webberg

摘要： 1. 整体框架 XGBoost的思想是通过决策树来预测残差，不断的预测直到最终的残差接近0为止。如下图所示，$T_1$、$T_2$表示决策树，$\hat{y}$表示预测值，$y$表示真值，$y-\hat{y}$表示预测值与真值之间的残差。 由于每一次的预测都会接近上一次的残差，所以最终的预测可以写成 阅读全文

摘要： 一般使用transformers做bert finetune时，经常会编写如下类似的代码： 在BertModel(BertPreTrainedModel)中，对返回值outputs的解释如下： 这里的pooler_output指的是输出序列最后一个隐层，即CLS标签。查看forward函数的源码，最 阅读全文

摘要： ROC全称Receiver operating characteristic。 定义 TPR：true positive rate，正样本中分类正确的比率，即TP/(TP+FN)，一般希望它越大越好 FPR：false negtive rage，负样本中分类错误的比率，即FP/(FP+TN)，一般希 阅读全文

摘要： pairwise_distance在sklearn的官网中解释为“从X向量数组中计算距离矩阵”，对不懂的人来说过于简单，不甚了了。 实际上，pairwise的意思是每个元素分别对应。因此pairwise_distance就是指计算两个输入矩阵X、Y之间对应元素的距离。 pairwise_distan 阅读全文

摘要： torch.nn.Embedding存储的是形如num_embeddings*embedding_dim的矩阵，以词向量为例，num_embeddings表示词向量的个数，embedding_dim表示词向量的维度。 初始化： 它提供了从已知Tensor进行初始化的方法：nn.Embedding.f 阅读全文

摘要： 目前已经有许多现成的深度学习框架，为什么我们还要用C++来编写一个神经网络？一个理由是我们需要了解学习框架内部的运行原理，当分析问题的时候能够很快的定位原因；另一个理由是，我们需要为专有设备编写一个推理引擎，它可能运行在手机端，或者移动设备上。这篇文章实现了一个最简单的神经网络框架，适合大家入门学习 阅读全文

摘要： 在stanfordnlp的示例代码中，有这么一句： 这句话会打印出三列，第一列是分割出的单词，第三列是依存句法关系 依存关系手册链接为：https://nlp.stanford.edu/software/dependencies_manual.pdf 最新的链接为：http://universald 阅读全文

摘要： 朴素贝叶斯文本分类应该是最简单的文本分类器了。它基于这么一个假设：在给定类别的文档中，所有的词都是独立无关的。 朴素贝叶斯做文本分类的原理如下： 令d代表输入文档，c代表文档所属类别。分类的目标是要 求在输入d文档的前提下属于类别c的概率$P(c|d)$，概率越高说明文档越有可能属于类别c。即 $\ 阅读全文

摘要： word2vec完整的解释可以参考《word2vec Parameter Learning Explained》这篇文章。 cbow模型 cbow模型的全称为Continuous Bag-of-Word Model。该模型的作用是根据给定的词$w_{input}$，预测目标词出现的概率$w_t$，对 阅读全文

摘要： 对于初学深度学习的人来说，直接上手NLP的梯度较大。 首先，理解词向量就有一定的困难。关于词向量的的详细描述，可以参考《word2vec Parameter Learning Explained》的解释。一个100列的词向量可以简单理解为有100个特征（feature）的向量，如同一个人有100个特 阅读全文