Transformers 正在成为许多神经网络架构的核心部分，被广泛应用于诸如NLP、语音识别、时间序列和计算机视觉等领域。Transformers 经历了许多改编和改造，从而产生了新的技术和方法。《Transformers 机器学习:深度探究》是第一本全面介绍Transformers的书。
2022-04-21 22:06:01
17.37MB
语音识别计算机视觉-如何将语音识别、计算机视觉和自然语言处理结合起来帮助精神健康患者... 计算机视觉.pdf
2022-04-21 19:09:31
299KB
nlp机器学习数据增强-数据堆栈和机器学习计算机视觉和面向初学者的nlp最佳资源... 计算机视觉.pdf
2022-04-21 19:09:17
177KB
1、内容概要：本资源主要基于bert（keras）实现文本分类，适用于初学者学习文本分类使用。
2、数据集为电商真实商品评论数据，主要包括训练集data_train，测试集data_test ，经过预处理的训练集clean_data_train和中文停用词表stopwords.txt，可用于模型训练和测试，详细数据集介绍见商品评论情感数据说明文档。
3、源代码：word2vec_analysis.py 是基于Word2Vec进行词向量的生成，采用向量平均求得句向量，然后分别构建RandomForest和GBDT分类模型进行文本分类。
4、源代码：bert_model.py是基于keras-bert构建Bert模型对文本进行分类。
2022-04-21 00:11:16
11.13MB
disp('展示BP的训练集分类')
bp_train_accuracy=sum(J==J1)/length(J)
figure
stem(J,'bo');
grid on
hold on
plot(J1,'r*');
legend('网络训练输出','真实标签')
title('BP神经网络训练集')
xlabel('样本数')
ylabel('分类标签')
hold off
%% 测试集准确率
tn_bp_sim = sim(net_bp,P_test);%测试
[I J]=max(tn_bp_sim',[],2);
[I1 J1]=max(T_test',[],2);
disp('展示BP的测试集分类')
bp_test_accuracy=sum(J==J1)/length(J)
figure
stem(J,'bo');
grid on
hold on
plot(J1,'r*');
legend('测试输出','真实标签')
title('BP神经网络测试集')
xlabel('样本数')
ylabel('分类标签')
hold off
2022-04-20 09:06:52
3.91MB