我也要做小太阳

TextRNN预测下一个句子

import gc
import torch
import numpy as np
from torch import nn
from torch import optim
from torch.utils.data import DataLoader,TensorDataset
dtypes =torch.FloatTensor
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
device

device(type='cuda')

构造数据

sentences =[ "i like you", "i love coffee", "i hate milk","i think you"]
word_list = " ".join(sentences).split()
print("*"*80)
print("word_list:",word_list)
vocab =list(set(word_list))
print("*"*80)
print("vocab:",vocab)
word2idx ={n:i for i,n in enumerate(vocab)}
print("*"*80)
print("word2idx:",word2idx)
idx2word = {i:n for i,n in enumerate(vocab)}
print("*"*80)
print("idx2word:",idx2word)
n_class = len(vocab)
print("*"*80)
print("n_class:",n_class)
print("*"*80)

********************************************************************************
word_list: ['i', 'like', 'you', 'i', 'love', 'coffee', 'i', 'hate', 'milk', 'i', 'think', 'you']
********************************************************************************
vocab: ['you', 'like', 'think', 'milk', 'i', 'love', 'coffee', 'hate']
********************************************************************************
word2idx: {'you': 0, 'like': 1, 'think': 2, 'milk': 3, 'i': 4, 'love': 5, 'coffee': 6, 'hate': 7}
********************************************************************************
idx2word: {0: 'you', 1: 'like', 2: 'think', 3: 'milk', 4: 'i', 5: 'love', 6: 'coffee', 7: 'hate'}
********************************************************************************
n_class: 8
********************************************************************************

构建Dataset

batch_size = 2
time_step = 2
n_hidden = 5

def make_data(sentences):
    inputs_ = []
    targets_ = []
    
    for sen in sentences:
        word = sen.split()
        inputs = [word2idx[n] for n in word[:-1]]
        target = word2idx[word[-1]]
        inputs_.append(np.eye(n_class)[inputs])
        targets_.append(target)
    return inputs_,targets_

inputs,targets= make_data(sentences)
inputs = torch.Tensor(inputs)
targets= torch.LongTensor(targets)

dataset = TensorDataset(inputs,targets)
train_loader = DataLoader(dataset,batch_size,shuffle=True)

:18: UserWarning: Creating a tensor from a list of numpy.ndarrays is extremely slow. Please consider converting the list to a single numpy.ndarray with numpy.array() before converting to a tensor. (Triggered internally at  ..\torch\csrc\utils\tensor_new.cpp:201.)
  inputs = torch.Tensor(inputs)

for x,y in train_loader:
    print("*"*40)
    print(x.shape,y.shape)
    print("*"*40)
    print(x,y)
    print("="*40)
# x:[batch_size,seq_len,features]

****************************************
torch.Size([2, 2, 8]) torch.Size([2])
****************************************
tensor([[[0., 0., 0., 0., 1., 0., 0., 0.],
         [0., 0., 1., 0., 0., 0., 0., 0.]],

        [[0., 0., 0., 0., 1., 0., 0., 0.],
         [0., 0., 0., 0., 0., 0., 0., 1.]]]) tensor([0, 3])
========================================
****************************************
torch.Size([2, 2, 8]) torch.Size([2])
****************************************
tensor([[[0., 0., 0., 0., 1., 0., 0., 0.],
         [0., 1., 0., 0., 0., 0., 0., 0.]],

        [[0., 0., 0., 0., 1., 0., 0., 0.],
         [0., 0., 0., 0., 0., 1., 0., 0.]]]) tensor([0, 6])
========================================

定义网络

class text_rnn(nn.Module):
    def __init__(self):
        super(text_rnn,self).__init__()
        self.rnn = nn.RNN(n_class,n_hidden,batch_first = True)
        self.fc= nn.Linear(n_hidden,n_class)
    def forward(self,x):
        # x:[batch_size,seq_len,features]
#         h_0 = torch.zeros(2,2,8)
        out,hidden = self.rnn(x)
        #out:[batch_size,seq_len,n_hiddens*num_directions]
        #hidden:[num_layers*num_directions,batch_Size,n_hiddens]
        output = self.fc( out[-1])
        return output
#实例化
model = text_rnn().to(device)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(),lr = 0.001)

loss_all = []
num_epochs = 500
for epoch in range(num_epochs):
    train_loss =0
    train_num = 0
    for step,(x,y) in enumerate(train_loader):
        x= x.to(device)
        y =y.to(device)
        z_hat=model.forward(x)
        loss = criterion(z_hat,y)
        loss.backward()
        optimizer.zero_grad()
        optimizer.step()
        train_loss+=loss.item()*len(y)
        train_num+=len(y)
    loss_all.append(train_loss/train_num)
    print(f"Epoch:{epoch+1} Loss:{loss_all[-1]:0.8f}")
    del x,y,loss,train_loss,train_num
    gc.collect()
    torch.cuda.empty_cache()

