<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[silentkunden的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/java_hzp</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; java_hzp]]></copyright><item><title><![CDATA[推荐召回模型评估指标（AUC、HR、F1、Precision、Recall）代码实现]]></title><link>https://blog.youkuaiyun.com/java_hzp/article/details/125751482</link><guid>https://blog.youkuaiyun.com/java_hzp/article/details/125751482</guid><author>java_hzp</author><pubDate>Sun, 31 Jul 2022 12:47:13 +0800</pubDate><description><![CDATA[AUC计算的关键是找到所有正样的预测值大于负样本预测值的正负样本对。Precision就是召回了K个item，K个item中被点击了n个，那么Precision=n/K。Recall是用户点击的M个item中，k个物品是在召回模型推荐列表的，那么Recall=k/M。N为样本的总数，m为正例的个数。...]]></description><category></category></item><item><title><![CDATA[【NLP | 词性标注】使用最大匹配与viterbi算法代码实现中文词性标注]]></title><link>https://blog.youkuaiyun.com/java_hzp/article/details/122614675</link><guid>https://blog.youkuaiyun.com/java_hzp/article/details/122614675</guid><author>java_hzp</author><pubDate>Fri, 21 Jan 2022 10:00:15 +0800</pubDate><description><![CDATA[代码实现使用简单的最大匹配算法实现分词同时使用维特比算法实现词性的标注任务。]]></description><category></category></item><item><title><![CDATA[【nlp | 分词】使用最大匹配（max matching）分词]]></title><link>https://blog.youkuaiyun.com/java_hzp/article/details/118958776</link><guid>https://blog.youkuaiyun.com/java_hzp/article/details/118958776</guid><author>java_hzp</author><pubDate>Wed, 21 Jul 2021 09:36:35 +0800</pubDate><description><![CDATA[最大匹配的分词方法是通过设置最大的匹配长度，对输入的sentence基于已有词典进行匹配分词。例如说，词典为“自然,语言,自然语言,处理,自然语言处理”，输入的sentence是“自然语言处理”，当设置max_len为6的时候，“自然语言处理”就会分成一个词，当设置max_len为5的时候，就会分为“自然语言，处理”。

下面是简单的Python代码实现：


class Segmentation:
    def __init__(self, vocab):
        '''
   ...]]></description><category></category></item><item><title><![CDATA[【NLP | 机器学习】隐马尔科夫模型与代码实现]]></title><link>https://blog.youkuaiyun.com/java_hzp/article/details/117738950</link><guid>https://blog.youkuaiyun.com/java_hzp/article/details/117738950</guid><author>java_hzp</author><pubDate>Mon, 19 Jul 2021 10:27:05 +0800</pubDate><description><![CDATA[隐马尔可夫模型是关于时序的概率模型，由一个隐藏的马尔科夫链随机生成不可观测的状态随机序列
]]></description><category></category></item><item><title><![CDATA[朴素贝叶斯原理及其应用实现]]></title><link>https://blog.youkuaiyun.com/java_hzp/article/details/117150619</link><guid>https://blog.youkuaiyun.com/java_hzp/article/details/117150619</guid><author>java_hzp</author><pubDate>Fri, 28 May 2021 08:17:38 +0800</pubDate><description><![CDATA[先前在恶补机器学习算法的原理及实现，在此做一些总结记录。

首先是贝叶斯法则：

            

其中，为先验概率，而表示为在事件A发生的情况下事件B发生的概率；在贝叶斯分类中，在得知后验概率（表示在某事件发生了，并且它属于哪个分类）的情况下，就可以对样本进行分类，后验概率越大则其为该分类的可能性越大。
...]]></description><category></category></item><item><title><![CDATA[初入transformer，初步见解]]></title><link>https://blog.youkuaiyun.com/java_hzp/article/details/109601773</link><guid>https://blog.youkuaiyun.com/java_hzp/article/details/109601773</guid><author>java_hzp</author><pubDate>Wed, 11 Nov 2020 16:47:29 +0800</pubDate><description><![CDATA[Transformer来源于论文《Attention is All You Need》，自2017年推出来以后，热度一直高居不下，其相关的模型bert及包括各种bert的变种模型、GPT系列等等，一直在不断地刷新各种基础评测任务的评测指标。估计没有谁做nlp，而不了解的人了。作为初入nlp小白的我，自然也是感受到了它的强大，只是一直由于时间的约束，没有好好总结一番。

