<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[x2__T的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/x2__T</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; x2__T]]></copyright><item><title><![CDATA[句子转换器/nli-roberta-base-v2]]></title><link>https://blog.youkuaiyun.com/x2__T/article/details/143216496</link><guid>https://blog.youkuaiyun.com/x2__T/article/details/143216496</guid><author>x2__T</author><pubDate>Tue, 29 Oct 2024 19:23:48 +0800</pubDate><description><![CDATA[句子转换器/nli-roberta-base-v2，预训练微调做任务；这是一个句子转换器模型：它将句子和段落映射到 768 维密集向量空间，可用于聚类或语义搜索等任务。


离线模式运行

如果你无法连接互联网，可以手动下载模型并运行离线模式：在能够访问互联网的机器上，下载  模型：访问链接：https://huggingface.co/sentence-transformers/nli-roberta-base-v2，并下载相关的模型文件（如 ,  等）。将下载的模型文件放置在你的本地目录中。例如，将它们]]></description><category></category></item><item><title><![CDATA[随笔2024]]></title><link>https://blog.youkuaiyun.com/x2__T/article/details/134266895</link><guid>https://blog.youkuaiyun.com/x2__T/article/details/134266895</guid><author>x2__T</author><pubDate>Mon, 17 Jun 2024 09:57:36 +0800</pubDate><description><![CDATA[前序问题比较简单，最后的问题，随着大家应用机器学习解决问题的经验积累，可以更准确快速地回答。]]></description><category></category></item><item><title><![CDATA[BERT报错记录]]></title><link>https://blog.youkuaiyun.com/x2__T/article/details/135563840</link><guid>https://blog.youkuaiyun.com/x2__T/article/details/135563840</guid><author>x2__T</author><pubDate>Mon, 17 Jun 2024 09:55:58 +0800</pubDate><description><![CDATA[开梯子跑，结果如下：ConnectionResetError: [WinError 10054] 远程主机强迫关闭了一个现有的连接。4.【HuggingFace简明教程补充篇,加载本地数据文件,trainer的使用.-哔哩哔哩】 https://b23.tv/02ncp1W。给出原因：加载数据集时下载失败，因为huggingface把自己的数据文件放在了谷歌的云盘上——solve：加载本地的数据集，先下载好谷歌的数据文件，然后保存在本地。（1）这只是一个简单的代理问题。try1：本地不开梯子跑，连接问题；]]></description><category></category></item><item><title><![CDATA[软考-必须要背的内容]]></title><link>https://blog.youkuaiyun.com/x2__T/article/details/139201648</link><guid>https://blog.youkuaiyun.com/x2__T/article/details/139201648</guid><author>x2__T</author><pubDate>Sat, 25 May 2024 21:50:49 +0800</pubDate><description><![CDATA[从概念上来看，所有这些算法。]]></description><category></category></item><item><title><![CDATA[软考-下午题-试题二、三]]></title><link>https://blog.youkuaiyun.com/x2__T/article/details/139194794</link><guid>https://blog.youkuaiyun.com/x2__T/article/details/139194794</guid><author>x2__T</author><pubDate>Sat, 25 May 2024 18:29:10 +0800</pubDate><description><![CDATA[主要是最后一问的不同解答。]]></description><category></category></item><item><title><![CDATA[软考--软件设计师-刷题总结]]></title><link>https://blog.youkuaiyun.com/x2__T/article/details/139169007</link><guid>https://blog.youkuaiyun.com/x2__T/article/details/139169007</guid><author>x2__T</author><pubDate>Fri, 24 May 2024 23:32:02 +0800</pubDate><description><![CDATA[从安全性的角度考虑，更新数据时，通过提供存储过程让第三方调用，将需要更新的数据传入存储过程，而在存储过程内部用代码分别对需要的多个表进行更新，从而。1、存储过程(Stored Procedure)是在大型数据库系统中，一组为了完成特定功能的SQL语句集，它存储在数据库中，用户使用手册是概要设计阶段产生的文档，除此以外，概要设计阶段产生的文档还有概要设计说明书、数据库设计说明书、修订测试计划。将 i 下标的值放到定义的 tmp 中，然后与 j下标 的值比较。未完待续--------明天继续。]]></description><category></category></item><item><title><![CDATA[软考-下午题-试题一]]></title><link>https://blog.youkuaiyun.com/x2__T/article/details/138768087</link><guid>https://blog.youkuaiyun.com/x2__T/article/details/138768087</guid><author>x2__T</author><pubDate>Wed, 15 May 2024 12:33:20 +0800</pubDate><description><![CDATA[可以以后写完问题4之后，把问题3补充完整。]]