Epoch:1 Loss:1.91730571
Epoch:2 Loss:2.00270271
Epoch:3 Loss:1.91730571
Epoch:4 Loss:1.76124740
Epoch:5 Loss:1.91730571
Epoch:6 Loss:1.84664440
Epoch:7 Loss:1.91730571
Epoch:8 Loss:1.87935627
Epoch:9 Loss:1.76124740
Epoch:10 Loss:1.87935627
Epoch:11 Loss:1.88459384
Epoch:12 Loss:2.00270271
Epoch:13 Loss:1.91730571
Epoch:14 Loss:1.84664440
Epoch:15 Loss:1.84664440
Epoch:16 Loss:1.76124740
Epoch:17 Loss:2.00270271
Epoch:18 Loss:1.84664440
Epoch:19 Loss:1.87935627
Epoch:20 Loss:1.88459384
Epoch:21 Loss:2.00270271
Epoch:22 Loss:1.87935627
Epoch:23 Loss:1.76124740
Epoch:24 Loss:2.00270271
Epoch:25 Loss:1.88459384
Epoch:26 Loss:2.00270271
Epoch:27 Loss:1.91730571
Epoch:28 Loss:1.87935627
Epoch:29 Loss:1.84664440
Epoch:30 Loss:2.00270271
Epoch:31 Loss:1.84664440
Epoch:32 Loss:1.76124740
Epoch:33 Loss:1.84664440
Epoch:34 Loss:1.76124740
Epoch:35 Loss:2.00270271
Epoch:36 Loss:1.76124740
Epoch:37 Loss:2.00270271
Epoch:38 Loss:1.84664440
Epoch:39 Loss:2.00270271
Epoch:40 Loss:2.00270271
Epoch:41 Loss:1.84664440
Epoch:42 Loss:1.91730571
Epoch:43 Loss:1.87935627
Epoch:44 Loss:1.84664440
Epoch:45 Loss:2.00270271
Epoch:46 Loss:1.91730571
Epoch:47 Loss:1.76124740
Epoch:48 Loss:2.00270271
Epoch:49 Loss:1.91730571
Epoch:50 Loss:2.00270271
Epoch:51 Loss:1.91730571
Epoch:52 Loss:1.84664440
Epoch:53 Loss:1.76124740
Epoch:54 Loss:1.91730571
Epoch:55 Loss:2.00270271
Epoch:56 Loss:2.00270271
Epoch:57 Loss:1.84664440
Epoch:58 Loss:1.87935627
Epoch:59 Loss:1.84664440
Epoch:60 Loss:1.88459384
Epoch:61 Loss:1.76124740
Epoch:62 Loss:1.88459384
Epoch:63 Loss:1.91730571
Epoch:64 Loss:1.84664440
Epoch:65 Loss:2.00270271
Epoch:66 Loss:2.00270271
Epoch:67 Loss:1.84664440
Epoch:68 Loss:1.84664440
Epoch:69 Loss:1.87935627
Epoch:70 Loss:1.88459384
Epoch:71 Loss:1.84664440
Epoch:72 Loss:1.76124740
Epoch:73 Loss:1.84664440
Epoch:74 Loss:1.87935627
Epoch:75 Loss:1.88459384
Epoch:76 Loss:2.00270271
Epoch:77 Loss:1.87935627
Epoch:78 Loss:1.88459384
Epoch:79 Loss:1.87935627
Epoch:80 Loss:1.88459384
Epoch:81 Loss:1.91730571
Epoch:82 Loss:2.00270271
Epoch:83 Loss:2.00270271
Epoch:84 Loss:1.84664440
Epoch:85 Loss:1.84664440
Epoch:86 Loss:1.88459384
Epoch:87 Loss:1.76124740
Epoch:88 Loss:1.88459384
Epoch:89 Loss:1.84664440
Epoch:90 Loss:1.87935627
Epoch:91 Loss:1.87935627
Epoch:92 Loss:1.91730571
Epoch:93 Loss:2.00270271
Epoch:94 Loss:1.87935627
Epoch:95 Loss:2.00270271
Epoch:96 Loss:1.87935627
Epoch:97 Loss:1.84664440
Epoch:98 Loss:1.76124740
Epoch:99 Loss:1.84664440
Epoch:100 Loss:2.00270271
Epoch:101 Loss:1.76124740
Epoch:102 Loss:1.84664440
Epoch:103 Loss:1.87935627
Epoch:104 Loss:1.91730571
Epoch:105 Loss:1.87935627
Epoch:106 Loss:1.84664440
Epoch:107 Loss:1.91730571
Epoch:108 Loss:1.87935627
Epoch:109 Loss:1.91730571
Epoch:110 Loss:1.91730571
Epoch:111 Loss:1.88459384
Epoch:112 Loss:1.87935627
Epoch:113 Loss:1.91730571
Epoch:114 Loss:2.00270271
Epoch:115 Loss:1.88459384
Epoch:116 Loss:1.84664440
Epoch:117 Loss:2.00270271
Epoch:118 Loss:1.91730571
Epoch:119 Loss:2.00270271
Epoch:120 Loss:2.00270271
Epoch:121 Loss:1.87935627
Epoch:122 Loss:1.87935627
Epoch:123 Loss:1.91730571
Epoch:124 Loss:1.91730571
Epoch:125 Loss:2.00270271
Epoch:126 Loss:1.84664440
Epoch:127 Loss:1.91730571
Epoch:128 Loss:1.88459384
Epoch:129 Loss:2.00270271
Epoch:130 Loss:1.91730571
Epoch:131 Loss:2.00270271
Epoch:132 Loss:1.88459384
Epoch:133 Loss:1.88459384
Epoch:134 Loss:1.91730571
Epoch:135 Loss:1.76124740
Epoch:136 Loss:1.87935627
Epoch:137 Loss:1.88459384
Epoch:138 Loss:2.00270271
Epoch:139 Loss:1.76124740
Epoch:140 Loss:1.87935627
Epoch:141 Loss:1.91730571
Epoch:142 Loss:1.91730571
Epoch:143 Loss:1.76124740
Epoch:144 Loss:1.88459384
Epoch:145 Loss:1.84664440
Epoch:146 Loss:1.84664440
Epoch:147 Loss:2.00270271
Epoch:148 Loss:1.84664440
Epoch:149 Loss:1.84664440
Epoch:150 Loss:1.88459384
Epoch:151 Loss:1.87935627
Epoch:152 Loss:1.84664440
Epoch:153 Loss:2.00270271
Epoch:154 Loss:1.76124740
Epoch:155 Loss:1.87935627
Epoch:156 Loss:1.91730571
Epoch:157 Loss:1.76124740
Epoch:158 Loss:1.91730571
Epoch:159 Loss:1.76124740
Epoch:160 Loss:1.84664440
Epoch:161 Loss:1.87935627
Epoch:162 Loss:1.87935627
Epoch:163 Loss:1.88459384
Epoch:164 Loss:1.76124740
Epoch:165 Loss:1.87935627
Epoch:166 Loss:1.84664440
Epoch:167 Loss:1.88459384
Epoch:168 Loss:1.91730571
Epoch:169 Loss:2.00270271
