布口袋_天晴了
布口袋_天晴了

2018-06-28《intent意图分类模型》

任务一：自己写一个intent(意图)分类

1.数据查看与了解：

总集数据：4622条  

按照2:8比例划分。训练集：3697条      测试集：925条

数据格式：三元组形式(句子，slot标记，intent意图)

数据格式:(句子，slot，intent)

意图种类有：5种   {'play', 'stop&play', 'stop', 'query', 'pause'}

2.intent分类：

其实这里也适用Decoder-Encoder思想框架，因为存在句对也就是<句子，意图>。从分类的角度来看，这是一个多分类问题。

搭建一个softmax多分类模型。

自己搭建的模型：

2018-06-28《intent意图分类模型》_第1张图片
1
2018-06-28《intent意图分类模型》_第2张图片
48行这个语句为：relu_feature_maps1 = tf.nn.relu(tf.nn.conv2d(encoder_new, conv_filter_w1,strides=[1, 1, 1, 1], padding='SAME') + conv_filter_b1)


2018-06-28《intent意图分类模型》_第3张图片
3
2018-06-28《intent意图分类模型》_第4张图片
4
2018-06-28《intent意图分类模型》_第5张图片
5

训练结果与预测结果：

2018-06-28《intent意图分类模型》_第6张图片
训练结果与预测结果

从结果准确率上来看，自己搭建的意图分类模型，没有出现过拟合，因为测试集准确率能跟上训练集准确率。 但是，在训练的迭代次数为3或4的时候，对于数据集的意图准确率马上就达到了很高的准确率。这可以说明，我们的数据集较简单，不需要模型的深度训练。


参考文章：

【1】深度学习之卷积神经网络CNN及tensorflow代码实现示例


任务二：周杰伦粉丝团数据--情感主题

jieba分词词性标注：

2018-06-28《intent意图分类模型》_第7张图片
jieba分词及词性标注

jieba词性标注说明：

2018-06-28《intent意图分类模型》_第8张图片
jieba的词性标注的简单说明

A.只保留形容词

2018-06-28《intent意图分类模型》_第9张图片
只保留形容词部分代码

LDA模型--专辑情感主题结果：

专辑的情感主题分类，我设置的是分为31个主题，希望按照专辑数量这个粒度来进行主题数量划分。其实主题个数设置为其它数值也行。

(0, '0.002*"可乐" + 0.002*"惶恐" + 0.002*"憨笑" + 0.002*"成熟" + 0.002*"不错" + 0.002*"最强" + 0.002*"无聊" + 0.002*"厉害" + 0.002*"很酷" + 0.002*"杰迷"')

(1, '0.051*"尊重" + 0.044*"惊喜" + 0.034*"凉凉" + 0.034*"特效" + 0.034*"弱弱" + 0.034*"好烦" + 0.030*"充满" + 0.022*"幸好" + 0.021*"微博" + 0.021*"好奇"')

(2, '0.059*"凉凉" + 0.002*"可乐" + 0.002*"暗淡" + 0.002*"最美" + 0.002*"疲倦" + 0.002*"清爽" + 0.002*"遥远" + 0.002*"有趣" + 0.002*"简单" + 0.002*"完美"')

(3, '0.002*"悦耳" + 0.002*"温热" + 0.002*"蛮快" + 0.002*"超傲" + 0.002*"轻狂" + 0.002*"重名" + 0.002*"有愧" + 0.002*"悲观" + 0.002*"偏要" + 0.002*"犹豫"')

(4, '0.002*"很毒" + 0.002*"灵感" + 0.002*"酷酷" + 0.002*"神秘" + 0.002*"恐怖" + 0.002*"巧妙" + 0.002*"慈悲" + 0.002*"稳如" + 0.002*"合适" + 0.002*"挺挺"')

(5, '0.053*"不错" + 0.053*"合适" + 0.053*"一大" + 0.002*"悲观" + 0.002*"犹豫" + 0.002*"超傲" + 0.002*"轻狂" + 0.002*"重名" + 0.002*"悦耳" + 0.002*"真好玩"')

(6, '0.002*"珍贵" + 0.002*"孤单" + 0.002*"很酷" + 0.002*"激动" + 0.002*"好巧" + 0.002*"温柔" + 0.002*"最美" + 0.002*"浪漫" + 0.002*"憨笑" + 0.002*"恐怖"')

(7, '0.018*"激动" + 0.018*"温柔" + 0.018*"惊恐" + 0.018*"最爱" + 0.018*"惶恐" + 0.018*"不错" + 0.018*"厉害" + 0.018*"很烦" + 0.018*"憨笑" + 0.018*"杰迷"')

(8, '0.021*"幸运" + 0.021*"悲伤" + 0.021*"幸好" + 0.020*"最爱" + 0.019*"快乐" + 0.018*"憨笑" + 0.011*"浮沉" + 0.011*"苦痛" + 0.011*"幼稚" + 0.011*"模糊"')

(9, '0.002*"悦耳" + 0.002*"温热" + 0.002*"蛮快" + 0.002*"超傲" + 0.002*"轻狂" + 0.002*"重名" + 0.002*"有愧" + 0.002*"悲观" + 0.002*"偏要" + 0.002*"犹豫"')

(10, '0.002*"杰迷" + 0.002*"神奇" + 0.002*"欢乐" + 0.002*"不错" + 0.002*"凉凉" + 0.002*"骄傲" + 0.002*"尴尬" + 0.002*"优越" + 0.002*"滑稽" + 0.002*"年轻"')

(11, '0.025*"无聊" + 0.025*"矫情" + 0.025*"安稳" + 0.025*"幸福" + 0.025*"幸运" + 0.025*"心疼" + 0.025*"好奇" + 0.025*"惊恐" + 0.025*"憨笑" + 0.025*"尴尬"')

(12, '0.053*"憨笑" + 0.053*"孤独" + 0.053*"成功" + 0.002*"惶恐" + 0.002*"幽默" + 0.002*"和谐" + 0.002*"好爽" + 0.002*"不愧" + 0.002*"活泼" + 0.002*"亲爱"')

(13, '0.016*"太狠" + 0.016*"纯洁" + 0.015*"好巧" + 0.014*"年轻" + 0.014*"酷酷" + 0.014*"遗憾" + 0.014*"最强" + 0.013*"快乐" + 0.013*"惶恐" + 0.013*"完美"')

(14, '0.002*"最多" + 0.002*"轻松" + 0.002*"很大" + 0.002*"完美" + 0.002*"奇妙" + 0.002*"凛听" + 0.002*"遗憾" + 0.002*"可乐" + 0.002*"最美" + 0.002*"一晃"')

(15, '0.002*"悦耳" + 0.002*"温热" + 0.002*"蛮快" + 0.002*"超傲" + 0.002*"轻狂" + 0.002*"重名" + 0.002*"有愧" + 0.002*"悲观" + 0.002*"偏要" + 0.002*"犹豫"')

(16, '0.002*"悦耳" + 0.002*"温热" + 0.002*"蛮快" + 0.002*"超傲" + 0.002*"轻狂" + 0.002*"重名" + 0.002*"有愧" + 0.002*"悲观" + 0.002*"偏要" + 0.002*"犹豫"')

(17, '0.002*"悦耳" + 0.002*"温热" + 0.002*"蛮快" + 0.002*"超傲" + 0.002*"轻狂" + 0.002*"重名" + 0.002*"有愧" + 0.002*"悲观" + 0.002*"偏要" + 0.002*"犹豫"')

(18, '0.031*"不易" + 0.031*"不爽" + 0.017*"成熟" + 0.017*"辛苦" + 0.017*"尴尬" + 0.017*"温柔" + 0.017*"幸运" + 0.017*"好酷" + 0.017*"恐怖" + 0.017*"伤害"')

(19, '0.056*"糊涂" + 0.056*"一大" + 0.002*"美好" + 0.002*"很大" + 0.002*"挺挺" + 0.002*"颓大" + 0.002*"惊喜" + 0.002*"混混" + 0.002*"凄凉" + 0.002*"合适"')

(20, '0.002*"悦耳" + 0.002*"温热" + 0.002*"蛮快" + 0.002*"超傲" + 0.002*"轻狂" + 0.002*"重名" + 0.002*"有愧" + 0.002*"悲观" + 0.002*"偏要" + 0.002*"犹豫"')

