'multiply' did not contain a loop with....

我要计算两个向量的余弦相似性,定义计算函数如下

#计算两个句向量的余弦相似性值
def cosine_similarity(vec1, vec2):
    a= np.array(vec1)
    b= np.array(vec2)
    cos1 = np.sum(a * b)
    cos21 = np.sqrt(sum(a ** 2))
    cos22 = np.sqrt(sum(b ** 2))
    cosine_value = cos1 / float(cos21 * cos22)
    return cosine_value

从文件读入已经训练好的词向量,格式如图所示
在这里插入图片描述

for doc_vec in doc_vec_f.readlines():
    temp = doc_vec.split()
    
    for i in range(len(temp)):
        if i==0:
            continue
        else:
            #print(type(temp[i]))
            doc_vec_one.append(temp[i])
    doc_vec_list.append(doc_vec_one)

将处理好的文档向量列表带入函数计算报错

ufunc 'subtract' did not contain a loop with signature matching types (dtype('<U1580'), dtype('<U1580')) -> dtype('<U1580')

因为np.array()的参数不能是string,查看temp[i]的类型是string,使用float(temp[i])转换为数值后,问题解决。

参考

https://stackoverflow.com/questions/59196051/numpy-core-exceptions-ufunctypeerror-ufunc-subtract-did-not-contain-a-loop-w

### NWD 损失函数的图表与可视化 对于YOLOv5中的`yolov5-NWD.py`文件,该文件实现了Wasserstein损失函数用于目标检测[^1]。然而,在提及NWD(假设为噪声到唤醒网络)时,并未找到直接关联于这种特定架构或方法下的损失函数图表或可视化的具体描述。 通常情况下,为了展示任何类型的损失函数的变化情况及其性能表现,可以采用如下几种常见的可视化方式: #### 1. 训练过程中的损失变化曲线图 通过记录训练过程中每轮迭代后的损失值,绘制出随着epoch增加而对应的平均损失下降趋势图。这有助于直观了解模型收敛速度以及是否存在过拟合等问题。 ```python import matplotlib.pyplot as plt def plot_loss_curve(epochs, losses): plt.figure(figsize=(8,6)) plt.plot(range(1, epochs+1), losses) plt.title('Training Loss Curve') plt.xlabel('Epochs') plt.ylabel('Loss Value') plt.grid(True) plt.show() ``` #### 2. 不同超参数设置下对比分析图 当调整某些关键性的超参数比如学习率、正则项系数等之后,可以通过多条不同颜色或者样式的折线来比较它们各自带来的影响效果差异。 #### 3. 测试集上预测结果分布直方图 除了关注整体上的数值指标外,还可以针对测试样本生成其真实标签和预测得分之间的差距统计图形,以此评估模型泛化能力的好坏程度。 由于当前关于NWD的具体定义不够清晰,上述建议更多基于一般意义上的机器学习项目实践给出。如果确实存在名为"NWD"的独特技术方案,则可能需要查阅更专业的资料源获取针对性更强的信息。
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