Epoch:170 Loss:1.76124740
Epoch:171 Loss:1.76124740
Epoch:172 Loss:1.87935627
Epoch:173 Loss:2.00270271
Epoch:174 Loss:1.88459384
Epoch:175 Loss:1.87935627
Epoch:176 Loss:1.91730571
Epoch:177 Loss:1.88459384
Epoch:178 Loss:1.84664440
Epoch:179 Loss:1.87935627
Epoch:180 Loss:2.00270271
Epoch:181 Loss:2.00270271
Epoch:182 Loss:1.84664440
Epoch:183 Loss:1.76124740
Epoch:184 Loss:1.87935627
Epoch:185 Loss:1.91730571
Epoch:186 Loss:1.91730571
Epoch:187 Loss:1.91730571
Epoch:188 Loss:1.88459384
Epoch:189 Loss:1.87935627
Epoch:190 Loss:1.87935627
Epoch:191 Loss:2.00270271
Epoch:192 Loss:2.00270271
Epoch:193 Loss:1.84664440
Epoch:194 Loss:1.76124740
Epoch:195 Loss:1.88459384
Epoch:196 Loss:2.00270271
Epoch:197 Loss:1.87935627
Epoch:198 Loss:1.88459384
Epoch:199 Loss:1.88459384
Epoch:200 Loss:1.76124740
Epoch:201 Loss:1.84664440
Epoch:202 Loss:2.00270271
Epoch:203 Loss:2.00270271
Epoch:204 Loss:1.91730571
Epoch:205 Loss:1.76124740
Epoch:206 Loss:1.76124740
Epoch:207 Loss:1.91730571
Epoch:208 Loss:1.76124740
Epoch:209 Loss:1.91730571
Epoch:210 Loss:1.88459384
Epoch:211 Loss:2.00270271
Epoch:212 Loss:1.91730571
Epoch:213 Loss:2.00270271
Epoch:214 Loss:2.00270271
Epoch:215 Loss:1.76124740
Epoch:216 Loss:1.84664440
Epoch:217 Loss:1.84664440
Epoch:218 Loss:1.88459384
Epoch:219 Loss:1.76124740
Epoch:220 Loss:1.88459384
Epoch:221 Loss:2.00270271
Epoch:222 Loss:1.88459384
Epoch:223 Loss:1.87935627
Epoch:224 Loss:1.87935627
Epoch:225 Loss:2.00270271
Epoch:226 Loss:2.00270271
Epoch:227 Loss:1.76124740
Epoch:228 Loss:1.76124740
Epoch:229 Loss:1.76124740
Epoch:230 Loss:1.91730571
Epoch:231 Loss:2.00270271
Epoch:232 Loss:2.00270271
Epoch:233 Loss:1.76124740
Epoch:234 Loss:1.76124740
Epoch:235 Loss:1.76124740
Epoch:236 Loss:1.87935627
Epoch:237 Loss:1.76124740
Epoch:238 Loss:1.84664440
Epoch:239 Loss:1.91730571
Epoch:240 Loss:1.87935627
Epoch:241 Loss:1.76124740
Epoch:242 Loss:2.00270271
Epoch:243 Loss:1.84664440
Epoch:244 Loss:1.76124740
Epoch:245 Loss:1.87935627
Epoch:246 Loss:2.00270271
Epoch:247 Loss:1.76124740
Epoch:248 Loss:1.87935627
Epoch:249 Loss:1.91730571
Epoch:250 Loss:1.91730571
Epoch:251 Loss:1.76124740
Epoch:252 Loss:1.87935627
Epoch:253 Loss:2.00270271
Epoch:254 Loss:1.76124740
Epoch:255 Loss:1.91730571
Epoch:256 Loss:1.84664440
Epoch:257 Loss:1.87935627
Epoch:258 Loss:1.87935627
Epoch:259 Loss:1.76124740
Epoch:260 Loss:1.87935627
Epoch:261 Loss:1.84664440
Epoch:262 Loss:1.91730571
Epoch:263 Loss:1.91730571
Epoch:264 Loss:1.87935627
Epoch:265 Loss:1.84664440
Epoch:266 Loss:1.88459384
Epoch:267 Loss:1.87935627
Epoch:268 Loss:1.91730571
Epoch:269 Loss:1.87935627
Epoch:270 Loss:1.88459384
Epoch:271 Loss:1.88459384
Epoch:272 Loss:1.87935627
Epoch:273 Loss:1.87935627
Epoch:274 Loss:1.88459384
Epoch:275 Loss:2.00270271
Epoch:276 Loss:2.00270271
Epoch:277 Loss:2.00270271
Epoch:278 Loss:1.88459384
Epoch:279 Loss:1.91730571
Epoch:280 Loss:2.00270271
Epoch:281 Loss:1.88459384
Epoch:282 Loss:2.00270271
Epoch:283 Loss:2.00270271
Epoch:284 Loss:2.00270271
Epoch:285 Loss:1.88459384
Epoch:286 Loss:2.00270271
Epoch:287 Loss:2.00270271
Epoch:288 Loss:1.87935627
Epoch:289 Loss:1.87935627
Epoch:290 Loss:1.87935627
Epoch:291 Loss:1.84664440
Epoch:292 Loss:1.76124740
Epoch:293 Loss:1.88459384
Epoch:294 Loss:2.00270271
Epoch:295 Loss:1.87935627
Epoch:296 Loss:1.84664440
Epoch:297 Loss:1.87935627
Epoch:298 Loss:1.88459384
Epoch:299 Loss:1.87935627
Epoch:300 Loss:1.87935627
Epoch:301 Loss:1.76124740
Epoch:302 Loss:1.87935627
Epoch:303 Loss:1.76124740
Epoch:304 Loss:1.88459384
Epoch:305 Loss:1.84664440
Epoch:306 Loss:1.91730571
Epoch:307 Loss:1.84664440
Epoch:308 Loss:1.87935627
Epoch:309 Loss:1.87935627
Epoch:310 Loss:2.00270271
Epoch:311 Loss:1.87935627
Epoch:312 Loss:1.76124740
Epoch:313 Loss:1.88459384
Epoch:314 Loss:1.87935627
Epoch:315 Loss:1.88459384
Epoch:316 Loss:1.76124740
Epoch:317 Loss:1.76124740
Epoch:318 Loss:1.76124740
Epoch:319 Loss:1.76124740
Epoch:320 Loss:1.76124740
Epoch:321 Loss:1.91730571
Epoch:322 Loss:1.76124740
Epoch:323 Loss:1.91730571
Epoch:324 Loss:2.00270271
Epoch:325 Loss:1.84664440
Epoch:326 Loss:1.88459384
Epoch:327 Loss:1.76124740
Epoch:328 Loss:1.84664440
Epoch:329 Loss:1.76124740
Epoch:330 Loss:1.88459384
Epoch:331 Loss:2.00270271
Epoch:332 Loss:1.91730571
Epoch:333 Loss:1.91730571
Epoch:334 Loss:2.00270271
Epoch:335 Loss:1.76124740
