><![CDATA[R环境安装配置]]></title><link>https://blog.youkuaiyun.com/hellowuxia/article/details/84304434</link><guid>https://blog.youkuaiyun.com/hellowuxia/article/details/84304434</guid><author>hellowuxia</author><pubDate>Tue, 20 Nov 2018 16:04:59 +0800</pubDate><description><![CDATA[1.安装R软件（R-3.5.1-win.exe）

配置环境变量：  Path中添加：D:\R-3.5.1-win\R-3.5.1\bin;

2.安装Rtools（Rtools35.exe）

配置环境变量：Path中添加：D:\RRools35\Rtools\bin;D:\RRools35\Rtools\mingw_64\bin;

3.测试安装配置是否成功

在R环境下输入：
system(...]]></description><category></category></item><item><title><![CDATA[Python中一些提高算法效率的技巧]]></title><link>https://blog.youkuaiyun.com/hellowuxia/article/details/82769705</link><guid>https://blog.youkuaiyun.com/hellowuxia/article/details/82769705</guid><author>hellowuxia</author><pubDate>Wed, 19 Sep 2018 11:29:31 +0800</pubDate><description><![CDATA[1）向量化操作：
例如：

参考：《利用Python进行数据分析》、《Deeplearning深度学习笔记》
2）广播机制
例如：自定义广播函数frompyfunc(func, nin, nout)

参考：《利用Python进行数据分析》、《Deeplearning深度学习笔记》
3）利用Map并行操作

参考：https://blog.youkuaiyun.com/caimouse/article/det...]]></description><category></category></item><item><title><![CDATA[数据结构中排序、查找、最小生成树算法总结]]></title><link>https://blog.youkuaiyun.com/hellowuxia/article/details/82769239</link><guid>https://blog.youkuaiyun.com/hellowuxia/article/details/82769239</guid><author>hellowuxia</author><pubDate>Wed, 19 Sep 2018 11:24:35 +0800</pubDate><description><![CDATA[1.排序算法
定义：把一个无序元素序列按照元素的关键字递增或递减排列为有序的序列

一、插入排序
1）直接插入排序：
基本思想：假设前i-1个元素已经有序，将第i个元素的关键字与前i-1个元素的关键
字进行比较，找到合适的位置，将第i个元素插入。按照类似的方法，将剩下的元素依次插入到已经有序的序列中，完成插入排序。
例如：对序列(45,23,56,12,97,76,29,68)进行直接插入排序。
...]]></description><category></category></item><item><title><![CDATA[Python多进程操作Coding]]></title><link>https://blog.youkuaiyun.com/hellowuxia/article/details/81134473</link><guid>https://blog.youkuaiyun.com/hellowuxia/article/details/81134473</guid><author>hellowuxia</author><pubDate>Fri, 20 Jul 2018 16:21:47 +0800</pubDate><description><![CDATA[import time 
import multiprocessing

ls = [i for i in range(10000)]

print(ls)

ls1 = ls[0: 100]

ls2 = ls[100:200] 
ls3 = ls[200: 300] 
l = []



test2调用test1函数

def test2(): 
    test1() 
    print(...]]></description><category></category></item><item><title><![CDATA[Python入门（二）]]></title><link>https://blog.youkuaiyun.com/hellowuxia/article/details/80070237</link><guid>https://blog.youkuaiyun.com/hellowuxia/article/details/80070237</guid><author>hellowuxia</author><pubDate>Fri, 27 Apr 2018 12:06:35 +0800</pubDate><description><![CDATA[**Python入门**一、控制流语句 
在Python中，有三种类型控制流类型：
顺序结构
分支结构
循环结构复杂的语句都是由这三个基本控制流组成。
1）顺序结构：普通至上而下的代码结构。2）分支结构：Python条件语句是通过一条或多条语句的执行结果（True或False）来决定执行的代码块。if语句可以独立使用，也可搭配else\elif使用。3）循环结构：用来控制一段语句重复执行。
whil]]></description><category></category></item></channel></rss>