Linux下zsh配置

zsh 是Linux下执行终端时bash的一个替代品，我使用它的主要原因是—颜值高

DL&ML工程实验环境搭建

人工智能的大热让很多人都想了解其中的奥秘，然而也有很多人因为实验环境的搭建而放弃在探索的第一步上，作为一个记录，这篇博客将系统的讲述如何搭建一个较为通用完善的DeepLearning和machinelearning实验开发环境。

arXiv:1704.00051

通过Wikipedia（维基百科）回答开放域问题

Danqi Chen∗Computer Science Stanford University Stanford, CA 94305, USA danqi@cs.stanford.edu Adam Fisch, Jason Weston & Antoine Bordes Facebook AI Research 770 Broadway New York, NY 10003, USA {afisch,jase,abordes}@fb.com

摘要

该文章提出通过使用Wikipedia（维基百科）作为唯一知识源来处理开放域问题的回答（任何实际问题的答案都是基于Wikipedia的文本中的信息产生）。这种大规模机器阅读的任务结合了文档重构的挑战， （找到相关的文章）和文本的机器理解（确定这些文章的答案）。 我们的方法将基于双重哈希和TF-IDF匹配的搜索组件与经过训练以检测维基百科段落中的答案的多层递归神经网络模型相结合。我们对多个现有QA数据集的实验表明（1）两个模块与现有的同行相比都具有很强的竞争力;（2）利用远程监督的多任务学习方式，是解决这一挑战性任务的有效体系。

Tensorflow 学习笔记（三）_卷积神经网手写数字识别

先借助上一篇实现softmax回归时读入数据和初始化会话

1
2
3
4
5
6
7
8

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
sess = tf.InteractiveSession()
x = tf.placeholder(tf.float32, shape=[None, 784])
y_ = tf.placeholder(tf.float32, shape=[None, 10])

Tensorflow 学习笔记（二）_MNIST手写数字识别

下载数据集

1
2

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

里面包含有55,000 数据点作为训练集 (mnist.train), 10,000 数据点作为测试集 (mnist.test), 并有 5,000 数据作验证 (mnist.validation).
每一张图片包含有28*28个像素点，被读取后，在代码展开成一个长度为784的数组

Tensorflow 学习（一）

综述

TensorFlow 是一个编程系统, 使用图来表示计算任务. 图中的节点被称之为 op (operation 的缩写). 一个 op 获得 0 个或多个 Tensor, 执行计算, 产生 0 个或多个 Tensor. 每个 Tensor 是一个类型化的多维数组.
一个 TensorFlow 图描述了计算的过程. 为了进行计算, 图必须在 会话(session) 里被启动. 会话 将图的 op 分发到诸如 CPU 或 GPU 之类的 设备 上, 同时提供执行 op 的方法. 这些方法执行后, 将产生的 tensor 返回. 在 Python 语言中, 返回的 tensor 是 numpy ndarray 对象.

Pytorch官方教程代码翻译_ClassifyingNames_Charter-Level_RNN

我们将建立并训练一个基于caharacter-level RNN（个人理解：字符级的RNN模型）来分类单词，该模型将单词当做一串字母读入，在每一轮训练中输出预测结果和隐藏状态，将其以前的隐藏状态提供给下一步。我们将单词属于哪种语言作为最后的预测结果当做输出。
训练数据集采用来自18种语言的姓氏大概有1000多条。预测结果基于名字的拼写方式得出。

test_image

Mongodb学习笔记（二）

关于Unicode字符串的一点说明
你可能已经注意到，之前存入数据库的事常规的Python字符串，这与我们从数据库服务器里取回来的看起来不同（比如 u’Mike’ 而不是‘Mike’）。

决策树

决策树以数据特征做划分，利用特征鲜明且完备的方式将数据划入不同的分类。是一种数值离散的聚类算法。 其中最主要的两个知识点是信息熵和信息增益。决策树根据所给数据特征的信息增益决定划分方式。