Epoch:336 Loss:1.91730571
Epoch:337 Loss:1.76124740
Epoch:338 Loss:2.00270271
Epoch:339 Loss:2.00270271
Epoch:340 Loss:2.00270271
Epoch:341 Loss:1.87935627
Epoch:342 Loss:1.91730571
Epoch:343 Loss:1.76124740
Epoch:344 Loss:1.76124740
Epoch:345 Loss:1.84664440
Epoch:346 Loss:1.91730571
Epoch:347 Loss:1.87935627
Epoch:348 Loss:1.84664440
Epoch:349 Loss:1.88459384
Epoch:350 Loss:2.00270271
Epoch:351 Loss:2.00270271
Epoch:352 Loss:1.91730571
Epoch:353 Loss:1.87935627
Epoch:354 Loss:1.76124740
Epoch:355 Loss:1.84664440
Epoch:356 Loss:2.00270271
Epoch:357 Loss:1.84664440
Epoch:358 Loss:1.76124740
Epoch:359 Loss:1.84664440
Epoch:360 Loss:1.84664440
Epoch:361 Loss:1.84664440
Epoch:362 Loss:1.88459384
Epoch:363 Loss:1.76124740
Epoch:364 Loss:1.84664440
Epoch:365 Loss:2.00270271
Epoch:366 Loss:1.84664440
Epoch:367 Loss:1.76124740
Epoch:368 Loss:1.91730571
Epoch:369 Loss:2.00270271
Epoch:370 Loss:1.84664440
Epoch:371 Loss:1.88459384
Epoch:372 Loss:1.84664440
Epoch:373 Loss:1.88459384
Epoch:374 Loss:2.00270271
Epoch:375 Loss:1.91730571
Epoch:376 Loss:1.76124740
Epoch:377 Loss:1.91730571
Epoch:378 Loss:1.84664440
Epoch:379 Loss:1.87935627
Epoch:380 Loss:1.76124740
Epoch:381 Loss:2.00270271
Epoch:382 Loss:1.87935627
Epoch:383 Loss:1.84664440
Epoch:384 Loss:1.88459384
Epoch:385 Loss:2.00270271
Epoch:386 Loss:2.00270271
Epoch:387 Loss:1.76124740
Epoch:388 Loss:1.88459384
Epoch:389 Loss:1.84664440
Epoch:390 Loss:1.91730571
Epoch:391 Loss:1.91730571
Epoch:392 Loss:1.91730571
Epoch:393 Loss:2.00270271
Epoch:394 Loss:1.84664440
Epoch:395 Loss:1.87935627
Epoch:396 Loss:1.76124740
Epoch:397 Loss:1.88459384
Epoch:398 Loss:1.88459384
Epoch:399 Loss:1.76124740
Epoch:400 Loss:1.88459384
Epoch:401 Loss:1.87935627
Epoch:402 Loss:1.87935627
Epoch:403 Loss:1.88459384
Epoch:404 Loss:1.91730571
Epoch:405 Loss:1.76124740
Epoch:406 Loss:1.91730571
Epoch:407 Loss:2.00270271
Epoch:408 Loss:2.00270271
Epoch:409 Loss:2.00270271
Epoch:410 Loss:1.87935627
Epoch:411 Loss:1.91730571
Epoch:412 Loss:1.88459384
Epoch:413 Loss:1.91730571
Epoch:414 Loss:1.84664440
Epoch:415 Loss:1.88459384
Epoch:416 Loss:1.91730571
Epoch:417 Loss:1.84664440
Epoch:418 Loss:2.00270271
Epoch:419 Loss:1.91730571
Epoch:420 Loss:1.76124740
Epoch:421 Loss:1.87935627
Epoch:422 Loss:1.88459384
Epoch:423 Loss:2.00270271
Epoch:424 Loss:1.84664440
Epoch:425 Loss:1.76124740
Epoch:426 Loss:1.76124740
Epoch:427 Loss:1.76124740
Epoch:428 Loss:1.88459384
Epoch:429 Loss:1.88459384
Epoch:430 Loss:1.76124740
Epoch:431 Loss:1.91730571
Epoch:432 Loss:1.87935627
Epoch:433 Loss:2.00270271
Epoch:434 Loss:1.84664440
Epoch:435 Loss:1.91730571
Epoch:436 Loss:1.88459384
Epoch:437 Loss:2.00270271
Epoch:438 Loss:1.91730571
Epoch:439 Loss:1.84664440
Epoch:440 Loss:1.84664440
Epoch:441 Loss:1.76124740
Epoch:442 Loss:1.76124740
Epoch:443 Loss:1.88459384
Epoch:444 Loss:1.76124740
Epoch:445 Loss:2.00270271
Epoch:446 Loss:1.76124740
Epoch:447 Loss:1.87935627
Epoch:448 Loss:1.84664440
Epoch:449 Loss:1.84664440
Epoch:450 Loss:1.88459384
Epoch:451 Loss:1.88459384
Epoch:452 Loss:1.76124740
Epoch:453 Loss:1.87935627
Epoch:454 Loss:2.00270271
Epoch:455 Loss:2.00270271
Epoch:456 Loss:1.91730571
Epoch:457 Loss:1.88459384
Epoch:458 Loss:1.87935627
Epoch:459 Loss:1.76124740
Epoch:460 Loss:1.87935627
Epoch:461 Loss:1.88459384
Epoch:462 Loss:1.84664440
Epoch:463 Loss:1.87935627
Epoch:464 Loss:1.76124740
Epoch:465 Loss:1.76124740
Epoch:466 Loss:2.00270271
Epoch:467 Loss:1.88459384
Epoch:468 Loss:2.00270271
Epoch:469 Loss:1.91730571
Epoch:470 Loss:1.84664440
Epoch:471 Loss:1.91730571
Epoch:472 Loss:1.76124740
Epoch:473 Loss:1.88459384
Epoch:474 Loss:1.88459384
Epoch:475 Loss:1.87935627
Epoch:476 Loss:1.91730571
Epoch:477 Loss:1.84664440
Epoch:478 Loss:1.91730571
Epoch:479 Loss:1.87935627
Epoch:480 Loss:1.84664440
Epoch:481 Loss:1.88459384
Epoch:482 Loss:2.00270271
Epoch:483 Loss:1.84664440
Epoch:484 Loss:1.88459384
Epoch:485 Loss:1.91730571
Epoch:486 Loss:1.88459384
Epoch:487 Loss:1.91730571
Epoch:488 Loss:1.76124740
Epoch:489 Loss:2.00270271
Epoch:490 Loss:2.00270271
Epoch:491 Loss:1.76124740
Epoch:492 Loss:1.88459384
Epoch:493 Loss:1.84664440
Epoch:494 Loss:1.88459384
Epoch:495 Loss:1.84664440
Epoch:496 Loss:2.00270271
Epoch:497 Loss:1.87935627
Epoch:498 Loss:1.76124740
Epoch:499 Loss:1.88459384
Epoch:500 Loss:1.84664440