(21, '0.029*"惊恐" + 0.029*"惶恐" + 0.029*"最爱" + 0.029*"憨笑" + 0.029*"温柔" + 0.015*"骄傲" + 0.015*"不爽" + 0.015*"正好" + 0.015*"疯狂" + 0.015*"最酷"')

(22, '0.016*"简单" + 0.016*"悲伤" + 0.016*"恐怖" + 0.016*"幸福" + 0.016*"最多" + 0.016*"好奇" + 0.016*"凉凉" + 0.016*"惊恐" + 0.016*"憨笑" + 0.008*"勇敢"')

(23, '0.016*"落后" + 0.016*"成功" + 0.016*"激动" + 0.015*"完整" + 0.015*"最爱" + 0.014*"惊恐" + 0.013*"杰迷" + 0.013*"厉害" + 0.013*"憨笑" + 0.013*"不错"')

(24, '0.012*"幸福" + 0.012*"隐晦" + 0.012*"朦胧" + 0.012*"太惨" + 0.012*"忙碌" + 0.012*"浪漫" + 0.012*"有趣" + 0.012*"美好" + 0.012*"最香" + 0.012*"深爱"')

(25, '0.031*"惶恐" + 0.031*"厉害" + 0.031*"惊恐" + 0.031*"轻松" + 0.031*"优秀" + 0.031*"尊重" + 0.031*"风靡" + 0.031*"孤独" + 0.031*"正火" + 0.031*"强迫"')

(26, '0.016*"微博" + 0.016*"先出" + 0.016*"完美" + 0.016*"纯真" + 0.016*"成功" + 0.016*"妥帖" + 0.016*"惊讶" + 0.016*"完大" + 0.016*"悲壮" + 0.016*"很好"')

(27, '0.016*"亲爱" + 0.016*"憨笑" + 0.016*"惊恐" + 0.016*"遗憾" + 0.016*"快乐" + 0.016*"厉害" + 0.016*"有趣" + 0.016*"嚣张" + 0.016*"杰迷" + 0.016*"潇洒"')

(28, '0.023*"太酷" + 0.023*"更爽" + 0.023*"尊重" + 0.023*"正要" + 0.023*"不缺" + 0.023*"轻易" + 0.023*"惊艳" + 0.023*"心疼" + 0.023*"辛苦" + 0.023*"憨笑"')

(29, '0.016*"很丧" + 0.016*"潇洒" + 0.016*"紧张" + 0.016*"难熬" + 0.016*"耐听" + 0.016*"傲气" + 0.016*"柔情" + 0.016*"不耐烦" + 0.016*"忐忑" + 0.016*"优秀"')

(30, '0.026*"神奇" + 0.025*"惊恐" + 0.024*"不错" + 0.022*"幸福" + 0.021*"憨笑" + 0.020*"惶恐" + 0.020*"厉害" + 0.017*"快乐" + 0.017*"很酷" + 0.017*"完整"')

LDA模型--歌曲情感主题结果：

歌曲的情感主题分类，我设置的主题个数也是31个主题。可以根据需要设置其它主题个数。

(0, '0.028*"憨笑" + 0.019*"不错" + 0.019*"激动" + 0.019*"厉害" + 0.019*"恭喜" + 0.019*"著名" + 0.010*"杰迷" + 0.010*"快乐" + 0.010*"简单" + 0.010*"辛苦"')

(1, '0.009*"厲害" + 0.009*"很皮" + 0.009*"欢快" + 0.009*"很棒" + 0.009*"酷酷" + 0.009*"惶恐" + 0.009*"有趣" + 0.009*"惊恐" + 0.009*"不错" + 0.009*"最爱"')

(2, '0.038*"不错" + 0.034*"憨笑" + 0.031*"厉害" + 0.025*"惊恐" + 0.023*"成功" + 0.021*"欢乐" + 0.020*"舒服" + 0.017*"惊艳" + 0.015*"合适" + 0.015*"欢快"')

(3, '0.021*"厉害" + 0.015*"不错" + 0.015*"惊恐" + 0.015*"憨笑" + 0.015*"惶恐" + 0.011*"漂亮" + 0.011*"最强" + 0.011*"杰迷" + 0.010*"心疼" + 0.010*"幸福"')

(4, '0.022*"厉害" + 0.022*"憨笑" + 0.018*"很棒" + 0.017*"最多" + 0.015*"很大" + 0.015*"年轻" + 0.014*"惊恐" + 0.014*"酷好" + 0.013*"惊喜" + 0.013*"最强"')

(5, '0.016*"憨笑" + 0.014*"不错" + 0.014*"厉害" + 0.013*"舒服" + 0.012*"简单" + 0.012*"很棒" + 0.012*"幸福" + 0.012*"惊恐" + 0.012*"惶恐" + 0.011*"温柔"')

(6, '0.022*"厉害" + 0.022*"完美" + 0.019*"清晰" + 0.017*"舒服" + 0.017*"年轻" + 0.016*"惊恐" + 0.016*"憨笑" + 0.015*"惊艳" + 0.015*"太酷" + 0.013*"浮躁"')

(7, '0.015*"憨笑" + 0.014*"简单" + 0.013*"安好" + 0.013*"惊恐" + 0.012*"快乐" + 0.012*"心疼" + 0.012*"最爱" + 0.011*"幸运" + 0.011*"成熟" + 0.010*"成功"')

(8, '0.020*"憨笑" + 0.017*"厉害" + 0.017*"不错" + 0.016*"最爱" + 0.016*"惊恐" + 0.014*"杰迷" + 0.014*"幸福" + 0.013*"悲伤" + 0.012*"简单" + 0.010*"完美"')

(9, '0.020*"憨笑" + 0.017*"惶恐" + 0.016*"完美" + 0.016*"快乐" + 0.016*"厉害" + 0.015*"最爱" + 0.015*"不错" + 0.014*"幸福" + 0.014*"惊恐" + 0.013*"尴尬"')

(10, '0.025*"憨笑" + 0.019*"快乐" + 0.019*"厉害" + 0.019*"惶恐" + 0.019*"凉凉" + 0.012*"完美" + 0.012*"舒服" + 0.012*"幸福" + 0.012*"不错" + 0.012*"幸运"')

(11, '0.013*"惊恐" + 0.013*"憨笑" + 0.012*"不错" + 0.011*"最强" + 0.011*"遗憾" + 0.011*"厉害" + 0.011*"温柔" + 0.010*"年轻" + 0.010*"快乐" + 0.010*"美好"')

(12, '0.015*"幸福" + 0.015*"厉害" + 0.014*"杰迷" + 0.014*"惊恐" + 0.012*"美好" + 0.012*"最爱" + 0.012*"憨笑" + 0.011*"完美" + 0.011*"辛苦" + 0.011*"惊喜"')

(13, '0.017*"憨笑" + 0.015*"幸福" + 0.015*"厉害" + 0.014*"温柔" + 0.012*"遗憾" + 0.012*"杰迷" + 0.012*"简单" + 0.012*"美好" + 0.012*"成功" + 0.011*"惊恐"')

(14, '0.023*"憨笑" + 0.021*"悲伤" + 0.020*"幸运" + 0.017*"不错" + 0.016*"厉害" + 0.015*"很好" + 0.014*"别扭" + 0.012*"惊恐" + 0.012*"不好意思" + 0.012*"尊重"')

(15, '0.020*"幸福" + 0.020*"憨笑" + 0.018*"遗憾" + 0.016*"厉害" + 0.013*"快乐" + 0.013*"悲伤" + 0.012*"浪漫" + 0.012*"完整" + 0.011*"美好" + 0.011*"不错"')

(16, '0.018*"憨笑" + 0.016*"不错" + 0.016*"惊恐" + 0.014*"厉害" + 0.012*"遗憾" + 0.011*"优秀" + 0.011*"快乐" + 0.010*"杰迷" + 0.010*"美好" + 0.009*"幸福"')

(17, '0.019*"幸福" + 0.016*"最爱" + 0.015*"不错" + 0.014*"厉害" + 0.014*"完美" + 0.014*"憨笑" + 0.014*"美好" + 0.013*"年轻" + 0.013*"快乐" + 0.012*"惊恐"')