Transformer从宏观来说，可以分为encode与decode两个部分，如下图所示，encode可以分为Multi-Head Atte]]></description><category></category></item><item><title><![CDATA[深度学习之激活函数篇]]></title><link>https://blog.youkuaiyun.com/java_hzp/article/details/108629316</link><guid>https://blog.youkuaiyun.com/java_hzp/article/details/108629316</guid><author>java_hzp</author><pubDate>Wed, 16 Sep 2020 20:02:35 +0800</pubDate><description><![CDATA[深度学习之激活函数篇

一般来说，激活函数使网络具有非线性化的作用，在神经网络中，正是由多个网络层接激活函数而使其由足够的非线性拟合的能力。常用的激活函数包括：Sigmoid函数、Tanh函数、Relu函数、Softmax函数、ELU函数（指数线性单元）、SELU函数等等，下面将对前四个函数展开详细的叙述：

Sigmoid函数
Sigmoid函数的表达式为：

该函数常用于回归问题上，其的值域为(0, 1)，x越接近负无穷，其函数值越接近0；越接近正无穷，其函数值越接近1。因此，Sigmoid函数是一个不]]></description><category></category></item><item><title><![CDATA[使用TensorFlow实现一个简单图像识别的全过程介绍]]></title><link>https://blog.youkuaiyun.com/java_hzp/article/details/107623309</link><guid>https://blog.youkuaiyun.com/java_hzp/article/details/107623309</guid><author>java_hzp</author><pubDate>Mon, 27 Jul 2020 23:10:34 +0800</pubDate><description><![CDATA[首先，选用一个较为简单的手写数字图像集作为本次演示的数据集。利用普通神经网络实现

过程简介
在TensorFlow的图像识别任务中：

第一步是读取图像，在TensorFlow中手写数字数据集MNIST可以在其dataset中直接获取，当你已经下载过了，可以直接使用，获取MNIST如下代码所示
	
# 在该数据集中已经划分了训练集与验证集，并且图像与其标签也已经切分
(x, y), (x_val, y_val) = datasets.mnist.load_data() 

	
	
	第二步是把图像转化为.]]></description><category></category></item><item><title><![CDATA[TensorFlow——tensor（张量）的基本操作]]></title><link>https://blog.youkuaiyun.com/java_hzp/article/details/107584925</link><guid>https://blog.youkuaiyun.com/java_hzp/article/details/107584925</guid><author>java_hzp</author><pubDate>Sat, 25 Jul 2020 22:17:43 +0800</pubDate><description><![CDATA[在TensorFlow中tensor（张量）无疑是最常用到的数据类型，什么是tensor呢？有人可能认为维度超过三维的矩阵才能叫tensor，但其实scalar（标量）可以看做0维的张量，vector（向量）可以看成1维的张量，matrix（矩阵）可以看做2维的张量。此外，张量内部数据的数据类型可以分为：int、float、string、double、Bool类型。下面将演示一些tensor的操作：

创建张量

# 创建常量（标量）
tf.constant(1)  # 直接创建int32
...]]></description><category></category></item><item><title><![CDATA[决策树原理与常用方式]]></title><link>https://blog.youkuaiyun.com/java_hzp/article/details/107117134</link><guid>https://blog.youkuaiyun.com/java_hzp/article/details/107117134</guid><author>java_hzp</author><pubDate>Sat, 04 Jul 2020 10:24:35 +0800</pubDate><description><![CDATA[说到树，可能第一时间就会想到——回归，是的，决策树就是依靠一次次的回归从而是实现分类。另外决策树由如下优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。

