 |
glennqV2EX 第 158688 号会员，加入于 2016-02-14 07:06:34 +08:00 |
glennq
glennq 最近回复了
2016-05-09 00:31:36 +08:00 回复了 terence4444 创建的主题 › Python › i = i +1 写成 i += 1 有什么好处？ |
前者等价于 i = i.__add__(1)，后者等价于 i.__iadd__(1)，对于 int 这种不可变对象是没太大区别，但在可变对象的情况下不仅效率可能有较大差别，实际产生的效果也不一样。
2016-04-19 08:50:40 +08:00 回复了 menc 创建的主题 › 分享创造 › 有人愿意来一起翻译《Deep Learning》这本书么 |
如果 LZ 能搞定版权问题我倒是乐意参与
2016-04-18 00:08:56 +08:00 回复了 itlynn 创建的主题 › Python › Python 的一个坑(元组)? or (多重赋值)? |
一样是巧合，不一样才正常
2016-04-14 08:43:21 +08:00 回复了 xxlong 创建的主题 › Python › 请教一下本人想学习 svm,找到 libsvm 的 python 版本,无法正确安装,上网搜索是 lib 在 python 中只有 32 位,本人 64 位,是否有解? |
用 scikit-learn. SVC 和 SVR 用了 libsvm
2016-03-09 13:56:04 +08:00 回复了 xiamx 创建的主题 › Python › 提升 sklearn 上 SVM classifier 的运行速度有什么好途径？ |
不要多想， sklearn 上的 svm 就是 wrap 了 libsvm 和 liblinear ，很难更快了。说到底 SVM 本来就慢
SVC -> libsvm
LinearSVC -> liblinear
SVC -> libsvm
LinearSVC -> liblinear
2016-03-04 10:47:48 +08:00 回复了 mikezhang0515 创建的主题 › 程序员 › 关于统计语言模型和神经网络语言模型 |
@mikezhang0515 首先“语言模型(Language Model)”是一个专有名词，主要目的是给定一个句子，能估算出其在这门语言中的出现概率。传统做法一般是 n-gram ，而神经网络一般是用 RNN+LSTM 。
文本分类又是另一个自然语言处理中的问题，一般做法是从每个文本中提取特征，然后就可以用任何有监督学习的方法来做了。至于词向量，你可以认为是给每个词的特征，想办法把这些组合起来变成整个文本的特征，之后就是同一个套路了
文本分类又是另一个自然语言处理中的问题，一般做法是从每个文本中提取特征，然后就可以用任何有监督学习的方法来做了。至于词向量，你可以认为是给每个词的特征，想办法把这些组合起来变成整个文本的特征，之后就是同一个套路了
2016-03-03 12:03:11 +08:00 回复了 mikezhang0515 创建的主题 › 程序员 › 关于统计语言模型和神经网络语言模型 |
类别判断？语言模型的目的本来就只是给句子一个概率啊
Select Language