<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Pengwill's Blog]]></title><description><![CDATA[一百年太短，只争朝夕]]></description><link>https://blog.youkuaiyun.com/pengwill97</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; pengwill97]]></copyright><item><title><![CDATA[Microsoft Office Word 2016关闭时无响应卡顿的解决方法]]></title><link>https://blog.youkuaiyun.com/pengwill97/article/details/107602941</link><guid>https://blog.youkuaiyun.com/pengwill97/article/details/107602941</guid><author>pengwill97</author><pubDate>Mon, 27 Jul 2020 00:22:23 +0800</pubDate><description><![CDATA[1. 在控制面板中找到Microsoft office

2. 右键单击选择更改

3. 尝试 Quick Rapair

4. 等待修复
如果Quick Rapair修复完成还没有解决问题，选择Online repair，再尝试。

]]></description><category></category></item><item><title><![CDATA[Deep Learning with Pytorch 中文简明笔记 第八章 Using convolutions to generalize]]></title><link>https://blog.youkuaiyun.com/pengwill97/article/details/107602850</link><guid>https://blog.youkuaiyun.com/pengwill97/article/details/107602850</guid><author>pengwill97</author><pubDate>Mon, 27 Jul 2020 00:16:06 +0800</pubDate><description><![CDATA[Deep Learning with Pytorch 中文简明笔记 第八章 Using convolutions to generalize
Pytorch作为深度学习框架的后起之秀，凭借其简单的API和简洁的文档，收到了越来越多人的关注和喜爱。本文主要总结了 Deep Learning with Pytorch 一书第八章[Using convolutions to generalize]的主要内容，并加以简单明了的解释，作为自己的学习记录，也供大家学习和参考。
文章目录Deep Learning wit]]></description><category></category></item><item><title><![CDATA[Deep Learning with Pytorch 中文简明笔记 第七章 Telling birds from airplanes: Learning from images]]></title><link>https://blog.youkuaiyun.com/pengwill97/article/details/107582492</link><guid>https://blog.youkuaiyun.com/pengwill97/article/details/107582492</guid><author>pengwill97</author><pubDate>Sat, 25 Jul 2020 18:05:48 +0800</pubDate><description><![CDATA[Deep Learning with Pytorch 中文简明笔记 第七章 Telling birds from airplanes: Learning from images
Pytorch作为深度学习框架的后起之秀，凭借其简单的API和简洁的文档，收到了越来越多人的关注和喜爱。本文主要总结了 Deep Learning with Pytorch 一书第七章[Telling birds from airplanes: Learning from images]的主要内容，并加以简单明了的解释，作为自己的学]]></description><category></category></item><item><title><![CDATA[Deep Learning with Pytorch 中文简明笔记 第六章 Using a neural network to fit the data]]></title><link>https://blog.youkuaiyun.com/pengwill97/article/details/107580063</link><guid>https://blog.youkuaiyun.com/pengwill97/article/details/107580063</guid><author>pengwill97</author><pubDate>Sat, 25 Jul 2020 15:58:57 +0800</pubDate><description><![CDATA[Deep Learning with Pytorch 中文简明笔记 第六章 Using a neural network to fit the data
Pytorch作为深度学习框架的后起之秀，凭借其简单的API和简洁的文档，收到了越来越多人的关注和喜爱。本文主要总结了 Deep Learning with Pytorch 一书第六章[Using a neural network to fit the data]的主要内容，并加以简单明了的解释，作为自己的学习记录，也供大家学习和参考。
文章目录Deep ]]></description><category></category></item><item><title><![CDATA[Deep Learning with Pytorch 中文简明笔记 第五章 The mechanics of learning]]></title><link>https://blog.youkuaiyun.com/pengwill97/article/details/107571163</link><guid>https://blog.youkuaiyun.com/pengwill97/article/details/107571163</guid><author>pengwill97</author><pubDate>Fri, 24 Jul 2020 22:49:27 +0800</pubDate><description><![CDATA[Pytorch作为深度学习框架的后起之秀，凭借其简单的API和简洁的文档，收到了越来越多人的关注和喜爱。本文主要总结了 Deep Learning with Pytorch 一书第五章[The mechanics of learning]的主要内容，并加以简单明了的解释，作为自己的学习记录，也供大家学习和参考。