test_text = [sen.split()[:2] for sen in sentences]
test_text

[['i', 'like'], ['i', 'love'], ['i', 'hate'], ['i', 'think']]

tests =[]
for word in test_text[:]:
    inputs = [word2idx[n] for n in word]
    
    tests.append(np.eye(n_class)[inputs])


tests = torch.tensor(tests,dtype = torch.float32).to(device)
test_dataset = TensorDataset(tests)

test_loader = DataLoader(test_dataset,batch_size,shuffle=True)
print("done!")

done!

for step,x in enumerate(test_loader):
    print(step,x)

0 [tensor([[[0., 0., 0., 0., 1., 0., 0., 0.],
         [0., 1., 0., 0., 0., 0., 0., 0.]],

        [[0., 0., 0., 0., 1., 0., 0., 0.],
         [0., 0., 0., 0., 0., 1., 0., 0.]]], device='cuda:0')]
1 [tensor([[[0., 0., 0., 0., 1., 0., 0., 0.],
         [0., 0., 0., 0., 0., 0., 0., 1.]],

        [[0., 0., 0., 0., 1., 0., 0., 0.],
         [0., 0., 1., 0., 0., 0., 0., 0.]]], device='cuda:0')]

model.eval()
for step,x in enumerate(test_loader):
    predict = model(x[0]).data.max(1, keepdim=True)[1]
    print( "->",[idx2word[n.item()] for n in predict.cpu().data.squeeze()])

-> ['you', 'like']
-> ['you', 'milk']