(18, '0.015*"优秀" + 0.015*"幼稚" + 0.013*"很大" + 0.013*"简单" + 0.012*"不错" + 0.012*"厉害" + 0.010*"最爱" + 0.010*"美好" + 0.010*"不腻" + 0.010*"安好"')

(19, '0.014*"成功" + 0.014*"完整" + 0.013*"杰迷" + 0.013*"惊恐" + 0.010*"骄傲" + 0.010*"完爆" + 0.010*"优秀" + 0.010*"灵感" + 0.010*"郁闷" + 0.009*"幸好"')

(20, '0.014*"孤独" + 0.014*"正好" + 0.013*"成功" + 0.013*"遗憾" + 0.013*"厉害" + 0.013*"不错" + 0.012*"精美" + 0.010*"有趣" + 0.010*"挺好" + 0.010*"漂亮"')

(21, '0.033*"憨笑" + 0.025*"惊恐" + 0.017*"最强" + 0.017*"厉害" + 0.017*"不错" + 0.017*"好爽" + 0.017*"简单" + 0.017*"幸运" + 0.017*"好烦" + 0.009*"完美"')

(22, '0.018*"憨笑" + 0.017*"惊恐" + 0.017*"最爱" + 0.017*"不错" + 0.014*"厉害" + 0.014*"惊喜" + 0.014*"幸福" + 0.014*"惶恐" + 0.013*"温柔" + 0.012*"年轻"')

(23, '0.015*"憨笑" + 0.013*"幸福" + 0.013*"快乐" + 0.012*"最强" + 0.012*"最爱" + 0.011*"惊恐" + 0.011*"厉害" + 0.011*"激动" + 0.011*"不错" + 0.011*"年轻"')

(24, '0.026*"憨笑" + 0.021*"不错" + 0.018*"完美" + 0.017*"漂亮" + 0.016*"惊恐" + 0.016*"厉害" + 0.013*"简单" + 0.013*"甜蜜" + 0.013*"矫情" + 0.012*"浪漫"')

(25, '0.014*"憨笑" + 0.012*"简单" + 0.012*"美好" + 0.011*"惊恐" + 0.010*"惊喜" + 0.010*"温柔" + 0.009*"孤单" + 0.008*"很小" + 0.008*"勇敢" + 0.008*"快乐"')

(26, '0.015*"不错" + 0.015*"惊恐" + 0.015*"憨笑" + 0.012*"厉害" + 0.012*"充满" + 0.011*"惶恐" + 0.011*"很棒" + 0.010*"激动" + 0.009*"美好" + 0.009*"遗憾"')

(27, '0.016*"年轻" + 0.016*"有趣" + 0.016*"不错" + 0.016*"最强" + 0.016*"勇敢" + 0.016*"惭愧" + 0.016*"漂亮" + 0.016*"伤害" + 0.016*"谦虚" + 0.016*"太酷"')

(28, '0.025*"憨笑" + 0.023*"厉害" + 0.017*"温柔" + 0.016*"最美" + 0.015*"简单" + 0.015*"惊恐" + 0.014*"好奇" + 0.014*"不腻" + 0.013*"美好" + 0.013*"幸福"')

(29, '0.031*"幸福" + 0.024*"憨笑" + 0.019*"厉害" + 0.019*"惊恐" + 0.014*"惊艳" + 0.014*"简单" + 0.013*"惶恐" + 0.013*"尴尬" + 0.013*"不错" + 0.011*"不腻"')

(30, '0.019*"憨笑" + 0.017*"不错" + 0.016*"滑稽" + 0.015*"惊恐" + 0.014*"惊讶" + 0.013*"厉害" + 0.012*"完美" + 0.012*"幸运" + 0.012*"不好意思" + 0.011*"惶恐"')

B.对表情符号进行过滤处理

由于形容词里面有很多词，是通过发送表情符号而带上的汉字，这些词其实对当前问题的情感主题划分是没有贡献的，所以有必要过滤掉这种评论者自身带有的情感色彩词，保留下对周杰伦音乐本事评价的情感词。

需要处理掉的数据长相
需要处理掉的数据长相

符号表情词过滤：

2018-06-28《intent意图分类模型》_第10张图片
符号表情词过滤代码

LDA模型--专辑情感主题结果：

(0, '0.030*"不错" + 0.020*"温柔" + 0.020*"恐怖" + 0.020*"杰迷" + 0.020*"无聊" + 0.020*"简单" + 0.020*"激动" + 0.020*"惊艳" + 0.020*"厉害" + 0.020*"惊喜"')

(1, '0.002*"轻狂" + 0.002*"悦耳" + 0.002*"有愧" + 0.002*"真好玩" + 0.002*"蛮快" + 0.002*"超傲" + 0.002*"慵懒" + 0.002*"重名" + 0.002*"犹豫" + 0.002*"温热"')

(2, '0.002*"酷酷" + 0.002*"年轻" + 0.002*"强大" + 0.002*"单挑" + 0.002*"激动" + 0.002*"最爱" + 0.002*"不爽" + 0.002*"最多" + 0.002*"很小" + 0.002*"惊艳"')

(3, '0.009*"傲气" + 0.009*"尴尬" + 0.009*"落寞" + 0.009*"不好意思" + 0.009*"厉害" + 0.009*"骄傲" + 0.009*"意外" + 0.009*"滑稽" + 0.009*"强大" + 0.009*"低俗"')

(4, '0.002*"干活" + 0.002*"很酷" + 0.002*"亲热" + 0.002*"轻狂" + 0.002*"神奇" + 0.002*"骄傲" + 0.002*"平凡" + 0.002*"熟练" + 0.002*"纯白" + 0.002*"干净"')

(5, '0.020*"不错" + 0.013*"完美" + 0.013*"最酷" + 0.013*"很酷" + 0.013*"厉害" + 0.013*"年轻" + 0.013*"疯狂" + 0.013*"滑稽" + 0.013*"惊艳" + 0.013*"幸运"')

(6, '0.002*"迷喜" + 0.002*"漂亮" + 0.002*"蛮高" + 0.002*"嘶哑" + 0.002*"很蠢" + 0.002*"自由" + 0.002*"弱弱" + 0.002*"强多" + 0.002*"亲爱" + 0.002*"憋着"')

(7, '0.026*"孤独" + 0.024*"成功" + 0.018*"尴尬" + 0.018*"幸运" + 0.018*"无聊" + 0.017*"浪漫" + 0.017*"漂亮" + 0.014*"好奇" + 0.014*"最美" + 0.014*"温柔"')

(8, '0.002*"微博" + 0.002*"很好" + 0.002*"幸福" + 0.002*"遗憾" + 0.002*"精致" + 0.002*"不适" + 0.002*"最爱" + 0.002*"虚伪" + 0.002*"疯狂" + 0.002*"年轻"')

(9, '0.030*"神奇" + 0.030*"快乐" + 0.030*"美好" + 0.030*"惊艳" + 0.030*"幸福" + 0.030*"完美" + 0.030*"不错" + 0.030*"无聊" + 0.030*"最爱" + 0.030*"青涩"')

(10, '0.011*"一大" + 0.011*"激动" + 0.011*"很大" + 0.011*"幸福" + 0.011*"厉害" + 0.011*"很酷" + 0.011*"快乐" + 0.011*"不腻" + 0.011*"最多" + 0.011*"轻松"')

(11, '0.024*"辛苦" + 0.024*"不错" + 0.024*"厉害" + 0.024*"幸好" + 0.024*"激动" + 0.024*"完美" + 0.024*"骄傲" + 0.024*"一大" + 0.024*"很好" + 0.024*"正要"')

(12, '0.015*"成功" + 0.015*"厉害" + 0.015*"完整" + 0.015*"不错" + 0.015*"激动" + 0.015*"浮躁" + 0.015*"一大" + 0.015*"太酷" + 0.015*"不懂" + 0.015*"舒服"')

(13, '0.036*"温柔" + 0.036*"最爱" + 0.018*"一晃" + 0.018*"厉害" + 0.018*"骄傲" + 0.018*"不好意思" + 0.018*"团建" + 0.018*"超酷" + 0.018*"亲切" + 0.018*"纯洁"')

