<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[sinat_35456607的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/sinat_35456607</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; sinat_35456607]]></copyright><item><title><![CDATA[使用h5 drag api 实现拖动]]></title><link>https://blog.youkuaiyun.com/sinat_35456607/article/details/127691937</link><guid>https://blog.youkuaiyun.com/sinat_35456607/article/details/127691937</guid><author>sinat_35456607</author><pubDate>Fri, 04 Nov 2022 21:15:00 +0800</pubDate><description><![CDATA[使用h5 drag api 实现元素拖动]]></description><category></category></item><item><title><![CDATA[echarts实现复合饼图]]></title><link>https://blog.youkuaiyun.com/sinat_35456607/article/details/127617475</link><guid>https://blog.youkuaiyun.com/sinat_35456607/article/details/127617475</guid><author>sinat_35456607</author><pubDate>Tue, 01 Nov 2022 19:32:57 +0800</pubDate><description><![CDATA[echarts实现复合饼图]]></description><category></category></item><item><title><![CDATA[Linux本地系统安装（三）互联网访问另外一台电脑上的虚拟机Linux]]></title><link>https://blog.youkuaiyun.com/sinat_35456607/article/details/103548700</link><guid>https://blog.youkuaiyun.com/sinat_35456607/article/details/103548700</guid><author>sinat_35456607</author><pubDate>Sun, 15 Dec 2019 15:16:41 +0800</pubDate><description><![CDATA[互联网访问另外一台电脑上的虚拟机Linux]]></description><category></category></item><item><title><![CDATA[Linux本地系统安装（二）局域网访问另外一台电脑上的虚拟机Linux]]></title><link>https://blog.youkuaiyun.com/sinat_35456607/article/details/103547124</link><guid>https://blog.youkuaiyun.com/sinat_35456607/article/details/103547124</guid><author>sinat_35456607</author><pubDate>Sun, 15 Dec 2019 14:49:27 +0800</pubDate><description><![CDATA[Linux本地系统安装（二）局域网访问另外一台电脑上的虚拟机Linux
通过前面的方式，只能在本机通过xshell连接到虚拟机，其他机器访问不了
局域网中其他机器访问虚拟机
如果需要其他机器访问另外一台装有虚拟机的linux服务，需要保证在同一个局域网下。
虚拟机设置
原本的虚拟机网络设置是 NAT。
为了能让局域网中的其他电脑能连傻姑娘虚拟机。需要将网络设置成桥接模式

然后重启虚拟机，通过if...]]></description><category></category></item><item><title><![CDATA[Linux本地系统安装（一）虚拟机安装]]></title><link>https://blog.youkuaiyun.com/sinat_35456607/article/details/103544865</link><guid>https://blog.youkuaiyun.com/sinat_35456607/article/details/103544865</guid><author>sinat_35456607</author><pubDate>Sun, 15 Dec 2019 11:31:08 +0800</pubDate><description><![CDATA[Linux本地系统安装（一）虚拟机安装
安装虚拟机
软件：vmware
版本：VMware-workstation-full-10.0.3-1895310 
安装方式：跟着导航，选择安装目录，一直点击下一步即可。
安装镜像文件
suse : SLE-12-Server-DVD-x86_64-GM-DVD1.iso
ubuntu : ubuntu-16.04-desktop-amd64.iso。因为...]]></description><category></category></item><item><title><![CDATA[tensorflow实践-LeNet-5模型处理mnist手写数字识别]]></title><link>https://blog.youkuaiyun.com/sinat_35456607/article/details/103206201</link><guid>https://blog.youkuaiyun.com/sinat_35456607/article/details/103206201</guid><author>sinat_35456607</author><pubDate>Fri, 22 Nov 2019 19:33:58 +0800</pubDate><description><![CDATA[LeNet-5模型处理mnist手写数字识别
模型结构定义
tf_conv_sample.py
# -*- coding: utf-8 -*-
"""
Created on Tue Oct 15 16:23:00 2019

@author: JustMo
"""

