注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 中断请求task4.1

  2. 中断请求task4.中断请求task4.中断请求task4.中断请求task4.1

  3. 所属分类：Java

  1. COAE2013_Task3&Task4;标注

  2. COAE2013dataset，包含两个部分，Task3 和 Task4，非常实用，做数据分析非常适合。

  3. 所属分类：互联网

    • 发布日期：2018-05-28
    • 文件大小：130kb
    • 提供者：peakxde

  1. semeval2014-task4 train & trial data

  2. 该文件为SemEval2014-task4数据集，文件格式为.xml，包含Laptop和Restaurant两个领域的train数据和trial数据，数据包含文本、标签信息等，适合于情感分析、细粒度情感分析等试验。

  3. 所属分类：机器学习

    • 发布日期：2018-09-12
    • 文件大小：390kb
    • 提供者：xiao_lang_wolf

  1. 二手车交易价格预测学习笔记 — Task4

  2. 赛题：零基础入门数据挖掘 – 二手车交易价格预测 地址：https://tianchi.aliyun.com/competition/entrance/231784/introduction?spm=5176.12281957.1004.1.38b02448ausjSX 建模与调参 常用方法 pandas 减少内存用量 df.memory_usage() 将数值型列类型细分，str列转换为category类型 截距 intercept 权重 coef 排序 sorted() 指定排序的列 key

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：43kb
    • 提供者：weixin_38734993

  1. task4

  2. 前面几期全是概念学习爬虫，今天来一篇实战文章。 首先了解ajax加载 ajax加载 一、什么是Ajax Ajax（Asynchronous Javascr ipt and XML的缩写）是一种异步请求数据的web开发技术，对于改善用户的体验和页面性能很有帮助。简单地说，在不需要重新刷新页面的情况下，Ajax 通过异步请求加载后台数据，并在网页上呈现出来。常见运用场景有表单验证是否登入成功、百度搜索下拉框提示和快递单号查询等等。 Ajax目的：提高用户体验，较少网络数据的传输量。 二、Ajax原理

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：55kb
    • 提供者：weixin_38606294

  1. 《动手学深度学习Pytorch版》Task4-机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer

  2. 机器翻译及相关技术 Task2中的循环神经网络部分，有实现预测歌词的功能。在那个任务中，训练数据的输入输出长度是固定的，而在机器翻译中，输出的长度是不固定的，所以不能直接用RNN来处理这种任务。 Encoder-Decoder框架是常用于机器翻译，对话系统这类场景的框架。 需要注意的是，在训练过程中Decoder的输入是真实的label，而预测时，输入是上一个ceil的预测值 机器翻译解码 通常用beam search。beam search是一种贪心算法，不是全局最优解。 注意力机制 在“

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：342kb
    • 提供者：weixin_38653602

  1. 动手学DL|Task4 机器翻译及其技术+注意力机制与Seq2seq模型+Transformer

  2. 机器翻译及其技术 学习笔记 机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。 主要特征：输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。 Encoder-Decoder encoder：输入到隐藏状态 decoder：隐藏状态到输出 Sequence to Sequence模型 模型： 训练 预测 具体结构 集束搜索 Beam Search 简单greedy search： 维特比算法：选择整体分数

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：461kb
    • 提供者：weixin_38653664

  1. 《动手学深度学习》task4——机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer笔记

  2. 系统学习《动手学深度学习》点击这里： 《动手学深度学习》task1_1 线性回归 《动手学深度学习》task1_2 Softmax与分类模型 《动手学深度学习》task1_3 多层感知机 《动手学深度学习》task2_1 文本预处理 《动手学深度学习》task2_2 语言模型 《动手学深度学习》task2_3 循环神经网络基础 《动手学深度学习》task3_1 过拟合、欠拟合及其解决方案 《动手学深度学习》task3_2 梯度消失、梯度爆炸 《动手学深度学习》task3_3 循环神经网络进阶 《

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：77kb
    • 提供者：weixin_38687968

