dlmuwxw

摘要： 2.3.1 传染病模型 构建传染病模型，并且绘制“SIR 模型感染和恢复曲线图”； 该图 2-3 没有使用长春市 3–4 月真实确诊、无症状感染数据，只是人为设定一组通用传染系数\(\alpha\)、移出系数\(\beta\)、初始人群数量，对 SIR 微分方程组做数值求解，输出仿真时序结果绘图。 阅读全文

摘要： """ 案例: 演示文件张量实现方式之 word Embedding 大白话解释下:word2vec 和 word Embedding的区别 word2vec: 先办证,后干活,会预先训练词向量模型,后续再代入模型做其他操作 word Embedding: 边办证,边干活,训练过程中 细节：如果你要 阅读全文

摘要： 模型原理 CBOW (Continuous Bag of Words) 和Skip-gram是Word2Vec模型的两种主要实现方式，它们分别从不同角度来建模单词之间的关系。 本质还是神经网络前向传播，反向传播，更新权重那一套，只不过是把词转换成了张量，进行训练 以下是它们之间的一些比较： CBOW 阅读全文

摘要： """ 案例： 演示 One-hot 编码，分别演示 复杂版 和 简单版 文本张量相关介绍： 概述： 对文本进行切词，把每个词转成对应的词向量，即：用词向量的形式来描述文本——> 文本张量（也叫：词向量表示法） 作用： 模型无法直接解析文本，可以转成 文本张量（词向量），作为模型的输入来进行各种处理 阅读全文

摘要： """ 案例： 代码演示 文本预处理之词性标注（POS） 名词解释： NER： 概述： 命名实体识别，Named Entity Recognition，就是识别出一段文本中可能存在的《命名实体》 命名实体： 人名，地名，机构名等专有名词 作用： 和词汇（分词）一样，也是人类理解文本的基础单元 细节： 阅读全文

摘要： """ 案例: 演示jieba 分词库的应用 分词的相关介绍: 概述: 分词过程 = 找到 分界符 的过程,找到分界符就可以分词了 每个分词结果 = 1个Token 常见的分词包: jieba: 精确模式,全模式,搜索引擎模式,繁体字符,用户自定义字典 IK分词器: Snow NLP THULAC 阅读全文

摘要： 5.1.1 邻接矩阵 步骤 1：统计所有基本块编号，确定图的顶点总数,遍历整个 attachment3.csv，收集所有出现过的块号，去重排序，得到全部顶点集合。 步骤 2：构建 N 阶邻接矩阵（N = 顶点总数） 邻接矩阵 M 是 N×N 二维数组，初始化全部为 0； 5.1.2 数据依赖矩阵 设 阅读全文

摘要： 大白话总结： 1.将歌词用jieba.lcut进行切词，切词去重后共计5703个词。 2.拿这5703个词转换成数字索引的形式，把这个索引丢给RNN神经网络进行训练，这个训练其实就是一个多分类器训练，输出的是索引；训练完成后保存模型。 3.加载训练好的模型后，进行模型测试；测试过程是把歌词转换为索引 阅读全文

摘要： 导包 import torch import torch.nn as nn # 大白话：RNN就像是你的大脑在看电影的过程中记住剧情 1. 创建 循环网络层 # 参1：词向量的维度；就像电影里每一帧画面有128个细节（比如：颜色，动作，表情），RNN（你的大脑）每次看到的就是这128个细节 # 参2 阅读全文

摘要： 前言 """ 案例： 演示词嵌入层API应用 RNN介绍： 全称叫Recurrent neural network ,循环神经网络，主要处理 序列数据 序列数据：后边数据对前边的数据有依赖，例如：天气预测，股市分析，文本生成... 组成： 词嵌入层 循环网络层 输出层 词嵌入层介绍（作用）： 把词（ 阅读全文