python__reported的博客

交叉熵的理解：理解交叉熵的时候勿引入熵的概念来理解

python__reported — Wed, 27 Oct 2021 13:11:42 +0800

交叉熵的理解：理解交叉熵的时候勿引入熵的概念来理解结论理解交叉熵的时候勿引入熵的概念来理解原因每当我试图交叉熵的时候，网上找的科普文章都会引入熵的概念，说要从熵的概念入手，然后感觉自己更加迷茫了。然后一堆名词就过来了，如信息量、熵、概率、相对熵、交叉熵等等理解但是其实完全不用管它，不用管熵这个概念，直接损失函数的目的出发。损失函数是寻找预测的标签与真实标签的差异，均方误差（MSE）、均方根误差（RMSE）、MAE(平均绝对误差)都是为了这一个目的。而交叉熵的log，也能实现这一

RTX3060适配的tensorflow

python__reported — Fri, 15 Oct 2021 22:42:56 +0800

RTX3060适配的tensorflowRTX3060及以上适配的tensorflow适宜人群原因魔改版tensorflow RTX3060及以上适配的tensorflow 适宜人群不适用tensorflow2.0以上，只使用tensorflow1.0版本原因 RTX3060以上版本最高支持cuda11.4 然而实际上只支持cuda11以上； cuda11以上不支持tensorflow<2.0 所以，用不了魔改版tensorflow 大佬范沅魔改了编译的是nvidia魔改版的tensorflo

深度学习的特征与标签的维度（keras)

python__reported — Thu, 22 Jul 2021 16:45:40 +0800

@TOC) 一、结论 Dense层维度要与标签维度一致，根据需要的一致；[1,2,3]对应0与[1,2,3]对应[5,6,8]即可。如文本分类，则标签不需要one-hot,dense层不需要TimeDistributed 因为文本分类 train_x(16656, 22) ，使得22个字的评论与标签0或者1,进行匹配，所以标签不需要one-hot,dense层不需要TimeDistributed 如中文分词，需要字与标签一一对应，标签one-hot，使得标签升维；TimeDistributed使得x与y维

appium安装使用问题（二）

python__reported — Mon, 19 Jul 2021 14:50:37 +0800

appium安装使用问题（二）一、问题Appium安装问题第二步：问题一：第三步：问题二：二、解决方法第一个问题解决方法第二个问题的解决方法三、环境变量配置完整图一、问题 Appium安装问题 appium绝对不能直接安装，原因下载太慢使用node.js下载要用appium就必须node.js, 下载node.js一路next的时候会有一个需要打勾的地方，注意不要打勾，因为这会安装python；当然对于还没有python的可以打勾勾上，如果有的就不要打勾其次，对于不想将npm包安装到系统盘的，需要

python运行加速的几种方式

python__reported — Sun, 11 Jul 2021 22:58:12 +0800

python运行加速的几种方式一、总结二、全面加速（pypy)二、减少文件的打开即with的调用三、if判断靠前一、总结 1、使用pypy 2、减少函数化调用 3、减少文件的打开即with的调用，将这一调用放在for循环前面，然后传递至后面需要用到的地方 4、if函数判断条件多的尽量在前面全面加速（pypy) 二、全面加速（pypy) 将python换为pypy,在纯python代码下，pypy的兼容性就不影响使用了，因为一些纯python的代码常常会用pypy进行一下加速测试代码，for循环1000

Keras.Backend的一些理解

python__reported — Sat, 10 Jul 2021 15:08:14 +0800

Keras.Backend的一些理解（备份）一、理解二、重要的一些backend函数（方法）一、理解我理解的深度学习层级由大到小为：Model>layer>函数，方法形成layer层，layer层形成model，keras.backend即后端，其实就是将深度学习向比layer更小的方法即函数下沉，更能实现灵活性；这里的方法即函数层，其实就是一些基本的数值处理方法，例如求均值的mean、求最大值的max，求点积的dot等，这些方法组合就可以形成一个layer,loss等基本的层。二、重要的

Seq2Seq(keras)的理解：关于encoder_model和decoder_model

python__reported — Sat, 03 Jul 2021 09:40:28 +0800

Seq2Seq_keras:关于encoder_model和decoder_model一、三个model（一）Seq2Seq之前的keras model:1、创建模型2、模型预测（二）Seq2Seq的keras model二、再次遇见seq2seq难点一：lstm难点二：return_sequences和return_state难点三：三个模型三、seq2seq全部代码一、三个model （一）Seq2Seq之前的keras model: 1、创建模型 # 多层感知机(MLP)模型 from keras.