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
将cmd中命令输出保存为txt文本文件落难Coder Windows cmd window
最近深度学习本地的训练中我们常常要在命令行中运行自己的代码，无可厚非，我们有必要保存我们的炼丹结果，但是复制命令行输出到txt是非常麻烦的，其实Windows下的命令行为我们提供了相应的操作。其基本的调用格式就是：运行指令>输出到的文件名称或者具体保存路径测试下，我打开cmd并且ping一下百度：pingwww.baidu.com>./data.txt看下相同目录下data.txt的输出：如果你再
探索OpenAI和LangChain的适配器集成：轻松切换模型提供商 nseejrukjhad langchain easyui 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 twitter easyui 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。
深入理解 MultiQueryRetriever：提升向量数据库检索效果的强大工具 nseejrukjhad 数据库 python
深入理解MultiQueryRetriever：提升向量数据库检索效果的强大工具引言在人工智能和自然语言处理领域，高效准确的信息检索一直是一个关键挑战。传统的基于距离的向量数据库检索方法虽然广泛应用，但仍存在一些局限性。本文将介绍一种创新的解决方案：MultiQueryRetriever，它通过自动生成多个查询视角来增强检索效果，提高结果的相关性和多样性。MultiQueryRetriever的工
自然语言处理_tf-idf _feivirus_ 算法机器学习和数学自然语言处理 tf-idf 逆文档频率词频
importpandasaspdimportmath1.数据预处理docA="Thecatsatonmyface"docB="Thedogsatonmybed"wordsA=docA.split("")wordsB=docB.split("")wordsSet=set(wordsA).union(set(wordsB))print(wordsSet){'on','my','face','sat',
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
推荐3家毕业AI论文可五分钟一键生成！文末附免费教程！小猪包333 写论文人工智能 AI写作深度学习计算机视觉
在当前的学术研究和写作领域，AI论文生成器已经成为许多研究人员和学生的重要工具。这些工具不仅能够帮助用户快速生成高质量的论文内容，还能进行内容优化、查重和排版等操作。以下是三款值得推荐的AI论文生成器：千笔-AIPassPaper、懒人论文以及AIPaperPass。千笔-AIPassPaper千笔-AIPassPaper是一款基于深度学习和自然语言处理技术的AI写作助手，旨在帮助用户快速生成高质
AI论文题目生成器怎么用？9款论文写作网站简单3步搞定小猪包333 写论文人工智能深度学习计算机视觉
在当今信息爆炸的时代，AI写作工具的出现极大地提高了写作效率和质量。本文将详细介绍9款优秀的论文写作网站，并重点推荐千笔-AIPassPaper。一、千笔-AIPassPaper千笔-AIPassPaper是一款功能强大的AI论文生成器，基于最新的自然语言处理技术，能够一键生成高质量的毕业论文、开题报告等文本内容。它不仅提供智能选题、文献推荐和论文润色等功能，还具有较高的用户评价。其文献综述生成功
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
[实践应用] 深度学习之模型性能评估指标 YuanDaima2048 深度学习工具使用深度学习人工智能损失函数性能评估 pytorch python 机器学习
文章总览：YuanDaiMa2048博客文章总览深度学习之模型性能评估指标分类任务回归任务排序任务聚类任务生成任务其他介绍在机器学习和深度学习领域，评估模型性能是一项至关重要的任务。不同的学习任务需要不同的性能指标来衡量模型的有效性。以下是对一些常见任务及其相应的性能评估指标的详细解释和总结。分类任务分类任务是指模型需要将输入数据分配到预定义的类别或标签中。以下是分类任务中常用的性能指标：准确率(
[实践应用] 深度学习之优化器 YuanDaima2048 深度学习工具使用 pytorch 深度学习人工智能机器学习 python 优化器
文章总览：YuanDaiMa2048博客文章总览深度学习之优化器1.随机梯度下降（SGD）2.动量优化（Momentum）3.自适应梯度（Adagrad）4.自适应矩估计（Adam）5.RMSprop总结其他介绍在深度学习中，优化器用于更新模型的参数，以最小化损失函数。常见的优化函数有很多种，下面是几种主流的优化器及其特点、原理和PyTorch实现：1.随机梯度下降（SGD）原理:随机梯度下降通过
生成式地图制图 Bwywb_3 深度学习机器学习深度学习生成对抗网络
生成式地图制图（GenerativeCartography）是一种利用生成式算法和人工智能技术自动创建地图的技术。它结合了传统的地理信息系统（GIS）技术与现代生成模型（如深度学习、GANs等），能够根据输入的数据自动生成符合需求的地图。这种方法在城市规划、虚拟环境设计、游戏开发等多个领域具有应用前景。主要特点：自动化生成：通过算法和模型，系统能够根据输入的地理或空间数据自动生成地图，而无需人工逐
吴恩达深度学习笔记(30)-正则化的解释极客Array
正则化（Regularization）深度学习可能存在过拟合问题——高方差，有两个解决方法，一个是正则化，另一个是准备更多的数据，这是非常可靠的方法，但你可能无法时时刻刻准备足够多的训练数据或者获取更多数据的成本很高，但正则化通常有助于避免过拟合或减少你的网络误差。如果你怀疑神经网络过度拟合了数据，即存在高方差问题，那么最先想到的方法可能是正则化，另一个解决高方差的方法就是准备更多数据，这也是非常
个人学习笔记7-6：动手学深度学习pytorch版-李沐浪子L 深度学习深度学习笔记计算机视觉 python 人工智能神经网络 pytorch
#人工智能##深度学习##语义分割##计算机视觉##神经网络#计算机视觉13.11全卷积网络全卷积网络（fullyconvolutionalnetwork，FCN）采用卷积神经网络实现了从图像像素到像素类别的变换。引入l转置卷积（transposedconvolution）实现的，输出的类别预测与输入图像在像素级别上具有一一对应关系：通道维的输出即该位置对应像素的类别预测。13.11.1构造模型下
FlagEmbedding 吉小雨 python库 python
FlagEmbedding教程FlagEmbedding是一个用于生成文本嵌入（textembeddings）的库，适合处理自然语言处理（NLP）中的各种任务。嵌入（embeddings）是将文本表示为连续向量，能够捕捉语义上的相似性，常用于文本分类、聚类、信息检索等场景。官方文档链接：FlagEmbedding官方GitHub一、FlagEmbedding库概述1.1什么是FlagEmbeddi
深度学习-点击率预估-研究论文2024-09-14速读 sp_fyf_2024 深度学习人工智能
深度学习-点击率预估-研究论文2024-09-14速读1.DeepTargetSessionInterestNetworkforClick-ThroughRatePredictionHZhong,JMa,XDuan,SGu,JYao-2024InternationalJointConferenceonNeuralNetworks,2024深度目标会话兴趣网络用于点击率预测摘要：这篇文章提出了一种新
【NumPy】深入解析numpy.zeros()函数二七830 numpy
欢迎莅临我的个人主页这里是我深耕Python编程、机器学习和自然语言处理（NLP）领域，并乐于分享知识与经验的小天地！博主简介：我是二七830，一名对技术充满热情的探索者。多年的Python编程和机器学习实践，使我深入理解了这些技术的核心原理，并能够在实际项目中灵活应用。尤其是在NLP领域，我积累了丰富的经验，能够处理各种复杂的自然语言任务。技术专长：我熟练掌握Python编程语言，并深入研究了机
损失函数与反向传播 Star_. PyTorch pytorch 深度学习 python
损失函数定义与作用损失函数(lossfunction)在深度学习领域是用来计算搭建模型预测的输出值和真实值之间的误差。1.损失函数越小越好2.计算实际输出与目标之间的差距3.为更新输出提供依据（反向传播)常见的损失函数回归常见的损失函数有：均方差（MeanSquaredError，MSE）、平均绝对误差（MeanAbsoluteErrorLoss，MAE）、HuberLoss是一种将MSE与MAE
【安装环境】配置MMTracking环境 xuanyu22 安装环境机器学习神经网络深度学习 python
版本v0.14.0安装torchnumpy的版本不能太高，否则后面安装时会发生冲突。先安装numpy，因为pytorch的安装会自动配置高版本numpy。condainstallnumpy=1.21.5mmtracking支持的torch版本有限，需要找到合适的condainstallpytorch==1.11.0torchvision==0.12.0cudatoolkit=10.2-cpytor
Python(PyTorch)和MATLAB及Rust和C++结构相似度指数测量导图亚图跨际 Python 交叉知识算法量化检查图像压缩质量低分辨率多光谱峰值信噪比端到端优化图像压缩手术机器人三维实景实时可微分渲染重建三维可视化
要点量化检查图像压缩质量低分辨率多光谱和高分辨率图像实现超分辨率分析图像质量图像索引/多尺度结构相似度指数和光谱角映射器及视觉信息保真度多种指标峰值信噪比和结构相似度指数测量结构相似性图像分类PNG和JPEG图像相似性近似算法图像压缩，视频压缩、端到端优化图像压缩、神经图像压缩、GPU变速图像压缩手术机器人深度估计算法重建三维可视化推理图像超分辨率算法模型三维实景实时可微分渲染算法MATLAB结构