(14, '0.067*"凉凉" + 0.034*"最多" + 0.034*"幸福" + 0.034*"悲伤" + 0.034*"恐怖" + 0.034*"简单" + 0.034*"漂亮" + 0.034*"温柔" + 0.034*"最美" + 0.034*"难熬"')

(15, '0.002*"轻狂" + 0.002*"悦耳" + 0.002*"有愧" + 0.002*"真好玩" + 0.002*"蛮快" + 0.002*"超傲" + 0.002*"慵懒" + 0.002*"重名" + 0.002*"犹豫" + 0.002*"温热"')

(16, '0.002*"轻狂" + 0.002*"悦耳" + 0.002*"有愧" + 0.002*"真好玩" + 0.002*"蛮快" + 0.002*"超傲" + 0.002*"慵懒" + 0.002*"重名" + 0.002*"犹豫" + 0.002*"温热"')

(17, '0.018*"幸好" + 0.017*"最爱" + 0.016*"遗憾" + 0.015*"尊重" + 0.015*"完美" + 0.015*"不错" + 0.015*"厉害" + 0.012*"凉凉" + 0.012*"很烦" + 0.012*"弱弱"')

(18, '0.002*"激动" + 0.002*"简单" + 0.002*"厉害" + 0.002*"心疼" + 0.002*"惊艳" + 0.002*"悲哀" + 0.002*"不错" + 0.002*"无聊" + 0.002*"不好意思" + 0.002*"最强"')

(19, '0.002*"幸福" + 0.002*"杰迷" + 0.002*"心疼" + 0.002*"激动" + 0.002*"疯狂" + 0.002*"很酷" + 0.002*"太慢" + 0.002*"神奇" + 0.002*"自由" + 0.002*"快乐"')

(20, '0.002*"害羞" + 0.002*"简单" + 0.002*"苦楚" + 0.002*"惊喜" + 0.002*"轻松" + 0.002*"快乐" + 0.002*"娴静" + 0.002*"亲切" + 0.002*"自由" + 0.002*"艰苦"')

(21, '0.002*"忧愁" + 0.002*"单挑" + 0.002*"俏皮" + 0.002*"阴郁" + 0.002*"热爱" + 0.002*"酷酷" + 0.002*"惊喜" + 0.002*"悲伤" + 0.002*"意外" + 0.002*"凉凉"')

(22, '0.019*"快乐" + 0.018*"遗憾" + 0.018*"厉害" + 0.017*"亲爱" + 0.014*"惊喜" + 0.014*"很棒" + 0.014*"杰迷" + 0.013*"不错" + 0.012*"嚣张" + 0.012*"有趣"')

(23, '0.027*"心疼" + 0.027*"独秀" + 0.027*"悦耳" + 0.027*"快乐" + 0.027*"犹豫" + 0.027*"很好" + 0.027*"熟稔" + 0.027*"温热" + 0.027*"肤浅" + 0.027*"最爱"')

(24, '0.002*"欢乐" + 0.002*"严肃" + 0.002*"真挚" + 0.002*"亲爱" + 0.002*"热爱" + 0.002*"轻松" + 0.002*"不好玩" + 0.002*"寂寞" + 0.002*"亲切" + 0.002*"忠实"')

(25, '0.015*"艳丽" + 0.015*"不烦" + 0.015*"了秀" + 0.015*"太酷" + 0.015*"高贵" + 0.015*"不小" + 0.015*"很大" + 0.015*"低俗" + 0.015*"疯狂" + 0.015*"成熟"')

(26, '0.002*"幸福" + 0.002*"遗憾" + 0.002*"有趣" + 0.002*"很大" + 0.002*"血大" + 0.002*"顽强" + 0.002*"一大" + 0.002*"完整" + 0.002*"孤独" + 0.002*"犹寒"')

(27, '0.038*"苦痛" + 0.038*"悲伤" + 0.038*"幸好" + 0.038*"幼稚" + 0.038*"最爱" + 0.038*"模糊" + 0.038*"委婉" + 0.038*"浮沉" + 0.038*"幸运" + 0.038*"冲淡"')

(28, '0.002*"忧愁" + 0.002*"愉快" + 0.002*"私聊" + 0.002*"欢乐" + 0.002*"妥妥" + 0.002*"唯美" + 0.002*"热爱" + 0.002*"骄傲" + 0.002*"凉凉" + 0.002*"简单"')

(29, '0.002*"鲜艳" + 0.002*"沉默" + 0.002*"遗憾" + 0.002*"新颖" + 0.002*"闷热" + 0.002*"红遍" + 0.002*"轻狂" + 0.002*"模糊" + 0.002*"好酷" + 0.002*"平均"')

(30, '0.002*"轻狂" + 0.002*"悦耳" + 0.002*"有愧" + 0.002*"真好玩" + 0.002*"蛮快" + 0.002*"超傲" + 0.002*"慵懒" + 0.002*"重名" + 0.002*"犹豫" + 0.002*"温热"')

LDA模型--歌曲情感主题结果：

(0, '0.025*"厉害" + 0.025*"悲伤" + 0.017*"尊重" + 0.017*"最全" + 0.017*"快乐" + 0.017*"不错" + 0.017*"最强" + 0.017*"年轻" + 0.017*"最多" + 0.017*"耳熟"')

(1, '0.014*"厉害" + 0.012*"幸福" + 0.012*"不错" + 0.012*"最爱" + 0.011*"正好" + 0.010*"简单" + 0.010*"完美" + 0.010*"尴尬" + 0.010*"骄傲" + 0.009*"成功"')

(2, '0.013*"不错" + 0.013*"厉害" + 0.011*"最爱" + 0.011*"尴尬" + 0.011*"杰迷" + 0.011*"成功" + 0.009*"紧张" + 0.009*"疯狂" + 0.009*"心疼" + 0.009*"快乐"')

(3, '0.027*"不好意思" + 0.025*"厉害" + 0.024*"杰迷" + 0.022*"不错" + 0.022*"幸福" + 0.018*"年轻" + 0.015*"很好" + 0.015*"幸运" + 0.015*"完美" + 0.014*"很棒"')

(4, '0.016*"不错" + 0.015*"害羞" + 0.014*"厉害" + 0.014*"惊喜" + 0.014*"幸好" + 0.013*"简单" + 0.013*"舒服" + 0.012*"快乐" + 0.012*"有趣" + 0.011*"神奇"')

(5, '0.012*"年轻" + 0.011*"快乐" + 0.011*"惊喜" + 0.011*"最爱" + 0.010*"幸福" + 0.010*"厉害" + 0.010*"不错" + 0.009*"最多" + 0.009*"亲爱" + 0.008*"无聊"')

(6, '0.028*"优秀" + 0.022*"不错" + 0.022*"厉害" + 0.017*"很好" + 0.017*"快乐" + 0.017*"优美" + 0.017*"浪漫" + 0.011*"孤独" + 0.011*"舒服" + 0.011*"自私"')

(7, '0.015*"不错" + 0.013*"年轻" + 0.012*"厉害" + 0.011*"珍惜" + 0.011*"简单" + 0.010*"好奇" + 0.010*"很酷" + 0.010*"疯狂" + 0.009*"很大" + 0.009*"舒服"')

(8, '0.014*"幸福" + 0.014*"厉害" + 0.013*"完美" + 0.013*"很棒" + 0.013*"最爱" + 0.012*"寂静" + 0.012*"不错" + 0.011*"温柔" + 0.010*"杰迷" + 0.010*"孤独"')

(9, '0.013*"完美" + 0.013*"美好" + 0.013*"幸福" + 0.012*"快乐" + 0.012*"不错" + 0.012*"幸运" + 0.012*"温柔" + 0.012*"年轻" + 0.012*"简单" + 0.011*"最强"')

(10, '0.017*"幸运" + 0.017*"好烦" + 0.013*"害羞" + 0.012*"意外" + 0.011*"最美" + 0.011*"惊喜" + 0.011*"疯狂" + 0.010*"完美" + 0.010*"尴尬" + 0.010*"杰迷"')

(11, '0.020*"幸福" + 0.020*"厉害" + 0.018*"不错" + 0.016*"勇敢" + 0.016*"温柔" + 0.015*"最爱" + 0.014*"沉默" + 0.013*"最多" + 0.013*"完美" + 0.013*"简单"')