RNN、self-attention、transform的浅显或许错误的理解

python__reported — Sat, 12 Jun 2021 22:32:24 +0800

RNN、self-attention、transform的浅显或许错误的理解一、RNN的理解二、self-attention的理解三、Transform的理解四、结语所有的理解都是基于我匮乏的数学知识，当成y = kx+b来理解一、RNN的理解刚开始学的时候看了很多文章，但是感觉都是云里雾里，要么是数学要么是各种没有说明白的图，但是看的多了以后看到《难以置信！LSTM和GRU的解析从未如此清晰（动图+视频）》《难以置信！LSTM和GRU的解析从未如此清晰（动图+视频）》.之后，有了自己简单但可能错误

法律领域中文分词

python__reported — Sat, 12 Jun 2021 09:40:28 +0800

法律领域中文分词一、结果对比1、jieba的分词效果2、训练模型的分词效果3、自训练模型原因二、自训练模型难点1、专业名词2、姓名隐去3、模糊词语4、解决办法三、自训练模型核心代码一、结果对比 1、jieba的分词效果 2、训练模型的分词效果 3、自训练模型原因如上所述，jieba分词在一般分词中效果还可以，但是在法律领域则不是那么准确，比如下面展示一些内联代码片。中级人民法院将中级人民法院拆开了，但是这不进行拆开应该会更好，法言法语中常常并不会“中级–停顿–人民法院，而是中级人民法院

帮师妹写的裁判文书内容提取程序：可做进一步提取模板

python__reported — Sat, 27 Feb 2021 22:10:52 +0800

帮师妹写的裁判文书内容提取：可做进一步提取模板一、提取结果二、提取内容三、代码一、提取结果二、提取内容需求内容为：被告、裁判文书案号、时间、地域、刑事强制措施、罪名、刑罚整体运用的技术：主要采取的是正则匹配，因为裁判文书的这些表述是存在一定的模式的，法言法语的要求是的语言表述一般比较固定；当然在被告名字处正则匹配可能会遗漏，于是通过pyhanlp实体识别进行了进一步的精确化遇到的一些问题：多主体不同罪名这一问题主要通过被告名称进行定位，如果名字在该段文字中且存在这一罪名，

Keras 生成器报错:Tensor object has no attrbute ‘assign‘

python__reported — Tue, 02 Feb 2021 13:47:24 +0800

Tensor has no attrbute assign一、keras生成器重心二、keras生成器三、报错一、keras生成器重心我是在使用keras生成器时出现了这个报错并引发后续一系列报错 keras生成器使用的是studyer_domi：《2020-12-11 keras通过model.fit_generator训练模型(节省内存)》链接: [l2020-12-11 keras通过model.fit_generator训练模型(节省内存)(https://blog.youkuaiyun.com/qingf

python+keras汉字单字语音识别

python__reported — Fri, 29 Jan 2021 22:13:58 +0800

python+keras单字语音识别一、两种思路二、代码更新三、汉字语音识别一、两种思路就当前学习所知，有两种语音识别的思路 1、将语音文件提取mfcc，即转为二维张量形式，然后进行dense全连接层叠层训练，当然这个也可以使用传统机器学习方法。转为二维张量格式为： 2、将语音文件提取mfcc转为三维张量形式即频谱图，然后进行cnn卷积神经网络训练，看了几个资料，这个似乎准确率更高，但是比较麻烦所以下文采取第一种方式进行尝试频谱图形式为：二、代码更新采取第一种思路的代码为大佬南方朗郎：《p