【深度学习】训练过程中一个OOM的问题，太难查了 weixin_40293999 深度学习深度学习人工智能
现象：各位大佬又遇到过ubuntu的这个问题么？现象是在训练过程中，ssh上不去了，能ping通，没死机，但是ubunutu的pc侧的显示器，鼠标啥都不好用了。只能重启。问题原因：OOM了95G，尼玛！！！！pytorch爆内存了，然后journald假死了，在journald被watchdog干掉之后，系统就崩溃了。这种规模的爆内存一般，即使被oomkill了，也要卡半天的，确实会这样，能不能配
Humanize 项目教程尤嫒冰
Humanize项目教程humanizeAJSlibraryforaddinga“humantouch”todata.项目地址:https://gitcode.com/gh_mirrors/humani/humanize项目介绍Humanize是一个开源项目，旨在将机器生成的文本转换为更加自然、人性化的文本。该项目通过先进的算法和自然语言处理技术，使得AI生成的内容更加贴近人类的表达方式，从而提高
全自动解密解码神器 — Ciphey K'illCode python_模块 python vscode
Ciphey是一个使用自然语言处理和人工智能的全自动解密/解码/破解工具。简单地来讲，你只需要输入加密文本，它就能给你返回解密文本。就是这么牛逼。有了Ciphey，你根本不需要知道你的密文是哪种类型的加密，你只知道它是加密的，那么Ciphey就能在3秒甚至更短的时间内给你解密，返回你想要的大部分密文的答案。下面就给大家介绍Ciphey的实战使用教程。1.准备开始之前，你要确保Python和pip已
Pyorch中 nn.Conv1d 与 nn.Linear 的区别迪三 #NN_Layer 神经网络
即一维卷积层和全联接层的区别nn.Conv1d和nn.Linear都是PyTorch中的层，它们用于不同的目的，主要区别在于它们处理输入数据的方式和执行的操作类型。nn.Conv1d通过应用滑动过滤器来捕捉序列数据中的局部模式，适用于处理具有时间或序列结构的数据。nn.Linear通过将每个输入与每个输出相连接，捕捉全局关系，适用于将输入数据作为整体处理的任务。1.维度与输入nn.Conv1d（一
图片中的上采样，下采样和通道融合(up-sample, down-sample, channel confusion) 迪三 #图像处理_PyTorch 计算机视觉深度学习人工智能
前言以conv2d为例（即图片），Pytorch中输入的数据格式为tensor，格式为:[N,C,W,H,W]第一维N.代表图片个数，类似一个batch里面有N张图片第二维C.代表通道数，在模型中输入如果为彩色，常用RGB三色图，那么就是3维，即C=3。如果是黑白的，即灰度图，那么只有一个通道，即C=1第三维H.代表图片的高度，H的数量是图片像素的列数第四维W.代表图片的宽度，W的数量是图片像素的
CV、NLP、数据控掘推荐、量化海的那边- AI算法自然语言处理人工智能
下面是对CV（计算机视觉）、NLP（自然语言处理）、数据挖掘推荐和量化的简要概述及其应用领域的介绍：1.CV（计算机视觉，ComputerVision）定义：计算机视觉是一门让计算机能够从图像或视频中提取有用信息，并做出决策的学科。它通过模拟人类的视觉系统来识别、处理和理解视觉信息。主要任务：图像分类：识别图像中的物体并分类，比如猫、狗、车等。目标检测：在图像或视频中定位并识别多个对象，如人脸检测
深度解析：如何使用输出解析器将大型语言模型（LLM）的响应解析为结构化JSON格式 m0_57781768 语言模型 json 人工智能
深度解析：如何使用输出解析器将大型语言模型（LLM）的响应解析为结构化JSON格式在现代自然语言处理（NLP）的应用中，大型语言模型（LLM）已经成为了重要的工具。这些模型能够生成丰富的自然语言文本，适用于各种应用场景。然而，在某些应用中，开发者不仅仅需要生成文本，还需要将这些生成的文本转换为结构化的数据格式，例如JSON。这种结构化的数据格式在数据传输、存储以及进一步处理时具有显著优势。本文将深
深入探讨：如何在Python中通过LangChain技术精准追踪大型语言模型（LLM）的Token使用情况 m0_57781768 python langchain 语言模型
深入探讨：如何在Python中通过LangChain技术精准追踪大型语言模型（LLM）的Token使用情况在现代的人工智能开发中，大型语言模型（LLM）已经成为了不可或缺的工具，无论是用于自然语言处理、对话生成，还是其他复杂的文本生成任务。然而，随着这些模型的广泛应用，开发者面临的一个重要挑战是如何有效地追踪和管理Token的使用情况，特别是在生产环境中，Token的使用直接影响着API调用的成本
使用最大边际相关性(MMR)选择示例：提高AI模型的多样性和相关性 aehrutktrjk 人工智能 easyui 前端 python
使用最大边际相关性(MMR)选择示例：提高AI模型的多样性和相关性引言在机器学习和自然语言处理领域，选择合适的训练示例对模型性能至关重要。最大边际相关性(MaximalMarginalRelevance,MMR)是一种优秀的示例选择方法，它不仅考虑了示例与输入的相关性，还注重保持所选示例之间的多样性。本文将深入探讨如何使用MMR来选择示例，以提高AI模型的性能和泛化能力。什么是最大边际相关性(MM
Maven Array_06 eclipse jdk maven
Maven Maven是基于项目对象模型(POM)，信息来管理项目的构建，报告和文档的软件项目管理工具。 Maven 除了以程序构建能力为特色之外，还提供高级项目管理工具。由于 Maven 的缺省构建规则有较高的可重用性，所以常常用两三行 Maven 构建脚本就可以构建简单的项目。由于 Maven 的面向项目的方法，许多 Apache Jakarta 项目发文时使用 Maven，而且公司
ibatis的queyrForList和queryForMap区别 bijian1013 java ibatis
一.说明 iBatis的返回值参数类型也有种：resultMap与resultClass，这两种类型的选择可以用两句话说明之： 1.当结果集列名和类的属性名完全相对应的时候，则可直接用resultClass直接指定查询结果类
LeetCode[位运算] - #191 计算汉明权重 Cwind java 位运算 LeetCode Algorithm 题解
原题链接：#191 Number of 1 Bits 要求：写一个函数，以一个无符号整数为参数，返回其汉明权重。例如，‘11’的二进制表示为'00000000000000000000000000001011', 故函数应当返回3。汉明权重：指一个字符串中非零字符的个数；对于二进制串，即其中‘1’的个数。难度：简单分析：将十进制参数转换为二进制，然后计算其中1的个数即可。 “
浅谈java类与对象 15700786134 java
java是一门面向对象的编程语言，类与对象是其最基本的概念。所谓对象，就是一个个具体的物体，一个人，一台电脑，都是对象。而类，就是对象的一种抽象，是多个对象具有的共性的一种集合，其中包含了属性与方法，就是属于该类的对象所具有的共性。当一个类创建了对象，这个对象就拥有了该类全部的属性，方法。相比于结构化的编程思路，面向对象更适用于人的思维
linux下双网卡同一个IP 被触发 linux
转自： http://q2482696735.blog.163.com/blog/static/250606077201569029441/ 由于需要一台机器有两个网卡，开始时设置在同一个网段的IP，发现数据总是从一个网卡发出，而另一个网卡上没有数据流动。网上找了下，发现相同的问题不少：一、关于双网卡设置同一网段IP然后连接交换机的时候出现的奇怪现象。当时没有怎么思考、以为是生成树
安卓按主页键隐藏程序之后无法再次打开肆无忌惮_ 安卓
遇到一个奇怪的问题，当SplashActivity跳转到MainActivity之后，按主页键，再去打开程序，程序没法再打开（闪一下），结束任务再开也是这样，只能卸载了再重装。而且每次在Log里都打印了这句话"进入主程序"。后来发现是必须跳转之后再finish掉SplashActivity 本来代码： // 销毁这个Activity fin
通过cookie保存并读取用户登录信息实例知了ing JavaScript html
通过cookie的getCookies()方法可获取所有cookie对象的集合；通过getName()方法可以获取指定的名称的cookie；通过getValue()方法获取到cookie对象的值。另外，将一个cookie对象发送到客户端，使用response对象的addCookie()方法。下面通过cookie保存并读取用户登录信息的例子加深一下理解。（1）创建index.jsp文件。在改
JAVA 对象池矮蛋蛋 java ObjectPool
原文地址： http://www.blogjava.net/baoyaer/articles/218460.html Jakarta对象池 ☆为什么使用对象池恰当地使用对象池化技术，可以有效地减少对象生成和初始化时的消耗，提高系统的运行效率。Jakarta Commons Pool组件提供了一整套用于实现对象池化
ArrayList根据条件+for循环批量删除的方法 alleni123 java
场景如下： ArrayList<Obj> list Obj-> createTime, sid. 现在要根据obj的createTime来进行定期清理。（释放内存） ------------------------- 首先想到的方法就是 for(Obj o:list){ if(o.createTime-currentT>xxx){
阿里巴巴“耕地宝”大战各种宝百合不是茶平台战略
“耕地保”平台是阿里巴巴和安徽农民共同推出的一个 “首个互联网定制私人农场”，“耕地宝”由阿里巴巴投入一亿，主要是用来进行农业方面，将农民手中的散地集中起来不仅加大农民集体在土地上面的话语权，还增加了土地的流通与利用率，提高了土地的产量，有利于大规模的产业化的高科技农业的发展，阿里在农业上的探索将会引起新一轮的产业调整，但是集体化之后农民的个体的话语权将更少，国家应出台相应的法律法规保护
Spring注入有继承关系的类（1） bijian1013 java spring