构建决策树的一般流程如下：
(1) 收集数据：可以使用任何方法。 

(2) 准备数据：树构造算法只适用于标称型数据，因此数值型数据必须离散化。 

(3) 分析数据：可以使用任何方法，构造树完成之后，应该检查图形是否符合预期。 

(4) 训练算法：构造树的数据结构。 

(5) 测试算法：使用经验树...]]></description><category></category></item><item><title><![CDATA[k-近邻算法（KNN）原理与代码实现]]></title><link>https://blog.youkuaiyun.com/java_hzp/article/details/107110821</link><guid>https://blog.youkuaiyun.com/java_hzp/article/details/107110821</guid><author>java_hzp</author><pubDate>Fri, 03 Jul 2020 20:49:35 +0800</pubDate><description><![CDATA[1. 概述  

 k-近邻算法（k-Nearest Neighbor，KNN）是一种比较常用的机器学习分类算法，在进行有标签的分类任务（一般最好不要超过20类）表现还不错，一般采用的分类方式为：测量不同特征值之间的距离方法进行分类。




   距离度量一般采用 Lp 距离（闵可夫斯基距离），当p=2时，即为欧氏距离，在度量之前，应该将每个属性的值规范化，这样有助于防止具有较大初始值域的属性比具有较小初始值域的属性的权重过大。



   其中，k-近邻算法的K 值的选择会对算...]]></description><category></category></item><item><title><![CDATA[按图像尺寸平均切分图像]]></title><link>https://blog.youkuaiyun.com/java_hzp/article/details/106673722</link><guid>https://blog.youkuaiyun.com/java_hzp/article/details/106673722</guid><author>java_hzp</author><pubDate>Wed, 10 Jun 2020 19:55:18 +0800</pubDate><description><![CDATA[思路：

首先，把图像填充为正方形（以图像的最长边为正方形新图边长，对较短边长居中填充空白）
	循环迭代切分图像
	保存生成的图像列表

from PIL import Image
import sys
import os

# 将图片填充为正方形
def fill_image(image):
    width, height = image.size
    # 选取长和宽中较大值作为新图片的
    new_image_length = width if width &gt; height else ]]></description><category></category></item><item><title><![CDATA[SpringBoot使用WangEditor富文本编辑器]]></title><link>https://blog.youkuaiyun.com/java_hzp/article/details/103979227</link><guid>https://blog.youkuaiyun.com/java_hzp/article/details/103979227</guid><author>java_hzp</author><pubDate>Tue, 14 Jan 2020 20:23:39 +0800</pubDate><description><![CDATA[wangEditor是基于javascript和css开发的 Web富文本编辑器， 轻量、简洁、易用、开源免费。



若需要使用可以在wangEidtor官网上查看开发文档，或者去直接下载依赖包。

直接上前端代码：


&lt;!DOCTYPE html&gt;
&lt;html xmlns="http://www.w3.org/1999/xhtml"
	xmlns:th="http://w...]]></description><category></category></item><item><title><![CDATA[SpringBoot使用Kaptcha验证码]]></title><link>https://blog.youkuaiyun.com/java_hzp/article/details/103978908</link><guid>https://blog.youkuaiyun.com/java_hzp/article/details/103978908</guid><author>java_hzp</author><pubDate>Tue, 14 Jan 2020 20:14:00 +0800</pubDate><description><![CDATA[Kaptcha 是一个可高度配置的实用验证码生成工具。个人认为还是挺好用的，虽然现有更加安全的验证方式。

此次是使用springboot+ssm，使用maven管理。直接上步骤：

pom文件添加jar包依赖：
	
		&lt;!-- kaptcha验证码 --&gt;
		
