LearnToPain的博客

cpu除法是从左到右的减法，乘法是从右到左的加法

介绍计算机乘法计算过程

本文参考不抄袭：文本相似度度量——词移距离（WMD）看了下论文From Word Embeddings To Document Distances形象化理解WMD过程  大家都知道看论文的难点主要有两个，一个是作者的表达能力是否能够完全正确地说清楚，另外一个是读者的知识储备量。  比如这论文里面有个概念，simplex（单纯形），单纯形是线性规划里面的概念，但是不能理解，百度了一下还是不能理解，百度里面的单纯形是n维空间有n+1维单纯形（比如2维空间有三角形构成封闭空间，3为用四个点构成），wmd论

问题将以下4种方法的分词结果对齐分块。['目的', '将', '有限元分析', '技术', '运用', '于', '空调', '包装件', '的', '静态堆码', '和', '跌落', '冲击', '性能', '分析', '和', '优化', '设计', '中。', '方法', '运用', '有限元分析软件', ',', '建立', '空调', '、', '缓冲', '衬垫', '的', '有限元模型。'], ['目', '的', '将', '有', '限元', '分析', '技术', '运用',

注意，三个模型的关系不是简单的堆叠，区别很大word2vec出现最早，针对词，词粒度不限，大量文本训练，通过训练，得到词嵌入向量。doc2vec在word2vec后出现，针对词和句子（或者词和段落，或者词和文章），粒度自定义，大量文本训练，与word2vec统一水平，借鉴了word2vec的训练思想sentence2vec三个模型中出现最晚，针对句子，粒度是自然句子，大量文本训练。在word2vec的基础上的模型，纯粹只找句子向量，原文思想不复杂，通过引入 discourse（我不理解这是

启文  Doc2Vec思想源于Word2Vec，Doc2Vec论文中只说明灵感来源于Word2Vec，但是没说明具体怎么实现，我对Word2Vec理解算比较深的了，看了老久没看懂论文Doc2Vec，怀疑是翻译能力问题，百度了一下中文的解释。然后还是在论文中的图解释上看懂了，注意力忽略了。提示  1）要看懂Doc2Vec必须先看懂Word2Vec，word2Vec原始论文很少有人看得懂，给我另外一篇文章简单易懂解释Word2Vec：https://blog.youkuaiyun.com/LearnToPain/a

0前言 最近在温习统计学习方法，比较针对自然语言处理，所以从最大熵开始看，最大熵是后面EM、HMM、CRF的基础。还记得第一次看最大熵的情景是根本看不懂，越不懂越烦躁。现在再看似乎不会有那种感觉，但是似乎还是有一些看不清，至少只从统计学习方法这本书来看。还有百度了一下别人写的最大熵，简单的例子写了很长篇幅来说明最大熵。依我来看，那些不懂的人并不是一个例子不详细的问题。1最大熵介绍原理：变量分布未知的情况下，同时满足变量所有限制条件，这时变量视为服从均匀分布。就是书上的例子：...

为什么要些这篇文章？ 说到Word2Vec，都一直似懂非懂，不知道是搜索引擎问题还是，那些博主有些二，反正他们说的东西菜鸟（我还不算菜鸟）看了觉得以为懂了。其实要他们把这个算法写出，估计没有一个人，真正懂的人肯定是从其他渠道获知或者下功夫去理解的。个人认知这概念很久了，从一些老师讲解也好网上博客也好，我自以为懂了，现在要用了，结果都不知道原理。写这篇文章是让菜鸟们知道网上还是有懂的人愿意分享。启文开始说明 先了解这两篇文章，来自知乎里面分享，知乎里面的人感觉都是爱学习的人...

说明隐马尔科夫是机器学习算法，用于获取隐状态序列。效果依赖于样本量。尽管如此还是会出现很多不好结果，比如低频词。代码没输出中断#-*-coding:utf-8-*-import hmmlearn.hmm as hmmimport numpy as np#读取分好词的文章，就是个样空格分开的字和词with open('pku_training.utf8','r',encoding='ut...

吐槽  虽然代码量不大，花了很长时间才理清楚，几个py文件的调用关系，作为一个看源码的人来说，大量函数调来调去看过去看过来真的很累。简单的代码非要写很多步来实现，实在不理解。  只有一个地方调用的函数，实在不建议单独写个函数（除非确实需要函数），就算给别人看，这样也会带来困扰，页面切换来切换去，去理解你写的什么东西；另外，也不建议一个函数超过5个参数；不论给调用者还是给代码观看者来说体验并不好...

参考：https://blog.youkuaiyun.com/xiaoxiao123jun/article/details/76605928代码详细参考本人博客：代码：#-*-coding:utf-8-*-import tensorflow as tfimport cv2import numpy as npimport matplotlib.pyplot as pltimport label...

参考：https://blog.youkuaiyun.com/qq_29462849/article/details/80510687最好别看他的训练好的模型下载地址：http://download.tensorflow.org/models/object_detection/faster_rcnn_resnet101_coco_11_06_2017.tar.gz这里里面找相关模块和文件：https:...

