关于 玻璃钢化粪池 www.hfcsccj.cn朱向:gmnlp 的搜索结果,共176
l****m 2018-07-10
量(一)
基于神经网络的模型不需要计算和存储一个在全语料上统计产生的大表,而是通过学习语义信息得到词量,因此能很好地解决以上问题。在本章里,我们将展示基于神经网络训练词量的细节,以及如何用PaddlePaddle训练一个词量模型。 效果展示 本章中,当词量训练好后,我们可以用数据可视算法t-SNE[4]画出词语特征在二维上的投影(如下图所示)。从图中可以看出,语义相关的词语(如a, the, these; big, huge)在投影上距离很近,语意无关的词(如say, business; decision, japan)在投影上的距离很远。 图1. 词量的二维投影 另一方面,我们知道两个量的余弦值在[−1,1][−1,1]的区间内:两个完全相同的量余弦值为1, 两个相互垂直的量之间余弦值为0,两个方完全相反的量余弦值为-1,即相关性和余弦值大小成正比。
用****在 2018-07-10
量(二)
然后所有词语的词量拼接成一个大量,并经过一个非线性映射得到历史词语的隐层表示: g=Utanh(θTx+b1)+Wx+b2g=Utanh(θTx+b1)+Wx+b2 其中,xx为所有词语的词量拼接成的大量,表示文本历史特征;θθ、UU、b1b1、b2b2和WW分别为词量层到隐层连接的参数。gg表示未经归一的所有输出单词概率,gigi表示未经归一的字典中第ii个单词的输出概率。 根据softmax的定义,通过归一gigi, 生成目标词wtwt的概率为: P(wt|w1,...,wt−n+1)=egwt∑|V|iegiP(wt|w1,...,wt−n+1)=egwt∑i|V|egi 整个网络的损失值(cost)为多类分类交叉熵,用公式表示为: J(θ)=−∑i=1N∑k=1|V|yiklog(softmax(gik))J(θ)=−∑i=1N∑k=1|V|ykilog(softmax(gki)) 其中yikyki表示第ii个样本第kk类的真实标签(0或1),softmax(gik)softmax(gki)表示第i个样本第k类softmax输出的概率。
双****4 2018-07-10
量(三)
整个程序的入口很简单: def main(use_cuda, is_sparse): if use_cuda and not fluid.core.is_compiled_with_cuda(): return params_dirname = "word2vec.inference.model" train( if_use_cuda=use_cuda, params_dirname=params_dirname, is_sparse=is_sparse) infer(use_cuda=use_cuda, params_dirname=params_dirname) main(use_cuda=use_cuda, is_sparse=True) 总结 本章中,我们介绍了词量、语言模型和词量的关系、以及如何通过训练神经网络模型获得词量。在信息检索中,我们可以根据量间的余弦夹角,来判断query和文档关键词这二者间的相关性。在句法分析和语义分析中,训练好的词量可以用来初始模型,以得到更好的效果。
c****2 2018-07-10
个性推荐(一)
为了解决这个难题,个性推荐系统(Recommender System)应运而生。 个性推荐系统是信息过滤系统(Information Filtering System)的子集,它可以用在很多领域,如电影、音乐、电商和 Feed 流推荐等。个性推荐系统通过分析、挖掘用户行为,发现用户的个性需求与兴趣特点,将用户可能感兴趣的信息或商品推荐给用户。与搜索引擎不同,个性推荐系统不需要用户准确地描述出自己的需求,而是根据用户的历史行为进行建模,主动提供满足用户兴趣和需求的信息。 1994年明尼苏达大学推出的GroupLens系统[1]一般被认为是个性推荐系统成为一个相对独立的研究方的标志。该系统首次提出了基于协同过滤来完成推荐任务的思想,此后,基于该模型的协同过滤推荐引领了个性推荐系统十几年的发展方。 传统的个性推荐系统方法主要有: 协同过滤推荐(Collaborative Filtering Recommendation):该方法是应用最广泛的技术之一,需要收集和分析用户的历史行为、活动和偏好。
s****5 2018-07-10
个性推荐(二)
总结 本章介绍了传统的个性推荐系统方法和YouTube的深度神经网络个性推荐系统,并以电影推荐为例,使用PaddlePaddle训练了一个个性推荐神经网络模型。个性推荐系统几乎涵盖了电商系统、社交网络、广告推荐、搜索引擎等领域的方方面面,而在图像处理、自然语言处理等领域已经发挥重要作用的深度学习技术,也将会在个性推荐系统领域大放异彩。 参考文献 P. Resnick, N. Iacovou, etc. “GroupLens: An Open Architecture for Collaborative Filtering of Netnews”, Proceedings of ACM Conference on Computer Supported Cooperative Work, CSCW 1994. pp.175-186. Sarwar, Badrul, et al. "Item-based collaborative filtering recommendation algorithms."
冰****蓝 2018-07-09
如何调节『控制参数』?
“所有”车辆的基础横控制器调谐步骤如下: 1.将matrix_q中所有元素设置为零。 2.增加matrix_q中的第三个元素,它定义了航误差加权,以最小误差。 3.增加matrix_q的第一个元素,它定义横误差加权以最小误差。 林肯MKZ调谐 对于Lincoln MKZ,有四个元素指的是状态加权矩阵Q的对角线元素: 横误差加权 横误差率加权 航误差加权 航差错率加权 通过在横控制器调谐中列出的基本横控制器调整步骤来调整加权参数。下面是一个例子。 lat_controller_conf { matrix_q: 0.05 matrix_q: 0.0 matrix_q: 1.0 matrix_q: 0.0 } 调谐附加车辆类型 当调整除林肯MKZ以外的车辆类型时,首先更新车辆相关的物理参数,如下面的示例所示。然后,按照上面列出的基本横控制器调整步骤横控制器调谐和定义矩阵Q参数。 下面是一个例子。
TOP