文章目录主要内容1. 一个永恒的建模课程2. 学习就是参数估计3. 我们所需要的是更小的误差4. 沿着梯度下降5. Pytorch的自动求导和反向传播5.1 自动计算梯度5.2 优化器5.3 训练和]]></description><category></category></item><item><title><![CDATA[Deep Learning with Pytorch 中文简明笔记 第四章 Real-world data representation using tensors]]></title><link>https://blog.youkuaiyun.com/pengwill97/article/details/107567255</link><guid>https://blog.youkuaiyun.com/pengwill97/article/details/107567255</guid><author>pengwill97</author><pubDate>Fri, 24 Jul 2020 18:27:50 +0800</pubDate><description><![CDATA[Deep Learning with Pytorch 中文简明笔记 第四章 Real-world data representation using tensors
Pytorch作为深度学习框架的后起之秀，凭借其简单的API和简洁的文档，收到了越来越多人的关注和喜爱。本文主要总结了 Deep Learning with Pytorch 一书第四章[Real-world data representation using tensors]的主要内容，并加以简单明了的解释，作为自己的学习记录，也供大家学习和参]]></description><category></category></item><item><title><![CDATA[Deep Learning with Pytorch 中文简明笔记 第三章 It starts with a tensor]]></title><link>https://blog.youkuaiyun.com/pengwill97/article/details/107502365</link><guid>https://blog.youkuaiyun.com/pengwill97/article/details/107502365</guid><author>pengwill97</author><pubDate>Wed, 22 Jul 2020 00:51:43 +0800</pubDate><description><![CDATA[Deep Learning with Pytorch 中文简明笔记 第三章 Tensor
Pytorch作为深度学习框架的后起之秀，凭借其简单的API和简洁的文档，收到了越来越多人的关注和喜爱。本文主要总结了 Deep Learning with Pytorch 一书第三章[It starts with a tensor]的主要内容，并加以简单明了的解释，作为自己的学习记录，也供大家学习和参考。
文章目录Deep Learning with Pytorch 中文简明笔记 第三章 Tensor1. 主要内容2]]></description><category></category></item><item><title><![CDATA[知识图谱表示学习 TransH: Knowledge Graph Embedding by Translating on Hyperplanes]]></title><link>https://blog.youkuaiyun.com/pengwill97/article/details/106975499</link><guid>https://blog.youkuaiyun.com/pengwill97/article/details/106975499</guid><author>pengwill97</author><pubDate>Fri, 26 Jun 2020 22:00:56 +0800</pubDate><description><![CDATA[知识图谱表示学习 TransH: Knowledge Graph Embedding by Translating on Hyperplanes
表示学习是深度学习的基础，将数据用更有效的方式表达出来，才能让深度学习发挥出更强大的作用。表示学习避免了手动提取数据特征的繁琐，允许计算机学习特征的同时，也学习如何提取特征。尽管举例基于翻译（translation）的知识图谱表示学习已经过去了五六年的时间，但是仍不可忽略其重要意义。本文聚焦于TransH模型。
1. 摘要和引言
TransE模型简单有效的方法，在]]></description><category></category></item><item><title><![CDATA[知识图谱表示学习 TransE: Translating Embeddings for Modeling Multi-relational Data]]></title><link>https://blog.youkuaiyun.com/pengwill97/article/details/106942719</link><guid>https://blog.youkuaiyun.com/pengwill97/article/details/106942719</guid><author>pengwill97</author><pubDate>Wed, 24 Jun 2020 18:43:07 +0800</pubDate><description><![CDATA[知识图谱表示学习 TransE: Translating Embeddings for Modeling Multi-relational Data
表示学习是深度学习的基础，将数据用更有效的方式表达出来，才能让深度学习发挥出更强大的作用。表示学习避免了手动提取数据特征的繁琐，允许计算机学习特征的同时，也学习如何提取特征。尽管举例基于翻译（translation）的知识图谱表示学习已经过去了五六年的时间，但是仍不可忽略其重要意义。本文聚焦于TransE模型。
1. 引言
多元关系数据（Multi-relat]]></description><category></category></item><item><title><![CDATA[CS224n 深度自然语言处理(四) Note - Backpropagation and computation graphs]]></title><link>https://blog.youkuaiyun.com/pengwill97/article/details/106561986</link><guid>https://blog.youkuaiyun.com/pengwill97/article/details/106561986</guid><author>pengwill97</author><pubDate>Fri, 05 Jun 2020 00:47:30 +0800</pubDate><description><![CDATA[本文为笔者学习CS224N所做笔记，所包含内容不限于课程课件和讲义，还包括笔者对机器学习、神经网络的一些理解。所写内容难免有难以理解的地方，甚至可能有错误。如您在阅读中有疑惑或者建议，还望留言指正。笔者不胜感激！
在本章中，将着重讨论以下内容：

如何更新神经网络参数？
以何种形式保存更新结构？
搭建和训练神经网络的技巧.