在keras读取某卷积层的数据获取图片卷积后的值，图片示例：#-*-coding:utf-8-*-import tensorflow as tfimport cv2keras =tf.kerasK=tf.keras.backend#定义模型这里是227x227x3的输入->卷积->最大池化->卷积，模型没有训练，用的是初始化参数model=keras.Sequ...

#-*-coding:utf-8-*-import tensorflow as tfkeras = tf.keras'''vgg_network tfsorflow版'''def vgg_network(x): """ 1.224x224x3的图片，input 2.卷积 [3,3,3,64]+激活 3.卷积 [3,3,64,64]+激活 4.最...

思路1.验证码随机生成2.生成样本3.样本划分4.训练样本5.验证模型python 相关描述captcha包用于验证码图生成PIL包用于图像处理和展现来个例子：from captcha.image import ImageCaptchaic=ImageCaptcha()d=ic.generate('G8iY')from PIL import ImageImage....

IoU代码：def IoU(lx_1,ly_1,rx_1,ry_1,lx_2,ly_2,rx_2,ry_2): ''' :param lx_1: 第一个box的左上角x坐标 :param ly_1: 第一个box的左上角y坐标 :param rx_1: 第一个box的右下角x坐标 :param ry_1: 第一个box的右下角y坐标 :param ...

经典例子  首先，图中两图间没有关系，只是说明两种数据的形式区别；  然后，我们只需要关注序列数据；  最后，我们需要理解“<>”代表什么意思？项的理解  <a(abc)(ac)d(cf)>是表中的第一项可以理解为SID为10的用户，5次来商店购买的商品集，第一次只买了a商品，第二次买了a、b、c,第三次买了a、c,第四次只买了d,第五次买了c、f。  所以，...

一、XGBoost前提假设9。T表示叶子点个数9。T表示叶子点个数9。T表示叶子点个数二、XGBoost损失三、单树损失的需要换成另外一种表达四、最优损失和叶子节点的信息增益...

具体说明还是用这个例子：若X=(2.1,3.1)，空间划分为：上图黄色区域是无需搜索区域，则排除它，过程如下，（因有公式，不想再在博客上打一遍，mathtype上截的图）K近邻说明都说K近邻简单，其实，k近邻相当复杂，1》简单的计算距离，距离近的k个点，很简单，结果数据量大计算慢，而且每次都要循环多次，浪费计算机资源；2》构建KD tree，树状搜索节点比遍历快，数据结构上改变...

设事件XXX概率估计  XXX可能性为：P(X)P(X)P(X)似然估计  在概率估计的情况下，多了一个不确定因素θ\thetaθ,这时θ\thetaθ是一个随机变量，再估计P(X=x)P(X=x)P(X=x)，就要多考虑θ\thetaθ的情况，似然估计就是类似穷举θ\thetaθ的可能性，当然似然估计使用梯度求极值，选择使P(X)P(X)P(X)最大的θ\thetaθ，也就是找：θ=a...

讨论  这个问题是很容易忽略，也就一个负号的问题，大多是记下来，但是确实也一个搞不懂的问题。方向导数简单说明方向导数，毕竟梯度与方向导数是有关系的。  上图 l 对x,y的偏导，分别在x和y的方向上，两偏导线垂直映射到绿色线方向上，再求和就是绿色线向量长度；  θ=0时，也就是绿色线和灰色线重合，也就是梯度方向上的最大方向导数。梯度方向为何是上升方向这个示例函数是f(x)=(x-...

说明梯度下降在应用于回归方程（机器学习中的）和一般函数有一些方法上的区别。一般函数没有样本的干扰所以相对来说考虑的东西比较少，上代码代码#-*-coding:utf-8-*-import sympy as syimport numpy as npdef gradient_descent(symbol_expression,independent_vars_dict,alpha,epsi...

各种率看https://www.cnblogs.com/Zhi-Z/p/8728168.html实际理解看https://segmentfault.com/a/1190000016735657?utm_source=tag-newest误区1。预测结果是二分类，然后理解TPR，FPR，这明显是错的。2。一次计算然后画曲线，这也是错的，点不够。注意1。画ROC，开始要按照预测结果逆排...

package stackAndQueue;import java.util.*;import static java.lang.System.out;public class test { public static void main(String[] args) { hanoi(2); } static void hanoi(int n) ...

汉诺塔递归模型建立public class test2 { public static void main(String[] args) { hanio(3, 'a', 'b', 'c'); } static void hanio(int n, char a, char b, char c) { if (n == 1) { System.out.println(Stri...

模拟退火算法说说什么是算法？有人理解是输入数据经过一些步骤的处理，最后输出。在我理解来看就是一种优化问题或者说就是数值分析，无论机器学习中的算法还是深度学习的算法，寻找最优模型都是解最小损失的方程。模型类型其实并不多，最后的模型都是认知模型的套用，关键还是求解损失函数，具体化模型参数。模拟退火不是模型，是一种算法，用于求解最优值。背景摘自维基百科模拟退火： 模拟退火来自冶金学的专有名词退火。...