- 博客(7)
- 收藏
- 关注
RSS订阅原创 vscode里的powershell报错Invoke-Expression: Cannot bind argument to parameter ‘Command‘ because...
最后AI说可能是powershell版本与conda版本问题。我的vscod中powershell的版本是。更新conda到24.11.3，问题解决。conda版本是24.5.0。试了很多方法，都不行。
2025-11-13 12:20:51
87
翻译 【翻译】Learning to Progressively Recognize New Named Entities with Sequence to Sequence Models
在本文中，我们提出使用序列到序列模型进行命名实体识别（NER），并探索了这种模型在渐进式NER设置（迁移学习（TL）设置）中的有效性。我们在源数据上训练一个初始模型，并将其转换为一个模型，该模型可以在源数据不再可用时在后续步骤中识别目标数据中的新NE类别。我们的解决方案包括：（i）重塑和重新参数化第一个学习模型的输出层，以识别新的NE；（ii）保持架构的其余部分不变，以便用从初始模型传输的参数对其进行初始化；以及（iii）根据目标数据对网络进行微调。
2025-04-10 11:33:55
115
翻译 【翻译】用于序列标记的双向LSTM-CRF模型
在这篇论文中，我们提出了各种基于长短期记忆（LSTM）的序列标记模型。这些模型包括LSTM网络、双向LSTM（BI-LSTM）网络、具有条件随机场（CRF）层的LSTM（LSTM-CRF）和具有CRF层的双向LSTM。我们的工作是首次将双向LSTM CRF（表示为BI-LSTM-CRF）模型应用于NLP基准序列标记数据集。我们证明，由于双向LSTM组件，BILSTM-CRF模型可以有效地使用过去和未来的输入特征。由于CRF层，它还可以使用句子级标签信息。
2025-04-08 19:39:19
203
翻译 【翻译】通过双向LSTM-CNNs-CRF进行端到端序列标记
最先进的序列标记系统传统上需要大量的任务特定知识，如手工特征和数据预处理。本文介绍了一种新的神经网络架构，该架构通过使用双向LSTM、CNN和CRF的组合，自动从单词和字符级表示中受益。我们的系统是真正的端到端，不需要特征工程或数据预处理，因此适用于广泛的序列标记任务。我们在两个序列标记任务的两个数据集上评估了我们的系统——用于词性（POS）标记的Penn Treebank WSJ语料库和用于命名实体识别（NER）的CoNLL 2003语料库。
2025-04-08 15:20:01
111
翻译 【翻译】利用知识图谱提高RAG应用程序的准确性
我们已经成功实现了RAG的检索组件。接下来，我们引入一个prompt，利用集成混合检索器提供的上下文来产生响应，从而完成RAG链。
2025-03-04 19:36:33
156
原创 使用FFmpeg将视频转换为音频
FFmpeg 是一套可以用来记录、转换数字音频、视频，并能将这些音视频转化为流的开源计算机程序。可以实现以下功能：视频采集、格式转换、视频编辑、音频处理等。本文主要介绍如何使用FFmpeg将.MP4等视频文件转换为.MP3、.M4A等音频文件。
2025-03-04 15:52:05
1374
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人