Keras实现NNLM神经网络语言模型

python__reported — Wed, 27 Jan 2021 13:57:09 +0800

Keras实现NNLM神经网络语言模型一、NNML的效果二、一些问题三、实现代码及解释四、最终效果一、NNML的效果较为权威的说法为：输入词序列，求出输出值的概率值，表示根据输入预测出下一个词概率。简单的说：预测下一个词实现效果：感觉与索引差不多，唯一不同可能是词向量的存在即索引该词的概率二、一些问题参照的文章为金多：《神经网络语言模型 NNLM (Keras实现）》链接: 神经网络语言模型 NNLM (Keras实现）. 总裁余(余登武)：《NNLM语言模型python实现（例子：基于中文语

关于可视化神经网络中间层的详细说明

python__reported — Sun, 10 Jan 2021 15:04:08 +0800

关于可视化神经网络中间层的详细说明一、对一些处理的意义的说明二、代码一、对一些处理的意义的说明 activation_model = models.Model(inputs=model.input, outputs=layer_outputs) #此处的inputs是之前导入的模型，model = load_model('...(解释：自己的模型）') # 特征图的形状（1，宽，高，n_features） size = layer_activation.shape[1] # n_cols定义一个

python《深度学习》keras基本理解

python__reported — Wed, 06 Jan 2021 18:17:10 +0800

python《深度学习》keras初步理解一、Sequential()二、层与神经元一、Sequential() from keras import models#构架模型 from keras import layers#神经网络层 from keras.datasets import imdb #其中imdb是电影评论数据集，但是被处理过，已被编码过了，所以只有index,而没有实际内容，需要进行转化 model = models.Sequential()#网络结构决定了假设空间，这是线性堆叠方式

python机器学习基础教程第七章Traceback (most recent call last):OSError: [E050] Can‘t find model ‘en‘.

python__reported — Sun, 03 Jan 2021 16:03:28 +0800

OSError: [E050] Can't find model 'en'.一、问题二、方法三、下载成功一、问题初次导入spacy的英语模型时报错： Traceback (most recent call last): File "... ...", line 12, in en_nlp = spacy.load('en') File "D:\Users\Administrator\AppData\Local\Programs\Python\Python37\lib\si

特征工程：交互特征与多项式特征理解

python__reported — Tue, 29 Dec 2020 22:53:59 +0800

特征工程：交互特征与多项式特征理解一、理解二、测试代码比较一、理解交互特征与多项式特征与数据预处理中的MinMaxScaler是相似的，都是对数据进行缩放处理缩放处理、交互特征与多项式特征都是对原始数据进行缩放，缩放意义在于使得权重与偏置更具有敏感性，更易对数据预测二、测试代码比较 from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split from sklearn.pre

python获取2020年国家统计局省市县三级数据

python__reported — Mon, 28 Dec 2020 12:27:42 +0800

python获取2020年国家统计局省市县三级数据一、数据来源二、获取思路三、完整代码四、成果四、获取地址一、数据来源国家统计局2020年最新的数据二、获取思路寻找url的规律所有省份页面： http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2020/index.html 城市页面： http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2020/11.html 失去页面： http://www.s

人脸识别与天网系统

python__reported — Sat, 31 Oct 2020 21:43:10 +0800

人脸识别与天网系统一、结果二、识别库三、实现代码一、结果识别对象第一个是名字，第二个是百度上的内容二、识别库 face_recognition 三、实现代码 class Face_recognition(): def __init__(self,pic,pics): self.pic = pic self.pics = pics self.name = "" def face_know(self,file): known_image = face_recogni

裁判文书上诉理由分类统计

python__reported — Sat, 31 Oct 2020 21:32:04 +0800

裁判文书上诉理由分类统计一、统计结果二、实现方法（一）裁判文书上诉理由提取1、分类标准2、裁判文书内容提取方式3、实现代码4、标签贴好后三、文本分类（一）文本分类源码来源（二）数据结构和修改的地方（三）预测过程四、结语一、统计结果对这12927份裁判文书进行清洗后，有效文书数量约为10858份，有效率约为84%。二、实现方法（一）裁判文书上诉理由提取 1、分类标准不认罪、罪名异议、量刑过重，量刑异议、程序瑕疵、其它。这一上诉理由分类的依据为罪名、量刑、程序。即犯罪嫌疑人被告人的上诉理由为一审事