西西嘛呦

摘要： http://dataju.cn/Dataju/web/home http://archive.ics.uci.edu/ml/datasets 阅读全文

摘要： 直接看代码： 一、tensorflow #tensorflow import tensorflow as tf import random import numpy as np x_data = np.random.randn(100).astype(np.float32) y_data = x_d 阅读全文

摘要： 接下来我们继续对官方基于bert的模型进行扩展，之前的可参考： 基于bert命名实体识别（一）数据处理 命名实体识别数据预处理 命名实体识别之创建训练数据 命名实体识别之使用tensorflow的bert模型进行微调 命名实体识别之动态融合不同bert层的特征（基于tensorflow） 直接看代码 阅读全文

摘要： num_labels = self.config.relation_num bert_config_file = self.config.bert_config_file bert_config = BertConfig.from_json_file(bert_config_file) model 阅读全文

摘要： 我们知道tensorflow的官方bert模型里面包含了很多内容，在进行微调时有许多部分都是我们用不到的，我们需要截取一些用到的部分，使得我们能够更容易进行扩展，接下来本文将进行一一讲解。 1、需要的文件 tokenization.py：用于对数据进行处理，主要是分词用； modeling.py：b 阅读全文

摘要： 其框架结构如下所示： 可分为四 个部分： 词嵌入部分 输入 隐含层 输出层 我们要明确任务是通过一个文本序列（分词后的序列）去预测下一个字出现的概率，tensorflow代码如下： 参考：https://github.com/pjlintw/NNLM/blob/master/src/nnlm.py 阅读全文

摘要： 背景：从提供的金融文本中识别出未出现的未知金融实体 一、简单的熟悉数据 使用数据： import pandas as pd # 原始数据集 train_df = pd.read_csv('./train.csv', encoding='utf-8') test_df = pd.read_csv('. 阅读全文

摘要： 多头注意力可以用以下一张图描述： 1、使用pytorch自带的库的实现 torch.nn.MultiheadAttention(embed_dim, num_heads, dropout=0.0, bias=True, add_bias_kv=False, add_zero_attn=False, 阅读全文

摘要： github地址：https://github.com/taishan1994/tensorflow-bilstm-crf 1、熟悉数据 msra数据集总共有三个文件： train.txt：部分数据 当/o 希望工程/o 救助/o 的/o 百万/o 儿童/o 成长/o 起来/o ，/o 科教/o 兴 阅读全文

摘要： pre = "0 0 B_SONG I_SONG I_SONG 0 B_SONG I_SONG I_SONG 0 0 B_SINGER I_SINGER I_SINGER 0 O O O B_ALBUM I_ALBUM I_ALBUM O O B_TAG I_TAG I_TAG O" true = 阅读全文