ljx0951的博客

具体的报错信息如下：Tensor is unhashable if Tensor equality is enabled. Instead, use tensor.experimental_ref() as the key.报错地方的代码如下，使用的tensorflow版本为2.0self.best_model = tf.keras.models.load_model(self.save_model_path)batch_logits = self.best_model(tensorized_s

搞了好久，作为一次记录当出现not a matrix时，考虑是否添加了batch_size。。上图为报错的具体代码，下图为修改之后的代码：核心就是后边添加了batch这一操作，问题顺利解决~~

在进行保存模型时，TF2.0有三种保存方式，分别是model.save_weights('filepath')；model.save('filepath',save_format='tf')；tf.saved_model.save(model,'filepath')三种方式都有各自的特点：save_weights只保存模型权重，意味着当你要加载模型时，需要先搭建原来的模型，然后load一下参数从文件中，加载参数文件使用model.load_weights('filepath')。 model.sa

垃圾邮件分类的各种尝试(深度学习篇)文章目录垃圾邮件分类的各种尝试(深度学习篇)数据集格式清洗数据集使用深度学习的方法GloVe + LSTM1. 读取数据2. 加载GloVe词向量3. 搭建网络整体结构4. 设置训练参数5. 训练模型并验证6. 总结上一篇博客主要介绍了利用机器学习的方法进行垃圾邮件分类，主要使用的方法有：朴素贝叶斯、SVM、逻辑回归、RF、XGBoost、LightGBM。垃圾邮件分类的各种尝试(机器学习篇)如果对上一篇博客介绍的方法已经掌握，那这一篇博客将打开新的世界。本篇博客

文章目录数据集格式清洗数据集- 去掉停用词- 去掉URL- 去掉HTML标签- 去掉表情符号- 去掉特殊符号使用机器学习的方法朴素贝叶斯、SVM1.1 读取数据1.2 构造词频矩阵1.3 训练并预测1.4 利用其它特征(TF-IDF)逻辑回归(LR)随机森林(RF)XGBoostLightGBM总结垃圾邮件分类，作为初学者实践文本分类是一个不错的开始。文章将通过传统机器学习和深度学习的方法来解决分类问题。机器学习方法：朴素贝叶斯、SVM、逻辑回归、RF、XGBoost、LightGBM深度学习方法：(

最近在学习用BERT去做NER任务，利用经典模型BERT+BiLSTM+CRF。通过看源码，发现了estimator这个高级的API，通过修改estimator的tf.contrib.tpu.TPUEstimatorSpec来将CRF_decoder后的分数输出。具体细节，就不在介绍了，跑题了~~不过强烈推荐学习tf.estimator的教程：https://www.w3cschool.cn/...

在NLP分词操作中最给力的工具当属CRF++，首先这款工具是基于C++实现的。所以就得先检查一下自己的VisualStudio是否完好，是否还可以用。当然最好升级到2015以上版本，效果最佳！分享一个不错的CRF++地址：https://github.com/TATlong/CRF安装好CRF++后，进入python文件目录下（使用cmd进入目录）执行下边两条指令python set...