'''
实现简单卷积网络LeNet-5模型
lenet-5总共有7层（conv,pool,conv,pool,dense,dense...]]></description><category></category></item><item><title><![CDATA[文本表示（五）短语的分布式表示]]></title><link>https://blog.youkuaiyun.com/sinat_35456607/article/details/103017807</link><guid>https://blog.youkuaiyun.com/sinat_35456607/article/details/103017807</guid><author>sinat_35456607</author><pubDate>Mon, 11 Nov 2019 21:52:32 +0800</pubDate><description><![CDATA[短语的分布式表示
短语的分布式表示学习方法分为两种：一是视短语为不可分割的独立语义单位，然后基于分布式假说学习短语的语义向量表示；二是认为短语的语义由词组合而成，关键是学习词和词之间的语义组合方式。
因为短语出现的频率很低，所以如果将短语视为一个不可分割的独立语义单位，那么将没有足够频率的语料来训练短语向量，所以第一种方式就不可行了。基于组合语义的短语表示学习是一种更加合理的方法。
基于词袋的分布...]]></description><category></category></item><item><title><![CDATA[文本表示（四）字词混合的分布式表示方法]]></title><link>https://blog.youkuaiyun.com/sinat_35456607/article/details/102943500</link><guid>https://blog.youkuaiyun.com/sinat_35456607/article/details/102943500</guid><author>sinat_35456607</author><pubDate>Wed, 06 Nov 2019 21:19:34 +0800</pubDate><description><![CDATA[字词混合的分布式表示方法
前面的方法都是基于分布式假说来进行的建模，而基于分布式假说的词向量表示学习需要足够的上下文信息来捕捉一个词的语义，也就是要求词出现的频率足够高。但是根据齐夫定律，绝大多数的词在语料中很少出现，对于这些词，无法依据分布式假说来获得高质量的词向量表示。
前面利用的是词来进行的建模，但是词并不是最小的语言单位，词是由字或字符构成的。所以也可以使用字或字符来进行语义的研究。
定义...]]></description><category></category></item><item><title><![CDATA[文本表示（三）CBOW模型和Skip-gram模型]]></title><link>https://blog.youkuaiyun.com/sinat_35456607/article/details/102904811</link><guid>https://blog.youkuaiyun.com/sinat_35456607/article/details/102904811</guid><author>sinat_35456607</author><pubDate>Mon, 04 Nov 2019 21:17:33 +0800</pubDate><description><![CDATA[CBOW模型和Skip-gram模型
在前面提到的神经网络语言模型、c&amp;W模型，都没有缺少隐藏层，而模型运算的高消耗都在输入层到隐藏层的矩阵运算中，如果能减少这部分开销，那么模型会更加高效。而CBOW模型和Skip-gram模型就属于这一类模型。
CBOW模型
CBOW模型的思想与c&amp;w模型的思想类似：输入上下文词语，预测中心目标词。
与c&amp;w模型以优化正样本与负样本之间的...]]></description><category></category></item><item><title><![CDATA[文本表示（二）c&w模型]]></title><link>https://blog.youkuaiyun.com/sinat_35456607/article/details/102846488</link><guid>https://blog.youkuaiyun.com/sinat_35456607/article/details/102846488</guid><author>sinat_35456607</author><pubDate>Thu, 31 Oct 2019 21:39:06 +0800</pubDate><description><![CDATA[文本表示（二）
c&amp;w模型
在前面提到的神经网络语言模型中，词向量只是一个副产品，并不是核心任务（它主要训练了一个用来度量语言流畅程度的模型，其中词向量是它中间产品），而且神经网络模型中的矩阵运算操作会极大的降低模型的训练效率。
所以如果目标只是学习词向量的话，可以没必要采用语言模型的方式，而可以直接从分布式假说的角度来设计模型和目标函数，c&amp;w模型就是直接以学习和优化词向量为最终...]]></description><category></category></item><item><title><![CDATA[文本表示（一）神经网络语言模型]]></title><link>https://blog.youkuaiyun.com/sinat_35456607/article/details/102788352</link><guid>https://blog.youkuaiyun.com/sinat_35456607/article/details/102788352</guid><author>sinat_35456607</author><pubDate>Mon, 28 Oct 2019 22:03:58 +0800</pubDate><description><![CDATA[文本的表示
因为文本是由文字、标点组成的，但是计算机并不能高效的处理真实的文本；为了解决这种问题，就需要一种形式化的方法来表示真实文本。通常将文本转换为向量进行表示。
向量空间模型
向量空间模型(vector space model,VSM)是一种最简单的文本表示方法。
VSM假设文档符合：a、各特征项tit_iti​不重复；b、各特征项没有顺序关系。在这两个假设下可以把所有的特征项t1,...,...]]></description><category></category></item><item><title><![CDATA[tensorflow-模型持久化(ckpt)]]></title><link>https://blog.youkuaiyun.com/sinat_35456607/article/details/102548591</link><guid>https://blog.youkuaiyun.com/sinat_35456607/article/details/102548591</guid><author>sinat_35456607</author><pubDate>Mon, 14 Oct 2019 18:09:02 +0800</pubDate><description><![CDATA[（以下 tensorflow 简写为 tf）
模型持久化-保存
通过将 tf 训练的模型保存到文件中，方便模型在预测时选择模型进行预测。
保存方式
tf 中通过使用 tf.train.Saver 类，调用其 save 方法将模型进行保存
实现方式如下：
# -*- coding: utf-8 -*-
"""
Created on Mon Oct 14 14:22:02 2019

@author:...]]></description><category></category></item><item><title><![CDATA[tensorflow实践-mnist数字识别（2）]]></title><link>https://blog.youkuaiyun.com/sinat_35456607/article/details/102463868</link><guid>https://blog.youkuaiyun.com/sinat_35456607/article/details/102463868</guid><author>sinat_35456607</author><pubDate>Wed, 09 Oct 2019 16:23:33 +0800</pubDate><description><![CDATA[tensorflow实践-mnist数字识别 系列2]]></description><category></category></item><item><title><![CDATA[tensorflow实践-mnist数字识别（1）]]></title><link>https://blog.youkuaiyun.com/sinat_35456607/article/details/101023795</link><guid>https://blog.youkuaiyun.com/sinat_35456607/article/details/101023795</guid><author>sinat_35456607</author><pubDate>Thu, 19 Sep 2019 15:22:24 +0800</pubDate><description><![CDATA[tensorflow 入门 mnist手写数字识别-系列1]]></description><category></category></item></channel></rss>