   	&lt;dependency&gt;
            &lt;groupId&gt;com.github...]]></description><category></category></item><item><title><![CDATA[数据正则化总结]]></title><link>https://blog.youkuaiyun.com/java_hzp/article/details/103962778</link><guid>https://blog.youkuaiyun.com/java_hzp/article/details/103962778</guid><author>java_hzp</author><pubDate>Mon, 13 Jan 2020 20:40:09 +0800</pubDate><description><![CDATA[涉及机器学习或者深度学习的问题的时候总能听到有人提起“正则化”，可能都会模糊的知道，正则化是一种 有效的防止过拟合，提高模型泛化能力的有效手段。而过拟合可以理解是模型太过复杂，过分的考虑当前数据的分布结构，过分的拟合当前的数据。在早期的机器学习领域一般只是将范数惩罚叫做正则 化技术,而在深度学习领域认为：能够显著减少方差,而不过度增加偏差的策略都可以认为 是正则化技术,故推广的正则化...]]></description><category></category></item><item><title><![CDATA[pytorch实现的Resnet18、VGG16]]></title><link>https://blog.youkuaiyun.com/java_hzp/article/details/103378065</link><guid>https://blog.youkuaiyun.com/java_hzp/article/details/103378065</guid><author>java_hzp</author><pubDate>Tue, 03 Dec 2019 22:36:24 +0800</pubDate><description><![CDATA['''
    Resnet18 代码
    date:2019/11/30
    author:hzp
'''
import torch
import torch.nn as nn
import torch.nn.functional as F


class ResidualBlock(nn.Module):
    def __init__(self, inchannel, outch...]]></description><category></category></item><item><title><![CDATA[极限学习（elm）实现波士顿房价预测]]></title><link>https://blog.youkuaiyun.com/java_hzp/article/details/103376643</link><guid>https://blog.youkuaiyun.com/java_hzp/article/details/103376643</guid><author>java_hzp</author><pubDate>Tue, 03 Dec 2019 21:04:59 +0800</pubDate><description><![CDATA[# import numpy as np
from sklearn.preprocessing import OneHotEncoder  # , LabelEncoder
import numpy as np
from sklearn.datasets import load_iris  # 数据集加载
from sklearn.model_selection import train_tes...]]></description><category></category></item><item><title><![CDATA[利用OpenCV抠出图像中的人脸]]></title><link>https://blog.youkuaiyun.com/java_hzp/article/details/103376174</link><guid>https://blog.youkuaiyun.com/java_hzp/article/details/103376174</guid><author>java_hzp</author><pubDate>Tue, 03 Dec 2019 20:39:55 +0800</pubDate><description><![CDATA["""
        参数说明：
        southPath：存放图像的文件目录
        objectPath：裁剪后的图像保存的目录
        *suffix：图像的格式
"""
def readPicSaveFace(sourcePath, objectPath, *suffix):
    try:
        # 读取照片,注意第一个元素是文件名
      ...]]></description><category></category></item><item><title><![CDATA[使用pytorch做Resnet迁移学习实现图像分类（完整流程）]]></title><link>https://blog.youkuaiyun.com/java_hzp/article/details/103358594</link><guid>https://blog.youkuaiyun.com/java_hzp/article/details/103358594</guid><author>java_hzp</author><pubDate>Mon, 02 Dec 2019 22:47:19 +0800</pubDate><description><![CDATA[图像处理：

先对所有的图像的大小reshape到224*224（Resnet输入为224*224）


def Image_PreProcessing(imagepath, targetpath):
    # 待处理图片存储路径
    im = cv2.imread(imagepath, 1)
    h, w, _ = im.shape
    print(im)
    t = 0

 ...]]></description><category></category></item><item><title><![CDATA[使用paddlepaddle实现图像分类]]></title><link>https://blog.youkuaiyun.com/java_hzp/article/details/103358397</link><guid>https://blog.youkuaiyun.com/java_hzp/article/details/103358397</guid><author>java_hzp</author><pubDate>Mon, 02 Dec 2019 22:26:46 +0800</pubDate><description><![CDATA[首先是对图像集的处理，在此对图像进行了reshape，所有的图像统一处理成（224,224,3）的格式。对图像还可以稍作增强，增加数据集数量：


        # 随机水平翻转
        r1 = random.random()
        if r1 &gt; 0.5:
            img = img.transpose(Image.FLIP_LEFT_RIGHT)
 ...]]></description><category></category></item></channel></rss>