(12, '0.028*"幸好" + 0.027*"厉害" + 0.019*"孤独" + 0.019*"幸福" + 0.019*"凄美" + 0.019*"激动" + 0.016*"深爱" + 0.015*"杰迷" + 0.013*"浪漫" + 0.013*"最爱"')

(13, '0.018*"厉害" + 0.015*"不错" + 0.013*"快乐" + 0.012*"最爱" + 0.012*"悲伤" + 0.011*"惊喜" + 0.011*"尊重" + 0.010*"年轻" + 0.010*"最美" + 0.010*"幸运"')

(14, '0.025*"厉害" + 0.023*"年轻" + 0.023*"有爱" + 0.020*"不错" + 0.015*"连续" + 0.015*"欢快" + 0.014*"妥妥" + 0.014*"快乐" + 0.012*"神奇" + 0.012*"最爱"')

(15, '0.032*"不错" + 0.021*"厉害" + 0.017*"合适" + 0.017*"简单" + 0.016*"杰迷" + 0.012*"成熟" + 0.012*"珍惜" + 0.012*"年轻" + 0.012*"尴尬" + 0.012*"青涩"')

(16, '0.015*"杰迷" + 0.015*"浪漫" + 0.015*"神奇" + 0.015*"简单" + 0.015*"灵感" + 0.015*"厉害" + 0.015*"精通" + 0.015*"很美" + 0.015*"最爱" + 0.015*"阴暗"')

(17, '0.019*"不错" + 0.018*"成功" + 0.015*"最爱" + 0.014*"美好" + 0.014*"疯狂" + 0.014*"遗憾" + 0.013*"幸福" + 0.013*"孤独" + 0.012*"很棒" + 0.012*"珍惜"')

(18, '0.026*"不错" + 0.023*"伤害" + 0.019*"最强" + 0.015*"年轻" + 0.015*"太酷" + 0.014*"有趣" + 0.014*"滑稽" + 0.013*"惭愧" + 0.012*"恐怖" + 0.011*"不腻"')

(19, '0.022*"厉害" + 0.019*"幼稚" + 0.018*"不错" + 0.017*"安好" + 0.016*"美好" + 0.015*"最爱" + 0.013*"青涩" + 0.012*"唯美" + 0.012*"最美" + 0.012*"不腻"')

(20, '0.026*"厉害" + 0.020*"幸福" + 0.018*"不错" + 0.014*"很棒" + 0.014*"最爱" + 0.013*"正好" + 0.013*"疯狂" + 0.012*"成功" + 0.012*"美好" + 0.012*"完美"')

(21, '0.001*"很棒" + 0.001*"厉害" + 0.001*"不好意思" + 0.001*"幸福" + 0.001*"珍惜" + 0.001*"惊讶" + 0.001*"骄傲" + 0.001*"成功" + 0.001*"完美" + 0.001*"很好"')

(22, '0.019*"好酷" + 0.015*"杰迷" + 0.015*"温柔" + 0.015*"不错" + 0.015*"幸福" + 0.013*"真美" + 0.010*"紧张" + 0.010*"有趣" + 0.009*"一晃" + 0.009*"不腻"')

(23, '0.011*"惊艳" + 0.011*"美好" + 0.010*"不错" + 0.010*"完美" + 0.010*"清纯" + 0.010*"纯爱" + 0.010*"优美" + 0.010*"良心" + 0.009*"无聊" + 0.009*"伤害"')

(24, '0.022*"厉害" + 0.022*"一大" + 0.021*"著名" + 0.018*"不错" + 0.014*"骄傲" + 0.013*"成功" + 0.012*"完整" + 0.012*"心疼" + 0.011*"激动" + 0.011*"辛苦"')

(25, '0.020*"厉害" + 0.017*"温柔" + 0.015*"成功" + 0.015*"简单" + 0.015*"杰迷" + 0.015*"尴尬" + 0.015*"幸福" + 0.014*"快乐" + 0.013*"最爱" + 0.012*"遗憾"')

(26, '0.016*"不错" + 0.015*"厉害" + 0.013*"杰迷" + 0.012*"完美" + 0.011*"尴尬" + 0.011*"幸福" + 0.011*"激动" + 0.011*"疯狂" + 0.011*"最强" + 0.011*"遗憾"')

(27, '0.020*"舒服" + 0.019*"最爱" + 0.019*"厉害" + 0.018*"幸福" + 0.016*"欢乐" + 0.015*"惊艳" + 0.015*"尴尬" + 0.014*"简单" + 0.013*"不错" + 0.013*"疯狂"')

(28, '0.021*"美好" + 0.019*"凉凉" + 0.018*"快乐" + 0.018*"最强" + 0.018*"幸福" + 0.017*"最爱" + 0.016*"杰迷" + 0.015*"厉害" + 0.014*"矫情" + 0.013*"幸运"')

(29, '0.022*"厉害" + 0.016*"遗憾" + 0.016*"快乐" + 0.015*"幸福" + 0.014*"最强" + 0.013*"很棒" + 0.013*"完美" + 0.012*"最爱" + 0.011*"激动" + 0.011*"不错"')

(30, '0.015*"完美" + 0.014*"很棒" + 0.014*"不错" + 0.013*"厉害" + 0.012*"幸福" + 0.011*"快乐" + 0.011*"最爱" + 0.011*"遗憾" + 0.011*"美好" + 0.010*"温柔"')


该任务完成！！！！代码放在：

2018-06-28《intent意图分类模型》_第11张图片
任务存放位置，运行里面的model.py就行


参考文章：

【1】Jieba分词词性标注以及词性说明

【2】了解Jieba分词，可参考：Jieba

你可能感兴趣的:(2018-06-28《intent意图分类模型》)