  1. 动手学深度学习Pytorch版本学习笔记 Task4

  2. 1.机器翻译及相关技术 机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。 主要特征：输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。 主要步骤： 1. 数据预处理 2.分词 3.建立词典 Sequence to Sequence模型： 2.注意力机制与Seq2seq模型 a.点注意力机制与多层感知机注意力机制 b.引入注意力机制的Seq2seq模型:将注意机制添加到sequence to sequence

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：195kb
    • 提供者：weixin_38717896

  1. 卷积神经网络基础与经典模型-Task4

  2. 1. 卷积神经网络基础 从本节讲解才知道，卷积神经网络中的Conv2d函数中，实现的滤波器与图像element-wise相乘并累加其实是互相关运算，二维互相关的解释如下： 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。卷积核的尺寸通常小于输入数组，卷积核在输入数组上滑动，在每个位置上，卷积核与该位置处的输入子数组按元素相乘并求和，得到输出数组中相应位置的元素。图

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：153kb
    • 提供者：weixin_38727579

  1. 动手学深度学习PyTorch版–Task4、5–机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer；；卷积神经网络基础；leNet；卷积神经网络进阶

  2. 一.机器翻译及相关技术 机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。 主要特征：输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。 1.Encoder-Decoder encoder：输入到隐藏状态 decoder：隐藏状态到输出 class Encoder(nn.Module): def __init__(self, **kwargs): super(Encoder, self)

  3. 所属分类：其它

  1. 动手学深度学习 Task4 笔记

  2. 机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer 2.15-2.19 一、机器翻译及相关技术 定义： 机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。 主要特征：输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。 数据预处理 分词 建立词典 载入数据集 二、注意力机制与Seq2seq模型 在“编码器—解码器（seq2seq）”⼀节⾥，解码器在各个时间步依赖相同的背景变量（context

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：61kb
    • 提供者：weixin_38516040

  1. pytorch实现task4——机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer

  2. 机器翻译 机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。 主要特征：输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。 其主要的步骤包括数据预处理、分词、建立词典、载入数据集、Encoder-decoder、seq2seq等。 注意力机制与Seq2seq模型 在“编码器—解码器（seq2seq）”⼀节⾥，解码器在各个时间步依赖相同的背景变量（context vector）来获取输⼊序列信息。当编码器为循环神经

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：64kb
    • 提供者：weixin_38705723

  1. Task4精简数据集-数据集

  2. 幸福感预测数据集 happiness_submit.csv happiness_test_abbr.csv happiness_train_abbr.csv happiness_test_complete.csv happiness_train_complete.csv

  3. 所属分类：其它

  1. task4-master-源码

  2. task4-master

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：272kb
    • 提供者：weixin_42103128

  1. rs.ios-stage1-task4:RSSchool iOS，第1阶段，任务4-源码

  2. Тask4 任务4состоитизчетырехподзадач，которыевамнеобходимовыполнить。 Всезадачинаходятсявкорнепроектаиидутвпорядкеусложения1-ваязадачасамояпроеаооланва Структурапапки练习представленнаниже Деталипокаждойзадачевысможетенайтивнижепредставленныхфайлах： ArrayC

  3. 所属分类：其它

  1. Devops-task4-源码

  2. Devops-task4

  3. 所属分类：其它

  1. Task4-OOP-源码

  2. Task4-OOP

  3. 所属分类：其它

  1. a3-task3-task4-bb-源码

  2. a3-task3-task4-bb

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：610kb
    • 提供者：weixin_42135754

  1. datastories-semeval2017-task4：“ SemEval-2017任务中的DataStories：专注于消息级和基于主题的情感分析的深度LSTM”中介绍的深度学习模型-源码

  2. 总览 该存储库包含用于DataStories团队提交的的模型的源代码。 该模型在论文。 引文： InProceedings{baziotis-pelekis-doulkeridis:2017:SemEval2, author = {Baziotis, Christos and Pelekis, Nikos and Doulkeridis, Christos}, title = {DataStories at SemEval-2017 Task 4: Deep L

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：14mb
    • 提供者：weixin_42097668
« 12 3 »