qq_41654608的博客

https://stackoverflow.com/questions/65082243/dropout-argument-input-position-1-must-be-tensor-not-str-when-using-bert

1.batch_size调整batch_size调整小了的影响：区别：在于变化的趋势，一个快，一个慢。在显存能允许的情况下，同样epoch的树木，batchsize大的需要的batch数目减少，因此训练时间也减少了。大的batchsize梯度计算的更加稳定，模型的训练曲线可能会更加的平滑。微调的时候大的batchsize可能会取得更好的结果。模型性能但可能会下来。大的batchsize减少训练的时间，提高稳定性。小的batchsize引入随机性的机会大一些，具有更好地泛化能力，2.BN层 affi

--------------the relation is: org:dissolved ----------------org:dissolved关系下触发词数量为： 23 org:dissolved关系下的采样的样本数：23.relation_length 23 l_sample 2--------------the relation is: per:country_of_death ----------------per:country_of_death关系下触发词数量为： 6 per:cou

关于python迭代器元素的剥脱：remove涉及的反复寻址的问题，最终还是简单的逻辑append解决问题以下红框为改动之处：增加红框之前的输出：改动逻辑之后的输出：【总结】：正向逻辑行不通的时候往往要考虑逆向逻辑。...

2021-09-17实验记录今天主要核验了为什么data->example->features->tensor过程中从data到example的过程中数量会从1037、358、357对话数量中变成下图成倍的example的增长？改一次bertsf1c的for循环生成的结果：改两次for循环生成的结果：我的疑问：是不是评价f1c真的需要这么多特征train里面90350九万多examples。那么为什么会生成这么多特征呢？...

用的berts训练的模型：python evaluate.py --f1dev berts_f1/logits_dev.txt --f1test berts_f1/logits_test.txt --f1cdev berts_f1c/logits_dev.txt --f1ctest berts_f1c/logits_test.txt这实验结果我着实有点看不懂了奥test (P R F1) 0.38946723821187995 0.4167758846657929 0.402659069325736.

28号卡的默认cuda版本我没有升级到10.1，直接使用的上图版本如果出现问题再切换吧。因为~/.bashrc里面好像也没有添加CUDA的新环境变量。需要的时候，再切换版本吧。28卡上还有11的CUDA用的时候再切换吧...