梯度和导数
上一章提到，应该最小化损失函数。损失函数的参数是神经网络参数，由于梯度的方向是函数上升最快的方向，故若想最小化损失函数，应该按负梯度方向更新参数，即梯度下降。而为了求解损失]]></description><category></category></item><item><title><![CDATA[TensorFlow出现Found Inf or NaN global norm的排查和解决办法]]></title><link>https://blog.youkuaiyun.com/pengwill97/article/details/106416872</link><guid>https://blog.youkuaiyun.com/pengwill97/article/details/106416872</guid><author>pengwill97</author><pubDate>Fri, 29 May 2020 00:42:22 +0800</pubDate><description><![CDATA[在训练神经网络的时候，由于一些原因会出现NaN或者Inf，致使训练终止。在查阅相关资料之后，并且结合我出现的问题，做了一些总结。出现的代码在TensorFlow 1.12.2版本可正常执行。
出现问题的原因
出现NaN或者Inf的原因一般可分为以下三种

输入数据有错
出现了运算错误，如除数为零，log0等
梯度爆炸

输入数据有错
训练数据可能包含脏数据，在数据清洗时没有清洗干净，导致错误数据输入进模型。首先可以在输入模型前，使用np.any(np.isnan(data))来判断数据是否由nan。若没有，]]></description><category></category></item><item><title><![CDATA[CS224n 深度自然语言处理(三) Note - Word Window Classification, Neural Networks]]></title><link>https://blog.youkuaiyun.com/pengwill97/article/details/106365045</link><guid>https://blog.youkuaiyun.com/pengwill97/article/details/106365045</guid><author>pengwill97</author><pubDate>Tue, 26 May 2020 21:08:05 +0800</pubDate><description><![CDATA[本文为笔者学习CS224N所做笔记，所包含内容不限于课程课件和讲义，还包括笔者对机器学习、神经网络的一些理解。所写内容难免有难以理解的地方，甚至可能有错误。如您在阅读中有疑惑或者建议，还望留言指正。笔者不胜感激！
分类问题
一般而言，训练数据由训练样本{xi,yi}i=1N\{x_i,y_i\}^{N}_{i=1}{xi​,yi​}i=1N​组成。xix_ixi​表示输入（假定每个样本的维度为ddd），yiy_iyi​表示类别（假定有CCC个类别）。
线性分类器
在传统的机器学习方法中，对于训练样本，训练逻]]></description><category></category></item><item><title><![CDATA[数据结构实验5-哈夫曼编码]]></title><link>https://blog.youkuaiyun.com/pengwill97/article/details/79428830</link><guid>https://blog.youkuaiyun.com/pengwill97/article/details/79428830</guid><author>pengwill97</author><pubDate>Tue, 14 Apr 2020 18:25:52 +0800</pubDate><description><![CDATA[实验内容
程序代码
运行结果





实验内容

某报文中共出现abdeoy  等6个字符，各字符出现频度依次为12 6 4 1 2 8。要求：


实现哈弗曼编码算法，对这6个字符求出各自的编码；
实现哈弗曼译码算法，对给定的一组编码（110011111101110110），译出其对应的报文部分 。




程序代码



#include &amp;lt;iostream&amp;gt;
#includ...]]></description><category></category></item><item><title><![CDATA[CS224n 深度自然语言处理(二) Note -  Word Vectors 2 and Word Senses]]></title><link>https://blog.youkuaiyun.com/pengwill97/article/details/105518027</link><guid>https://blog.youkuaiyun.com/pengwill97/article/details/105518027</guid><author>pengwill97</author><pubDate>Tue, 14 Apr 2020 18:19:44 +0800</pubDate><description><![CDATA[文章目录Global Vectors for Word Representation(GloVe)Comparison with Previous MethodsCo-occurrence MatrixLeast Square ObjectiveConclusionEvaluation of Word VectorsInstrinsic EvalutionExtrinsic EvaluationI...]]></description><category></category></item><item><title><![CDATA[CS224n 深度自然语言处理(一) - Introduction and Word Vectors]]></title><link>https://blog.youkuaiyun.com/pengwill97/article/details/105438694</link><guid>https://blog.youkuaiyun.com/pengwill97/article/details/105438694</guid><author>pengwill97</author><pubDate>Fri, 10 Apr 2020 17:49:00 +0800</pubDate><description><![CDATA[单词的含义
如何定义一个单词的意思？通过韦伯字典对于单词”meaning"的解释来看，有如下几点