></description><category></category></item><item><title><![CDATA[软考-软件工程]]></title><link>https://blog.youkuaiyun.com/x2__T/article/details/138559228</link><guid>https://blog.youkuaiyun.com/x2__T/article/details/138559228</guid><author>x2__T</author><pubDate>Sat, 11 May 2024 21:05:58 +0800</pubDate><description><![CDATA[软件开发模型：指导软件开发的体系需求分析确定软件要完成的功能及非功能性要求；概要设计将需求转化为软件的模块划分，确定模块之间的调用关系；详细设计将模块进行细化，得到详细的数据结构和算法；编码根据详细设计进行代码的编写，得到可以运行的软件，并进行单元测试。]]></description><category></category></item><item><title><![CDATA[软考笔记-计算机组成原理篇]]></title><link>https://blog.youkuaiyun.com/x2__T/article/details/138183028</link><guid>https://blog.youkuaiyun.com/x2__T/article/details/138183028</guid><author>x2__T</author><pubDate>Tue, 30 Apr 2024 10:07:31 +0800</pubDate><description><![CDATA[指令寄存器IR进制转换，从下往上读：数据表示正数0补移码：=补码符号位取反表示范围：​​​​​​​例2016:访问速度二进制eg：对阶：小阶向大阶对齐，浮点数（尾数）向右移。规格化：就是将尾数的绝对值限定在区间[0.5,1]例题：代进去即可易错点：iEEE754是对的例题：new首先，一个浮点数：这里是一个二进制的表示，故求1 0001的补码，为1 1111=-15，再求0 0000000001 的原码不变，为2^(-10)，即RISC=Reduced instruction set computerCIS]]></description><category></category></item><item><title><![CDATA[软考-操作系统刷题笔记]]></title><link>https://blog.youkuaiyun.com/x2__T/article/details/138064202</link><guid>https://blog.youkuaiyun.com/x2__T/article/details/138064202</guid><author>x2__T</author><pubDate>Wed, 24 Apr 2024 11:22:51 +0800</pubDate><description><![CDATA[其中，总线频率:总线的实际工作频率，也就是一秒钟传输数据的次数，是总线工作速度的一个重要参数，工作频率越高，速度越快，总线频率通常用 MHz表示:如33MHz、100MHz、400MHz、800MHz等，1Hz=1次/s，2. 最短寻道时间优先（SSTF）：让离当前磁道最近的请求访问者启动磁盘驱动器，即让查找时间最短的那个作业先执行，而不考虑请求访问者到来的先后次序，这样就克服了先来先服务调度算法中磁头移动过大的问题。是一种特殊的寻址方式，指令中在操作码字段后面的部分不是通常意义上的操作数地址，而是。]]></description><category></category></item><item><title><![CDATA[大数据实践报告Hadoop]]></title><link>https://blog.youkuaiyun.com/x2__T/article/details/138111608</link><guid>https://blog.youkuaiyun.com/x2__T/article/details/138111608</guid><author>x2__T</author><pubDate>Tue, 23 Apr 2024 10:13:31 +0800</pubDate><description><![CDATA[对Hadoop进行伪分布式配置]]></description><category></category></item><item><title><![CDATA[软考笔记-操作系统篇]]></title><link>https://blog.youkuaiyun.com/x2__T/article/details/137957461</link><guid>https://blog.youkuaiyun.com/x2__T/article/details/137957461</guid><author>x2__T</author><pubDate>Mon, 22 Apr 2024 09:45:22 +0800</pubDate><description><![CDATA[软考中，操作系统的复习题，精简概要]]></description><category></category></item><item><title><![CDATA[区块链Lesson 5: Ethers.js Simple Storage & JavaScript]]></title><link>https://blog.youkuaiyun.com/x2__T/article/details/136834207</link><guid>https://blog.youkuaiyun.com/x2__T/article/details/136834207</guid><author>x2__T</author><pubDate>Tue, 26 Mar 2024 10:40:07 +0800</pubDate><description><![CDATA[智能合约开发基础，web3，区块链介绍]]></description><category></category></item><item><title><![CDATA[区块链lesson3：Remix Storage Factory]]></title><link>https://blog.youkuaiyun.com/x2__T/article/details/136661152</link><guid>https://blog.youkuaiyun.com/x2__T/article/details/136661152</guid><author>x2__T</author><pubDate>Tue, 19 Mar 2024 10:16:05 +0800</pubDate><description><![CDATA[区块链lesson3：Remix Storage Factory]]></description><category></category></item><item><title><![CDATA[区块链学习笔记]]></title><link>https://blog.youkuaiyun.com/x2__T/article/details/136646105</link><guid>https://blog.youkuaiyun.com/x2__T/article/details/136646105</guid><author>x2__T</author><pubDate>Tue, 12 Mar 2024 19:31:24 +0800</pubDate><description><![CDATA[区块链web3学习笔记]]></description><category></category></item><item><title><![CDATA[SBERT学习笔记]]></title><link>https://blog.youkuaiyun.com/x2__T/article/details/135561783</link><guid>https://blog.youkuaiyun.com/x2__T/article/details/135561783</guid><author>x2__T</author><pubDate>Wed, 17 Jan 2024 21:04:12 +0800</pubDate><description><![CDATA[BERT（Devlin 等人，2018 年）和 RoBERT a（Liu 等人，2019 年）在句对回归任务，如语义文本相似性（STS））上设置了一个新的最先进的性能。然而，它需要将两个句子都输入网络，这会导致巨大的计算开销：在 10,000 个句子的集合中找到最相似的对需要使用 BERT 进行大约 5000 万次推理计算（约 65 小时）。BERT 不适用于语义相似性搜索以及聚类等无监督任务。SBERT：孪生网络和三元组网络结构来导出具有语义意义的句子嵌入，可以使用余弦相似度进行比较。]]></description><category></category></item><item><title><![CDATA[机器学习（一）——朴素贝叶斯分类（Naive Bayes Classification）]]></title><link>https://blog.youkuaiyun.com/x2__T/article/details/134256332</link><guid>https://blog.youkuaiyun.com/x2__T/article/details/134256332</guid><author>x2__T</author><pubDate>Fri, 12 Jan 2024 00:55:32 +0800</pubDate><description><![CDATA[朴素贝叶斯分类器用于计算可能条件的分支概率。每个独立的特征都是「朴素」或条件独立的，因此它们不会影响别的对象。例如，在一个装有共 5 个黄色和红色小球的罐子里，连续拿到两个黄色小球的概率是多少？从图中最上方分支可见，前后抓取两个黄色小球的概率为 1/10。朴素贝叶斯分类器可以计算多个特征的联合条件概率。✅ 贝叶斯定理根据先验概率和条件概率得到后验概率✅ 朴素贝叶斯定理在贝叶斯原理基础上，加了一个前提假设：所有的条件对结果都是独立发生作用的✅ 条件概率。]]></description><category></category></item><item><title><![CDATA[Bert模型的学习]]></title><link>https://blog.youkuaiyun.com/x2__T/article/details/135516391</link><guid>https://blog.youkuaiyun.com/x2__T/article/details/135516391</guid><author>x2__T</author><pubDate>Fri, 12 Jan 2024 00:53:34 +0800</pubDate><description><![CDATA[利用大规模无标注语料训练、获得文本的包含丰富语义信息的Representation将文本的语义表示在特定NLP任务中作微调，最终应用于该NLP任务字/词通常都用一维向量：词向量希望语义相近的字/词在特征向量空间上的距离也比较接近，字/词向量转换而来的文本向量也能够包含更为准确的语义信息BERT模型的主要：输入是文本中各个字/词的原始词向量，该向量既可以随机初始化，也可以利用Word2Vector等算法进行预训练以作为初始值；输出是文本中各个字/词融合了全文语义信息后的向量表示。]]></description><category></category></item><item><title><![CDATA[NLP的学习笔记]]></title><link>https://blog.youkuaiyun.com/x2__T/article/details/135515110</link><guid>https://blog.youkuaiyun.com/x2__T/article/details/135515110</guid><author>x2__T</author><pubDate>Thu, 11 Jan 2024 01:13:48 +0800</pubDate><description><![CDATA[基于概率模型构建翻译模型，告诉我们源语言基于翻译概率最可能被翻译的一些结果候选。语言模型，结合语句的通顺度等综合评估最优的翻译结果。基于短语的翻译系统可以根据短语序列考虑输入和输出Seq2Seq ，使用 LSTM现代翻译系统：观测到整个输入后生成任意的输出序列。]]></description><category></category></item><item><title><![CDATA[机器学习（二）——决策树]]></title><link>https://blog.youkuaiyun.com/x2__T/article/details/134367986</link><guid>https://blog.youkuaiyun.com/x2__T/article/details/134367986</guid><author>x2__T</author><pubDate>Mon, 13 Nov 2023 20:37:58 +0800</pubDate><description><![CDATA[著名的决策树算法CART就是使用基尼指数来进行划分属性的挑选（当然，CART本身是二叉树结构，这一点和上述的 ID3 和 C4.5不太一样）。CART还是一个回归树，回归解析用来决定分布是否终止。理想地说每一个叶节点里都只有一个类别时分类应该停止，但是很多数据并不容易完全划分，或者完全划分需要很多次分裂，必然造成很长的运行时间，所以CART可以对每个叶节点里的数据分析其均值方差，当方差小于一定值可以终止分裂，以换取计算成本的降低。]]></description><category></category></item></channel></rss>