摘要：
JavaDoc的注释参数 @author 作者名 @version 版本号 @since 需要的最早java版本 @param 函数参数 @ return 返回值 @ throws 异常抛出情况 生成JavaDoc步骤 如下代码所示，其中，注释部分是要生成JavaDoc的部分 1 /** 2 * @ 阅读全文
摘要：
原文： https://blog.csdn.net/u013709332/article/details/99700332 阅读全文
摘要：
1.如何构造一个稀疏矩阵呢？ indices = torch.LongTensor([[0,0], [1,1], [2,2]])#稀疏矩阵中非零元素的坐标 indices = indices.t() #一定要转置，因为后面sparse.FloatTensor的第一个参数就是该变量，要求是一个含有两个 阅读全文
摘要：
为什么需要平滑操作 假设有一个预料集 我 喜欢 喝 奶茶 我 喜欢 吃 巧克力 我 喜欢 健身 天啦撸，一起同过窗 要出 第三季 了 这个时候要计算“我喜欢喝咖啡”的概率 假设我们用bi-gram模型来计算，也就是说 P(我喜欢喝咖啡) = P(我)P(喜欢|我)P(喝|喜欢)P(咖啡|喝) = ( 阅读全文
摘要：
perplexity可以用来评估训练的语言模型的好坏，其实就是下面这个公式 $$ perplexity = 2^{-x}\qquad x表示的是平均的log likelihood，也可以理解为平均的概率啦$$ 下面举一个例子，假设我们有一个测试集如下： 我喜欢喝奶茶 假设我们有一个训练好的bi-gr 阅读全文
摘要：
n-gram模型 unigram模型：假设每个单词的出现概率和前面的单词无关，写成表达式就是 ： $$P(\omega _{1},\omega _{2},...,\omega _{n}) = P(\omega _{1})P(\omega _{2} )P(\omega _{3})...P(\omega 阅读全文
摘要：
Chain Rule 前面讲过的Noisy Channel Model中提到了，P（text）是指的语言模型。那么，语言模型究竟有什么意义，又该怎么求呢？ 语言模型其实就是考察text出现的概率。例如，在拼写纠错中，text使我们猜测的正确的单词，那么，这个单词是否常见呢？如果这个单词很常见，就说明 阅读全文
摘要：
Noisy Channel Model其实就是指的下面这个公式： $$ P(text|source) = \frac{P(source|text)P(text)}{P(source)} $$ 因为P（source）是一个固定的值，所以又可以写成： $$ P(text|source) \propto 阅读全文
摘要：
还记得之前的基于匹配的问答系统吗？系统中有许多的问答对，可能是数百万条，千万条之类的。当用户提出一个问题，系统首先将该问题和问答库中的所有问题求文本相似度，然后选择相似度最高的那个问题，其对应的答案就是系统需要输出的答案。 但是，这样做的问题就是复杂度太高了。对于每个问题，系统需要进行百万次或者千万 阅读全文
摘要：
这玩意儿和one-hot就不同了，词向量的表示方法可以称之为分布式表示法首先，向量的维度是自己任意指定的，其次，词向量的值是通过深度学习模型训练出来的。训练的目的也就是使得生成的词向量能够很好地反映出单词的意思，意思相近的单词对应的词向量其相似度也高。如下图所示就是通过训练得到的单词的词向量。其实有 阅读全文