  • 机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习python
    一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
  • 消息中间件有哪些常见类型 xmh-sxh-1314 java
    消息中间件根据其设计理念和用途，可以大致分为以下几种常见类型：点对点消息队列（Point-to-PointMessagingQueues）：在这种模型中，消息被发送到特定的队列中，消费者从队列中取出并处理消息。队列中的消息只能被一个消费者消费，消费后即被删除。常见的实现包括IBM的MQSeries、RabbitMQ的部分使用场景等。适用于任务分发、负载均衡等场景。发布/订阅消息模型（Pub/Sub
  • LLM 词汇表 落难Coder LLMsNLP大语言模型大模型llama人工智能
    Contextwindow“上下文窗口”是指语言模型在生成新文本时能够回溯和参考的文本量。这不同于语言模型训练时所使用的大量数据集，而是代表了模型的“工作记忆”。较大的上下文窗口可以让模型理解和响应更复杂和更长的提示，而较小的上下文窗口可能会限制模型处理较长提示或在长时间对话中保持连贯性的能力。Fine-tuning微调是使用额外的数据进一步训练预训练语言模型的过程。这使得模型开始表示和模仿微调数
  • 探索OpenAI和LangChain的适配器集成：轻松切换模型提供商 nseejrukjhad langchaineasyui前端python
    #探索OpenAI和LangChain的适配器集成：轻松切换模型提供商##引言在人工智能和自然语言处理的世界中，OpenAI的模型提供了强大的能力。然而，随着技术的发展，许多人开始探索其他模型以满足特定需求。LangChain作为一个强大的工具，集成了多种模型提供商，通过提供适配器，简化了不同模型之间的转换。本篇文章将介绍如何使用LangChain的适配器与OpenAI集成，以便轻松切换模型提供商
  • 使用Apify加载Twitter消息以进行微调的完整指南 nseejrukjhad twittereasyui前端python
    #使用Apify加载Twitter消息以进行微调的完整指南##引言在自然语言处理领域，微调模型以适应特定任务是提升模型性能的常见方法。本文将介绍如何使用Apify从Twitter导出聊天信息，以便进一步进行微调。##主要内容###使用Apify导出推文首先，我们需要从Twitter导出推文。Apify可以帮助我们做到这一点。通过Apify的强大功能，我们可以批量抓取和导出数据，适用于各类应用场景。
  • 如何部分格式化提示模板:LangChain中的高级技巧 nseejrukjhad langchainjava服务器python
    标题:如何部分格式化提示模板:LangChain中的高级技巧内容:如何部分格式化提示模板:LangChain中的高级技巧引言在使用大型语言模型(LLM)时,提示工程是一个关键环节。LangChain提供了强大的提示模板功能,让我们能更灵活地构建和管理提示。本文将介绍LangChain中一个高级特性-部分格式化提示模板,这个技巧可以让你的提示管理更加高效和灵活。什么是部分格式化提示模板?部分格式化提
  • 人工智能时代，程序员如何保持核心竞争力？ jmoych 人工智能
    随着AIGC（如chatgpt、midjourney、claude等）大语言模型接二连三的涌现，AI辅助编程工具日益普及，程序员的工作方式正在发生深刻变革。有人担心AI可能取代部分编程工作，也有人认为AI是提高效率的得力助手。面对这一趋势,程序员应该如何应对?是专注于某个领域深耕细作，还是广泛学习以适应快速变化的技术环境?又或者，我们是否应该将重点转向AI无法轻易替代的软技能？让我们一起探讨程序员
  • 番茄西红柿叶子病害分类数据集12882张11类别 futureflsl 数据集分类数据挖掘人工智能
    数据集类型：图像分类用，不可用于目标检测无标注文件数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片图片数量(jpg文件个数)：12882分类类别数：11类别名称:["Bacterial_Spot_Bacteria","Early_Blight_Fungus","Healthy","Late_Blight_Water_Mold","Leaf_Mold_Fungus","Powdery
  • 数据仓库——维度表一致性 墨染丶eye 背诵数据仓库
    数据仓库基础笔记思维导图已经整理完毕，完整连接为：数据仓库基础知识笔记思维导图维度一致性问题从逻辑层面来看，当一系列星型模型共享一组公共维度时，所涉及的维度称为一致性维度。当维度表存在不一致时，短期的成功难以弥补长期的错误。维度时确保不同过程中信息集成起来实现横向钻取货活动的关键。造成横向钻取失败的原因维度结构的差别，因为维度的差别，分析工作涉及的领域从简单到复杂，但是都是通过复杂的报表来弥补设计
  • 【华为OD技术面试真题 - 技术面】- python八股文真题题库（1） 算法大师 华为od面试python
    华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选1.数据预处理流程数据预处理的主要步骤工具和库2.介绍线性回归、逻辑回归模型线性回归（LinearRegression）模型形式：关键点：逻辑回归（LogisticRegression）模型形式：关键点：参数估计与评估：3.python浅拷贝及深拷贝浅拷贝（Shal
  • Xinference如何注册自定义模型 玩人工智能的辣条哥 人工智能AI大模型Xinference
    环境：Xinference问题描述：Xinference如何注册自定义模型解决方案：1.写个model_config.json，内容如下{"version":1,"context_length":2048,"model_name":"custom-llama-3","model_lang":["en","ch"],"model_ability":["generate","chat"],"model
  • 网络编程基础 记得开心一点啊 网络
    目录♫什么是网络编程♫Socket套接字♪什么是Socket套接字♪数据报套接字♪流套接字♫数据报套接字通信模型♪数据报套接字通讯模型♪DatagramSocket♪DatagramPacket♪实现UDP的服务端代码♪实现UDP的客户端代码♫流套接字通信模型♪流套接字通讯模型♪ServerSocket♪Socket♪实现TCP的服务端代码♪实现TCP的客户端代码♫什么是网络编程网络编程，指网络上
  • 简单了解 JVM 记得开心一点啊 jvm
    目录♫什么是JVM♫JVM的运行流程♫JVM运行时数据区♪虚拟机栈♪本地方法栈♪堆♪程序计数器♪方法区/元数据区♫类加载的过程♫双亲委派模型♫垃圾回收机制♫什么是JVMJVM是JavaVirtualMachine的简称，意为Java虚拟机。虚拟机是指通过软件模拟的具有完整硬件功能的、运行在一个完全隔离的环境中的完整计算机系统（如：JVM、VMwave、VirtualBox）。JVM和其他两个虚拟机
  • xilinx vivado PULLMODE 设置思路 坚持每天写程序 fpga开发
    1.xilinx引脚分类XilinxIO的分类：以XC7A100TFGG484为例，其引脚分类如下：1.UserIO(用户IO)：用户使用的普通IO1.1专用(Dedicated)IO：命名为IO_LXXY_#、IO_XX_#的引脚，有固定的特定用途，多为底层特定功能的直接实现，如差分对信号、关键控制信号等，不能随意变更。1.2多功能(Multi-Function)IO：命名为IO_LXXY_ZZ
  • Python实现简单的机器学习算法 master_chenchengg pythonpython办公效率python开发IT
    Python实现简单的机器学习算法开篇：初探机器学习的奇妙之旅搭建环境：一切从安装开始必备工具箱第一步：安装Anaconda和JupyterNotebook小贴士：如何配置Python环境变量算法初体验：从零开始的Python机器学习线性回归：让数据说话数据准备：从哪里找数据编码实战：Python实现线性回归模型评估：如何判断模型好坏逻辑回归：从分类开始理论入门：什么是逻辑回归代码实现：使用skl
  • 推荐算法_隐语义-梯度下降 _feivirus_ 算法机器学习和数学推荐算法机器学习隐语义
    importnumpyasnp1.模型实现"""inputrate_matrix:M行N列的评分矩阵，值为P*Q.P:初始化用户特征矩阵M*K.Q:初始化物品特征矩阵K*N.latent_feature_cnt:隐特征的向量个数max_iteration:最大迭代次数alpha:步长lamda:正则化系数output分解之后的P和Q"""defLFM_grad_desc(rate_matrix,l
  • K近邻算法_分类鸢尾花数据集 _feivirus_ 算法机器学习和数学分类机器学习K近邻
    importnumpyasnpimportpandasaspdfromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_splitfromsklearn.metricsimportaccuracy_score1.数据预处理iris=load_iris()df=pd.DataFrame(data=ir
  • BART&BERT Ambition_LAO 深度学习
    BART和BERT都是基于Transformer架构的预训练语言模型。模型架构：BERT(BidirectionalEncoderRepresentationsfromTransformers)主要是一个编码器（Encoder）模型，它使用了Transformer的编码器部分来处理输入的文本，并生成文本的表示。BERT特别擅长理解语言的上下文，因为它在预训练阶段使用了掩码语言模型（MLM）任务，即
  • 系统架构设计师 需求分析篇二 AmHardy 软件架构设计师系统架构需求分析面向对象分析分析模型UML和SysML
    面向对象分析方法1.用例模型构建用例模型一般需要经历4个阶段：识别参与者：识别与系统交互的所有事物。合并需求获得用例：将需求分配给予其相关的参与者。细化用例描述：详细描述每个用例的功能。调整用例模型：优化用例之间的关系和结构，前三个阶段是必需的。2.用例图的三元素参与者：使用系统的用户或其他外部系统和设备。用例：系统所提供的服务。通信关联：参与者和用例之间的关系，或用例与用例之间的关系。3.识别参
  • 网络通信流程 记得开心一点啊 服务器网络运维
