<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[wf19971210的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/wf19971210</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; wf19971210]]></copyright><item><title><![CDATA[Prompt进行情感分类-Pytorch实现]]></title><link>https://blog.youkuaiyun.com/wf19971210/article/details/120543015</link><guid>https://blog.youkuaiyun.com/wf19971210/article/details/120543015</guid><author>wf19971210</author><pubDate>Wed, 29 Sep 2021 12:22:27 +0800</pubDate><description><![CDATA[Prompt进行情感分类-Pytoch实现数据步骤代码结果
数据
数据为推特评论数据集
步骤
1.选择模板。模板可以放在前面或者后面，本文以“It was ().”作为模板，并放在原始句子的前面。
2.设计输入。模型的输入将成为“It was (). your sentence.”，我们将其转换为序列的形式同时将括号中的空字符变为“Mask”。
3.设计标签。在训练的时候，我们采取MLM损失作为最终的目标。目的是预测Mask是什么词，若是good则情感极性为正面，若是bad则情感极性为负面。因为我们的标签其]]></description><category></category></item><item><title><![CDATA[Pytorch实现有监督对比学习损失函数]]></title><link>https://blog.youkuaiyun.com/wf19971210/article/details/116715880</link><guid>https://blog.youkuaiyun.com/wf19971210/article/details/116715880</guid><author>wf19971210</author><pubDate>Wed, 12 May 2021 17:39:14 +0800</pubDate><description><![CDATA[Pytorch实现有监督对比学习损失函数关于对比损失Pytorch实现有监督对比损失END
关于对比损失
无监督对比损失，通常视数据增强后的图像与原图像互为正例。而对于有监督对比损失来说，可以将同一batch中标签相同的视为正例，与它不同标签的视为负例。对比学习能够使得同类更近，不同类更远，这对处理噪声数据应该是有效的。对比损失公式自行查找。
Pytorch实现有监督对比损失
话不多说，直接看代码。为了更好的说明有监督对比损失的整个实现过程，以下代码没有经过系统整理，从一个例子，一步一步地计算出损失。若是理]]></description><category></category></item><item><title><![CDATA[使用SVM、MNB、LR、CNN进行中文邮件分类]]></title><link>https://blog.youkuaiyun.com/wf19971210/article/details/109481575</link><guid>https://blog.youkuaiyun.com/wf19971210/article/details/109481575</guid><author>wf19971210</author><pubDate>Fri, 13 Nov 2020 23:43:47 +0800</pubDate><description><![CDATA[使用SVM、MNB、LR、CNN进行中文邮件分类数据集数据预处理选择文本特征1.词袋模型2.TF-IDF3.词向量
数据集
  2006 TREC Public Spam Corpus（中文），大约有6万多封邮件，垃圾邮件42854封，正常邮件21766封。
数据预处理
  1.首先将正常邮件与垃圾邮件分别放在不同的一个文件夹下（因为下载下来的数据集是乱的）。
  2.接下来就是一系列的数据处理。分词，去除停用词，去除英文，去除标点符号，去除一些不认识的字符。
选择文本特征
1.词袋模型
  我们可以利用s]]></description><category></category></item></channel></rss>