致林

摘要： 目的： L1和L2正则都可以解决过拟合 方法： L1正则:向量中各个元素绝对值的和，适用于稀疏特征。原理：直接删除异常特征，解决过拟合。 缺点：绝对值不可求导，需要特殊处理。 L2正则：向量中各元素平方和求平方根，使用场景更多，计算方便。原理：将异常特征平均化。 图像： L1是蓝色的线，L2是红色的 阅读全文

摘要： from gevent import monkey from gevent.pool import Pool # 猴子补丁，替换底层thread/socket实现非阻塞 monkey.patch_all() import gevent import requests def func(url): p 阅读全文

摘要： http://hadoop.apache.org/docs/r1.0.4/cn/hdfs_shell.html FS Shell 调用文件系统(FS)Shell命令应使用 bin/hadoop fs 的形式。 所有的的FS shell命令使用URI路径作为参数。URI格式是scheme://auth 阅读全文

摘要： public static void main(String[] args) { String input = "我在[[中]][[国]]"; // ?匹配一个字符，+匹配一个或多个 Matcher matcher = Pattern.compile("(?<=\\[\\[)(\\S?)(?=\\] 阅读全文

摘要： 需求背景 标记出一句话中所有关键词 inpu:我想买苹果手机，请问哪里可以买苹果手机 keyword:"苹果", "苹果手机", "哪里" result:我想买[[苹果手机]]，请问[[哪里]]可以买[[苹果手机]] 10w条耗时：41ms 难点：需要考虑单词重叠问题（overlap），例如“苹果手 阅读全文

摘要： 一、事务的基本要素（ACID） 1、原子性（Atomicity）：事务开始后所有操作，要么全部做完，要么全部不做，不可能停滞在中间环节。事务执行过程中出错，会回滚到事务开始前的状态，所有的操作就像没有发生一样。也就是说事务是一个不可分割的整体，就像化学中学过的原子，是物质构成的基本单位。 2、一致性 阅读全文

摘要： docker运行elasticsearch docker pull elasticsearch:7.8.1 docker run -p 9200:9200 -p 9300:9300 -e "discovery.type=single-node" elasticsearch:7.8.1 pom <de 阅读全文

摘要： 问题描述： Suppressed: org.elasticsearch.client.ResponseException: method [PUT], host [http://localhost:9200], URI [/search/doc/4?timeout=1m], status line 阅读全文

摘要： import random import pandas as pd if __name__ == "__main__": df = pd.read_excel('../data/train.xlsx', dtype=str) result = [] for item in df.itertuples 阅读全文

摘要：  阅读全文

摘要： redis速度快的原因： 内存操作； 主线程通过变量获取IO多线程状态，变量不加锁，类似二维数组，每个线程操作自己的数组； 减少线程切换操作（6.x后采用多线程），IO多线程完成后采用空转而不是休眠，减少线程切换操作； IO多路复用（可理解为MapReduce）。 IO多线程优化：如果write线程 阅读全文

摘要： tfserving模型部署见：https://www.cnblogs.com/bincoding/p/13266685.html demo代码：https://github.com/haibincoder/tf_tools 对应restful入参： { "inputs": { "input": [[ 阅读全文

摘要： 问题背景：python通过grpc调用tfserving报错， 提示：AttributeError: module 'tensorflow_serving.apis.prediction_service_pb2' has no attribute 'beta_create_PredictionSer 阅读全文

摘要： 官网：https://tensorflow.google.cn/tfx/guide/serving 步骤1：保存pb模型 # 为模型每一个参数添加name # ner demo: https://github.com/buppt/ChineseNER self.input_x = tf.placeh 阅读全文

摘要：  阅读全文

摘要： ![](https://img202... 阅读全文

摘要： def f1Score(correct_label, predict_label): """ 计算混淆矩阵及f1得分 :param correct_label: 正确的分类标签 ['0','1','2','3'] :param predict_label: 预测的分类标签 :return: """ 阅读全文

摘要： train loss 不断下降，test loss不断下降，说明网络仍在学习; train loss 不断下降，test loss趋于不变，说明网络过拟合; train loss 趋于不变，test loss不断下降，说明数据集100%有问题; train loss 趋于不变，test loss趋于 阅读全文

摘要： 近几年来，基于神经网络的深度学习方法在计算机视觉、语音识别等领域取得了巨大成功，另外在自然语言处理领域也取得了不少进展。在NLP的关键性基础任务—命名实体识别（Named Entity Recognition，NER）的研究中，深度学习也获得了不错的效果。最近，笔者阅读了一系列基于深度学习的NER研 阅读全文

摘要： 文章目录前言经典方法WMD词移距离BM25深度文本匹配DSSMMatchPyramidESIMBiMPMDIINDRCN模型对比论文阅读Reference 前言 对于检索式对话系统最基本的步骤就是召回(retrieval) 匹配(matching) 排序(reranking)。匹配的得分直接决定最后 阅读全文