perl学习记录

  1. perl语言是语言学家发明的。带有很强的自然语言的特点,编程时要看上下文;不像其它语言有很强的数学味。
  2. perl里主要有$scalar, @array, %hash三种类型。三种类型在需要的上下文中,可以互相转化。
  3. perl里重量级的撒手锏,就是正则表达式。

1. perl的代码中,常常要根据上下文来判断其具体含义。

有$_表示当前上下文的信息。在函数中,@_表示函数参数信息。

有了上下文之后,一些默认参数是上下文的,就可以省略参数。

$_='aabbcccd1f';
s/c+(d+)/o$1/;
print;


2. 用$表示scalar,用@表示数组,用%表示散列。可以用小括号将一组数据括起来,组成list。

my @infos = ( "aaa", "a9", 89 );
my ($name,$type,$score) = @infos;
my %hash = (
k1 => "value1",
k2 => "value2",
);
print "name=",$name,"type=",$type,"score=",$score,"\n";
print join(', ',values %hash),"\n";

取数据长度直接用@array。取最后一个索引用$#array

for和foreach是互通的。

除了if,while,还有否定式的unless和until

对数组进行过滤的map、grep等功能。

my @infos = ("aaa", "a9", "b23", "j31");
my @a = grep { /^a/ } @infos;

my @scores = (1, 23, 53, 62, 12);
my @double = map { $_ * 2 } @scores;

print join ' ',@a,"\n";

print join ' ',@double,"\n";
数值列举:

my @serial = (1..100);
字符串(数据)引用:使用q,qq,qw

注意使用时里面不再需要逗号分隔

my $str = q#a string "with" 'quote'#;
my $str2 = qq(a string with "quote" \n);
print($str);
print("\n==========\n");
print($str2);
注意上面代码中的换行符的输出

qw用于输出一个列表。如上例中的

my @infos = ("aaa", "a9", "b23", "j31");
#二者等价
my @infos = qw(aaa a9 b23 j31);
3. 正则表达式

perl正则表达式与grep、awk等相比,多了一些内容。例如

\d           数字,和[0-9]一样
\w          字符,和 [a-zA-Z0-9] 语法一样 
(?:xxx)   不捕获的匹配
(?=xxx)  测试匹配,不消耗字符。
(?!xxx)   不匹配测试。如foo(?!bar),不会匹配foobar





资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值