单词或者短语呈现的意思。
人想要通过短语、符号表达的实际含义。
文章、艺术作品呈现的想法。

故最普通对meaning的理解，其实是表示符号（symbol）向想法（idea）的转换。
如何在计算机中计算语义。可以使用，wordnet，一个包含同义词集合和词间关系的词库。

但是WordNet仍有缺点...]]></description><category></category></item><item><title><![CDATA[Deep-IRT: Make Deep Learning Based Knowledge Tracing Explainable Using Item Response Theory]]></title><link>https://blog.youkuaiyun.com/pengwill97/article/details/104073277</link><guid>https://blog.youkuaiyun.com/pengwill97/article/details/104073277</guid><author>pengwill97</author><pubDate>Wed, 22 Jan 2020 22:45:21 +0800</pubDate><description><![CDATA[Deep-IRT: Make Deep Learning Based Knowledge Tracing Explainable Using Item Response Theory
Student Ability and Difficulty Networks
DKVMN\text{DKVMN}DKVMN的模型架构可以被很容易的增强，进一步提供其他的有意义的信息。首先，每个潜在知识点的状态可以被...]]></description><category></category></item><item><title><![CDATA[Dynamic Key-Value Memory Networks for knowledge Tracing]]></title><link>https://blog.youkuaiyun.com/pengwill97/article/details/104073261</link><guid>https://blog.youkuaiyun.com/pengwill97/article/details/104073261</guid><author>pengwill97</author><pubDate>Wed, 22 Jan 2020 22:42:53 +0800</pubDate><description><![CDATA[Dynamic Key-Value Memory Networks for knowledge Tracing
Memory-Augmented Neural Networks
MANN\text{MANN}MANN是一种用于多种NLP任务的网络结构，例如问答系统，自然语言翻译、单样本学习。
典型的模型包括两部分：存储信息的记忆矩阵和和外界进行读写交换的控制器。读写操作通过attention\te...]]></description><category></category></item><item><title><![CDATA[Python内置库collections使用集锦]]></title><link>https://blog.youkuaiyun.com/pengwill97/article/details/103843881</link><guid>https://blog.youkuaiyun.com/pengwill97/article/details/103843881</guid><author>pengwill97</author><pubDate>Sun, 05 Jan 2020 16:58:33 +0800</pubDate><description><![CDATA[collections中有以下类




Class name
Description




namedtuple
用于创建具有命名字段的元组子类的工厂函数


deque
类似列表的容器，两端都有快速追加和弹出


ChainMap
类似于dict的类，用于创建多个映射的单个视图


Counter
用于计算可哈希对象的dict子类


OrderedDict
记住元素添加顺序的dict子类
...]]></description><category></category></item><item><title><![CDATA[Google Colab 挂载 Google Drive]]></title><link>https://blog.youkuaiyun.com/pengwill97/article/details/103752799</link><guid>https://blog.youkuaiyun.com/pengwill97/article/details/103752799</guid><author>pengwill97</author><pubDate>Sun, 29 Dec 2019 13:17:50 +0800</pubDate><description><![CDATA[Step1
启动notebook，执行以下代码
from google.colab import drive
drive.mount('/content/gdrive')

在文本框中输入连接中的验证码
Step2
在左侧文件中查看目录结构，gdrive所在的目录是/content/gdrive

Step3
使用如下代码进入项目目录
!ls
import os
os.chdir('/conten...]]></description><category></category></item><item><title><![CDATA[NLP(1) - 使用gensim训练Word2vec]]></title><link>https://blog.youkuaiyun.com/pengwill97/article/details/103649084</link><guid>https://blog.youkuaiyun.com/pengwill97/article/details/103649084</guid><author>pengwill97</author><pubDate>Sat, 21 Dec 2019 22:11:11 +0800</pubDate><description><![CDATA[文章目录Word2vec第三方库gensimnltk训练Word2vec语料库(corpus)预处理使用gensim训练读取Word2vecCode参考
Word2vec
在NLP中，想要处理文本，避不开的问题就是如何表示词。在Word2vec出现之前，词以one-hot形式的编码表示，即一个词由一个仅包含0或1的向量表示，出现的单词位置置为1，其余单词位置置为0。这样的编码方式有一些缺点，其中之...]]></description><category></category></item></channel></rss>