    目录♫IP地址♫子网掩码♫MAC地址♫相关设备♫ARP寻址♫网络通信流程♫IP地址我们已经知道IP地址由网络号+主机号组成，根据IP地址的不同可以有5钟划分网络号和主机号的方案：其中，各类地址的表示范围是：分类范围适用网络网络数量主机最大连接数A类0.0.0.0~127.255.255.255大型网络12616777214【(2^24)-2】B类128.0.0.0~191.255.255.255中
  • 5分钟说透AppStore审核原理，让你拥有上架新思路！ Q仔本人噢
    在AppStore上架是越来越难了!相信非常多公司的技术人员都为此困扰，然而外包团队水平又层次不齐，容易遇坑，实在是内忧外患。是什么原因导致审核机制频繁调整？又是什么原因使得审核变得越发严格？那么接下来听小Q分解，马上给各位带来解答!首先看一下近一年的上下架的情况：近一年上架情况近一年下架情况通过数据我们发现越是马甲包产量权重高的分类里被下架的app数量越多，苹果此举可谓是上有政策，下有对策。通过
  • 如何用matlab灵活控制feko的求解 NingrLi matlab开发语言
    https://bbs.rfeda.cn/read.php?tid=3778Feko中的模型和求解设置等都可以通过editfeko进行设置，其文件存储为.pre文件，该文件可以用文本打开，因此，我们可以通过VB、VC、matlab等工具对.pre文件进行读写操作，以达到更灵活的使用feko。同样，对于.out文件，我们也可以进行读操作。熟练使用对.pre文件和.out文件的操作后，我们可以方便的计
  • 遥感影像的切片处理 sand&wich 计算机视觉python图像处理
    在遥感影像分析中，经常需要将大尺寸的影像切分成小片段，以便于进行详细的分析和处理。这种方法特别适用于机器学习和图像处理任务，如对象检测、图像分类等。以下是如何使用Python和OpenCV库来实现这一过程，同时确保每个影像片段保留正确的地理信息。准备环境首先，确保安装了必要的Python库，包括numpy、opencv-python和xml.etree.ElementTree。这些库将用于图像处理
  • 计算机网络八股总结 Petrichorzncu 八股总结计算机网络笔记
    这里写目录标题网络模型划分（五层和七层）及每一层的功能五层网络模型七层网络模型（OSI模型）==三次握手和四次挥手具体过程及原因==三次握手四次挥手TCP/IP协议组成==UDP协议与TCP/IP协议的区别==Http协议相关知识网络地址，子网掩码等相关计算网络模型划分（五层和七层）及每一层的功能五层网络模型应用层：负责处理网络应用程序，如电子邮件、文件传输和网页浏览。主要协议包括HTTP、FTP
  • 《转介绍方法论》学习笔记 小可乐的妈妈
    一、高效转介绍的流程：价值观---执行----方案一）转介绍发生的背景：1、对象：谁向谁转介绍？全员营销，人人参与。①员工的激励政策、客户的转介绍诱因制作客户画像：a信任；支付能力；意愿度；便利度（根据家长具备四个特征的个数分为四类）B性格分类C职业分类D年龄性别②执行：套路，策略，方法，流程2、诱因：为什么要转介绍？认同信任；多方共赢；传递美好；零风险承诺打动人心，超越期待。选择做教育，就是选择
  • JAVA学习笔记之23种设计模式学习 victorfreedom Java技术设计模式androidjava常用设计模式
    博主最近买了《设计模式》这本书来学习，无奈这本书是以C++语言为基础进行说明，整个学习流程下来效率不是很高，虽然有的设计模式通俗易懂，但感觉还是没有充分的掌握了所有的设计模式。于是博主百度了一番，发现有大神写过了这方面的问题，于是博主迅速拿来学习。一、设计模式的分类总体来说设计模式分为三大类：创建型模式，共五种：工厂方法模式、抽象工厂模式、单例模式、建造者模式、原型模式。结构型模式，共七种：适配器
  • yolov5＞onnx＞ncnn＞apk 图像处理大大大大大牛啊 opencv实战代码讲解yoloonnxncnn安卓
    一.yolov5pt模型转onnx条件：colabnotebookyolov51.安装环境!pipinstallonnx>=1.7.0#forONNXexport!pipinstallcoremltools==4.0#forCoreMLexport!pipinstallonnx-simplifier2.修改common.py在classFocus下面
  • 免费的GPT可在线直接使用（一键收藏） kkai人工智能 gpt
    1、LuminAI（https://kk.zlrxjh.top）LuminAI标志着一款融合了星辰大数据模型与文脉深度模型的先进知识增强型语言处理系统，旨在自然语言处理（NLP）的技术开发领域发光发热。此系统展现了卓越的语义把握与内容生成能力，轻松驾驭多样化的自然语言处理任务。VisionAI在NLP界的应用领域广泛，能够胜任从机器翻译、文本概要撰写、情绪分析到问答等众多任务。通过对大量文本数据的
  • 【自动化测试】UI自动化的分类、如何选择合适的自动化测试工具以及其中appium的设计理念、引擎和引擎如何工作 Lossya ui自动化测试工具自动化测试appium
    引言UI自动化测试主要针对软件的用户界面进行测试，以确保用户界面元素的交互和功能符合预期文章目录引言一、UI自动化的分类1.1基于代码的自动化测试1.2基于录制/回放的自动化测试1.3基于框架的自动化测试1.4按测试对象分类1.5按测试层次分类1.6按测试执行方式分类1.7按测试目的分类二、如何选择合适的自动化测试工具2.1项目需求分析2.2工具特性评估2.3成本考虑2.4团队技能2.5试用和评估
  • AI大模型的架构演进与最新发展 季风泯灭的季节 AI大模型应用技术二人工智能架构
    随着深度学习的发展，AI大模型（LargeLanguageModels,LLMs）在自然语言处理、计算机视觉等领域取得了革命性的进展。本文将详细探讨AI大模型的架构演进，包括从Transformer的提出到GPT、BERT、T5等模型的历史演变，并探讨这些模型的技术细节及其在现代人工智能中的核心作用。一、基础模型介绍：Transformer的核心原理Transformer架构的背景在Transfo
  • HQL之投影查询 归来朝歌 HQLHibernate查询语句投影查询
            在HQL查询中，常常面临这样一个场景，对于多表查询，是要将一个表的对象查出来还是要只需要每个表中的几个字段，最后放在一起显示？ 针对上面的场景，如果需要将一个对象查出来： HQL语句写“from 对象”即可 Session session = HibernateUtil.openSession();
  • Spring整合redis bylijinnan redis
    pom.xml <dependencies> <!-- Spring Data - Redis Library --> <dependency> <groupId>org.springframework.data</groupId> <artifactId>spring-data-redi
  • org.hibernate.NonUniqueResultException: query did not return a unique result: 2 0624chenhong Hibernate
    参考：http://blog.csdn.net/qingfeilee/article/details/7052736 org.hibernate.NonUniqueResultException: query did not return a unique result: 2         在项目中出现了org.hiber
  • android动画效果 不懂事的小屁孩 android动画
    前几天弄alertdialog和popupwindow的时候，用到了android的动画效果，今天专门研究了一下关于android的动画效果，列出来，方便以后使用。 Android 平台提供了两类动画。 一类是Tween动画，就是对场景里的对象不断的进行图像变化来产生动画效果（旋转、平移、放缩和渐变）。 第二类就是 Frame动画，即顺序的播放事先做好的图像，与gif图片原理类似。
  • js delete 删除机理以及它的内存泄露问题的解决方案 换个号韩国红果果 JavaScript
    delete删除属性时只是解除了属性与对象的绑定，故当属性值为一个对象时，删除时会造成内存泄露  （其实还未删除） 举例： var person={name:{firstname:'bob'}} var p=person.name delete person.name p.firstname -->'bob' // 依然可以访问p.firstname，存在内存泄露
  • Oracle将零干预分析加入网络即服务计划 蓝儿唯美 oracle
    由Oracle通信技术部门主导的演示项目并没有在本月较早前法国南斯举行的行业集团TM论坛大会中获得嘉奖。但是，Oracle通信官员解雇致力于打造一个支持零干预分配和编制功能的网络即服务（NaaS）平台，帮助企业以更灵活和更适合云的方式实现通信服务提供商（CSP）的连接产品。这个Oracle主导的项目属于TM Forum Live!活动上展示的Catalyst计划的19个项目之一。Catalyst计
  • spring学习——springmvc（二） a-john springMVC
    Spring MVC提供了非常方便的文件上传功能。 1，配置Spring支持文件上传： DispatcherServlet本身并不知道如何处理multipart的表单数据，需要一个multipart解析器把POST请求的multipart数据中抽取出来，这样DispatcherServlet就能将其传递给我们的控制器了。为了在Spring中注册multipart解析器，需要声明一个实现了Mul
  • POJ-2828-Buy Tickets aijuans ACM_POJ
    POJ-2828-Buy Tickets http://poj.org/problem?id=2828 线段树，逆序插入 #include<iostream>#include<cstdio>#include<cstring>#include<cstdlib>using namespace std;#define N 200010struct
  • Java Ant build.xml详解 asia007 build.xml
    1,什么是antant是构建工具2,什么是构建概念到处可查到，形象来说，你要把代码从某个地方拿来，编译，再拷贝到某个地方去等等操作，当然不仅与此，但是主要用来干这个3,ant的好处跨平台   --因为ant是使用java实现的，所以它跨平台使用简单--与ant的兄弟make比起来语法清晰--同样是和make相比功能强大--ant能做的事情很多，可能你用了很久，你仍然不知道它能有