一个类一个类的注入 1.AClass类 package com.bijian.spring.test2; public class AClass { String a; String b; public String getA() { return a; } public void setA(Strin
30岁转型期你能否成为成功人士 bijian1013 成功
很多人由于年轻时走了弯路，到了30岁一事无成，这样的例子大有人在。但同样也有一些人，整个职业生涯都发展得很优秀，到了30岁已经成为职场的精英阶层。由于做猎头的原因，我们接触很多30岁左右的经理人，发现他们在职业发展道路上往往有很多致命的问题。在30岁之前，他们的职业生涯表现很优秀，但从30岁到40岁这一段，很多人
[Velocity三]基于Servlet+Velocity的web应用 bit1129 velocity
什么是VelocityViewServlet 使用org.apache.velocity.tools.view.VelocityViewServlet可以将Velocity集成到基于Servlet的web应用中，以Servlet+Velocity的方式实现web应用 Servlet + Velocity的一般步骤 1.自定义Servlet，实现VelocityViewServl
【Kafka十二】关于Kafka是一个Commit Log Service bit1129 service
Kafka is a distributed, partitioned, replicated commit log service.这里的commit log如何理解？ A message is considered "committed" when all in sync replicas for that partition have applied i
NGINX + LUA实现复杂的控制 ronin47 lua nginx 控制
安装lua_nginx_module 模块 lua_nginx_module 可以一步步的安装，也可以直接用淘宝的OpenResty Centos和debian的安装就简单了。。这里说下freebsd的安装： fetch http://www.lua.org/ftp/lua-5.1.4.tar.gz tar zxvf lua-5.1.4.tar.gz cd lua-5.1.4 ma
java-14.输入一个已经按升序排序过的数组和一个数字，在数组中查找两个数，使得它们的和正好是输入的那个数字 bylijinnan java
public class TwoElementEqualSum { /** * 第 14 题：题目：输入一个已经按升序排序过的数组和一个数字，在数组中查找两个数，使得它们的和正好是输入的那个数字。要求时间复杂度是 O(n) 。如果有多对数字的和等于输入的数字，输出任意一对即可。例如输入数组 1 、 2 、 4 、 7 、 11 、 15 和数字 15 。由于
Netty源码学习-HttpChunkAggregator-HttpRequestEncoder-HttpResponseDecoder bylijinnan java netty
今天看Netty如何实现一个Http Server org.jboss.netty.example.http.file.HttpStaticFileServerPipelineFactory： pipeline.addLast("decoder", new HttpRequestDecoder()); pipeline.addLast(&quo
java敏感词过虑-基于多叉树原理 cngolon 违禁词过虑替换违禁词敏感词过虑多叉树
基于多叉树的敏感词、关键词过滤的工具包，用于java中的敏感词过滤 1、工具包自带敏感词词库，第一次调用时读入词库，故第一次调用时间可能较长，在类加载后普通pc机上html过滤5000字在80毫秒左右，纯文本35毫秒左右。 2、如需自定义词库，将jar包考入WEB-INF工程的lib目录，在WEB-INF/classes目录下建一个 utf-8的words.dict文本文件，
多线程知识 cuishikuan 多线程
T1，T2，T3三个线程工作顺序，按照T1，T2，T3依次进行 public class T1 implements Runnable{ @Override
spring整合activemq dalan_123 java spring jms
整合spring和activemq需要搞清楚如下的东东1、ConnectionFactory分： a、spring管理连接到activemq服务器的管理ConnectionFactory也即是所谓产生到jms服务器的链接 b、真正产生到JMS服务器链接的ConnectionFactory还得
MySQL时间字段究竟使用INT还是DateTime？ dcj3sjt126com mysql
环境：Windows XPPHP Version 5.2.9MySQL Server 5.1 第一步、创建一个表date_test（非定长、int时间） CREATE TABLE `test`.`date_test` (`id` INT NOT NULL AUTO_INCREMENT ,`start_time` INT NOT NULL ,`some_content`
Parcel: unable to marshal value dcj3sjt126com marshal
在两个activity直接传递List<xxInfo>时，出现Parcel: unable to marshal value异常。在MainActivity页面（MainActivity页面向NextActivity页面传递一个List<xxInfo>）： Intent intent = new Intent(this, Next
linux进程的查看上（ps） eksliang linux ps linux ps -l linux ps aux
ps:将某个时间点的进程运行情况选取下来转载请出自出处：http://eksliang.iteye.com/admin/blogs/2119469 http://eksliang.iteye.com ps 这个命令的man page 不是很好查阅，因为很多不同的Unix都使用这儿ps来查阅进程的状态，为了要符合不同版本的需求，所以这个
为什么第三方应用能早于System的app启动 gqdy365 System
Android应用的启动顺序网上有一大堆资料可以查阅了，这里就不细述了，这里不阐述ROM启动还有bootloader，软件启动的大致流程应该是启动kernel -> 运行servicemanager 把一些native的服务用命令启动起来（包括wifi, power, rild, surfaceflinger, mediaserver等等）-> 启动Dalivk中的第一个进程Zygot
App Framework发送JSONP请求(3) hw1287789687 jsonp 跨域请求发送jsonp ajax请求越狱请求
App Framework 中如何发送JSONP请求呢? 使用jsonp,详情请参考:http://json-p.org/ 如何发送Ajax请求呢? (1)登录 /*** * 会员登录 * @param username * @param password */ var user_login=function(username,password){ // aler
发福利，整理了一份关于“资源汇总”的汇总 justjavac 资源
觉得有用的话，可以去github关注：https://github.com/justjavac/awesome-awesomeness-zh_CN 通用 free-programming-books-zh_CN 免费的计算机编程类中文书籍精彩博客集合 hacke2/hacke2.github.io#2 ResumeSample 程序员简历
用 Java 技术创建 RESTful Web 服务 macroli java 编程 Web REST
转载：http://www.ibm.com/developerworks/cn/web/wa-jaxrs/ JAX-RS (JSR-311) 【 Java API for RESTful Web Services 】是一种 Java™ API，可使 Java Restful 服务的开发变得迅速而轻松。这个 API 提供了一种基于注释的模型来描述分布式资源。注释被用来提供资源的位
CentOS6.5-x86_64位下oracle11g的安装详细步骤及注意事项超声波 oracle linux
前言：这两天项目要上线了，由我负责往服务器部署整个项目，因此首先要往服务器安装oracle，服务器本身是CentOS6.5的64位系统，安装的数据库版本是11g，在整个的安装过程中碰到很多的坑，不过最后还是通过各种途径解决并成功装上了。转别写篇博客来记录完整的安装过程以及在整个过程中的注意事项。希望对以后那些刚刚接触的菜鸟们能起到一定的帮助作用。安装过程中可能遇到的问题（注
HttpClient 4.3 设置keeplive 和 timeout 的方法 supben httpclient
ConnectionKeepAliveStrategy kaStrategy = new DefaultConnectionKeepAliveStrategy() { @Override public long getKeepAliveDuration(HttpResponse response, HttpContext context) { long keepAlive
Spring 4.2新特性-@Import注解的升级 wiselyman spring 4
3.1 @Import @Import注解在4.2之前只支持导入配置类在4.2,@Import注解支持导入普通的java类,并将其声明成一个bean 3.2 示例演示java类 package com.wisely.spring4_2.imp; public class DemoService { public void doSomethin

TextRNN预测下一个句子

构造数据

构建Dataset

定义网络

你可能感兴趣的:(深度学习,pytorch,深度学习,自然语言处理)