  • android按钮监听器的四种技术 百合不是茶 androidxml配置监听器实现接口
    android开发中经常会用到各种各样的监听器,android监听器的写法与java又有不同的地方;    1,activity中使用内部类实现接口 ,创建内部类实例  使用add方法  与java类似   创建监听器的实例 myLis lis = new myLis();   使用add方法给按钮添加监听器  
  • 软件架构师不等同于资深程序员 bijian1013 程序员架构师架构设计
            本文的作者Armel Nene是ETAPIX Global公司的首席架构师，他居住在伦敦，他参与过的开源项目包括 Apache Lucene,，Apache Nutch， Liferay 和 Pentaho等。         如今很多的公司
  • TeamForge Wiki Syntax & CollabNet User Information Center sunjing TeamForgeHow doAttachementAnchorWiki Syntax
    the CollabNet user information center http://help.collab.net/   How do I create a new Wiki page? A CollabNet TeamForge project can have any number of Wiki pages. All Wiki pages are linked, and
  • 【Redis四】Redis数据类型 bit1129 redis
    概述 Redis是一个高性能的数据结构服务器，称之为数据结构服务器的原因是，它提供了丰富的数据类型以满足不同的应用场景，本文对Redis的数据类型以及对这些类型可能的操作进行总结。 Redis常用的数据类型包括string、set、list、hash以及sorted set.Redis本身是K/V系统，这里的数据类型指的是value的类型，而不是key的类型，key的类型只有一种即string
  • SSH2整合-附源码 白糖_ eclipsespringtomcatHibernateGoogle
    今天用eclipse终于整合出了struts2+hibernate+spring框架。 我创建的是tomcat项目，需要有tomcat插件。导入项目以后，鼠标右键选择属性，然后再找到“tomcat”项，勾选一下“Is a tomcat project”即可。具体方法见源码里的jsp图片，sql也在源码里。     补充1：项目中部分jar包不是最新版的，可能导
  • [转]开源项目代码的学习方法 braveCS 学习方法
    转自： http://blog.sina.com.cn/s/blog_693458530100lk5m.html http://www.cnblogs.com/west-link/archive/2011/06/07/2074466.html   1）阅读features。以此来搞清楚该项目有哪些特性2）思考。想想如果自己来做有这些features的项目该如何构架3）下载并安装d
  • 编程之美-子数组的最大和（二维） bylijinnan 编程之美
    package beautyOfCoding; import java.util.Arrays; import java.util.Random; public class MaxSubArraySum2 { /** * 编程之美 子数组之和的最大值（二维） */ private static final int ROW = 5; private stat
  • 读书笔记-3 chengxuyuancsdn jquery笔记resultMap配置ibatis一对多配置
    1、resultMap配置 2、ibatis一对多配置 3、jquery笔记 1、resultMap配置 当<select resultMap="topic_data"> <resultMap id="topic_data">必须一一对应。 (1)<resultMap class="tblTopic&q
  • [物理与天文]物理学新进展 comsci
          如果我们必须获得某种地球上没有的矿石,才能够进行某些能量输出装置的设计和建造,而要获得这种矿石,又必须首先进行深空探测,而要进行深空探测,又必须获得这种能量输出装置,这个矛盾的循环,会导致地球联盟在与宇宙文明建立关系的时候,陷入困境       怎么办呢?  
  • Oracle 11g新特性:Automatic Diagnostic Repository daizj oracleADR
    Oracle Database 11g的FDI（Fault Diagnosability Infrastructure）是自动化诊断方面的又一增强。 FDI的一个关键组件是自动诊断库（Automatic Diagnostic Repository-ADR）。 在oracle 11g中，alert文件的信息是以xml的文件格式存在的，另外提供了普通文本格式的alert文件。 这两份log文
  • 简单排序:选择排序 dieslrae 选择排序
    public void selectSort(int[] array){ int select; for(int i=0;i<array.length;i++){ select = i; for(int k=i+1;k<array.leng
  • C语言学习六指针的经典程序，互换两个数字 dcj3sjt126com c
    示例程序，swap_1和swap_2都是错误的，推理从1开始推到2，2没完成，推到3就完成了 # include <stdio.h> void swap_1(int, int); void swap_2(int *, int *); void swap_3(int *, int *); int main(void) { int a = 3; int b =
  • php 5.4中php-fpm 的重启、终止操作命令 dcj3sjt126com PHP
    php 5.4中php-fpm 的重启、终止操作命令: 查看php运行目录命令：which php/usr/bin/php 查看php-fpm进程数：ps aux | grep -c php-fpm 查看运行内存/usr/bin/php  -i|grep mem 重启php-fpm/etc/init.d/php-fpm restart 在phpinfo()输出内容可以看到php
  • 线程同步工具类 shuizhaosi888 同步工具类
    同步工具类包括信号量（Semaphore）、栅栏（barrier）、闭锁（CountDownLatch）   闭锁（CountDownLatch） public class RunMain { public long timeTasks(int nThreads, final Runnable task) throws InterruptedException { fin
  • bleeding edge是什么意思 haojinghua DI
    不止一次，看到很多讲技术的文章里面出现过这个词语。今天终于弄懂了——通过朋友给的浏览软件，上了wiki。  我再一次感到，没有辞典能像WiKi一样，给出这样体贴人心、一清二楚的解释了。为了表达我对WiKi的喜爱，只好在此一一中英对照，给大家上次课。   In computer science, bleeding edge is a term that
  • c中实现utf8和gbk的互转 jimmee ciconvutf8&gbk编码
    #include <iconv.h> #include <stdlib.h> #include <stdio.h> #include <unistd.h> #include <fcntl.h> #include <string.h> #include <sys/stat.h> int code_c
  • 大型分布式网站架构设计与实践 lilin530 应用服务器搜索引擎
    1.大型网站软件系统的特点？ a.高并发，大流量。 b.高可用。 c.海量数据。 d.用户分布广泛，网络情况复杂。 e.安全环境恶劣。 f.需求快速变更，发布频繁。 g.渐进式发展。 2.大型网站架构演化发展历程？ a.初始阶段的网站架构。 应用程序，数据库，文件等所有的资源都在一台服务器上。 b.应用服务器和数据服务器分离。 c.使用缓存改善网站性能。 d.使用应用
  • 在代码中获取Android theme中的attr属性值 OliveExcel androidtheme
    Android的Theme是由各种attr组合而成, 每个attr对应了这个属性的一个引用, 这个引用又可以是各种东西.   在某些情况下, 我们需要获取非自定义的主题下某个属性的内容 (比如拿到系统默认的配色colorAccent), 操作方式举例一则: int defaultColor = 0xFF000000; int[] attrsArray = { andorid.r.
  • 基于Zookeeper的分布式共享锁 roadrunners zookeeper分布式共享锁
    首先，说说我们的场景，订单服务是做成集群的，当两个以上结点同时收到一个相同订单的创建指令，这时并发就产生了，系统就会重复创建订单。等等......场景。这时，分布式共享锁就闪亮登场了。   共享锁在同一个进程中是很容易实现的，但在跨进程或者在不同Server之间就不好实现了。Zookeeper就很容易实现。具体的实现原理官网和其它网站也有翻译，这里就不在赘述了。   官
  • 两个容易被忽略的MySQL知识 tomcat_oracle mysql
    1、varchar(5)可以存储多少个汉字，多少个字母数字？ 　　相信有好多人应该跟我一样，对这个已经很熟悉了，根据经验我们能很快的做出决定，比如说用varchar(200)去存储url等等，但是，即使你用了很多次也很熟悉了，也有可能对上面的问题做出错误的回答。 　　这个问题我查了好多资料，有的人说是可以存储5个字符，2.5个汉字（每个汉字占用两个字节的话），有的人说这个要区分版本，5.0
  • zoj 3827 Information Entropy(水题) 阿尔萨斯 format
    题目链接：zoj 3827 Information Entropy 题目大意：三种底，计算和。 解题思路：调用库函数就可以直接算了，不过要注意Pi = 0的时候，不过它题目里居然也讲了。。。limp→0+plogb(p)=0，因为p是logp的高阶。 #include <cstdio> #include <cstring> #include <cmath&
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他