2015年天池大数据竞赛-新浪微博互动预测大赛第一赛季最新baseine
线上baseline结果为：29.327938%
语言版本：python3.4
运行环境：eclipse
数据集：第一赛季9月17日更换后的最新数据，可到官网下载（
操作步骤：
1、在data文件下导入第一赛季最新数据weibo_train_data.txt和weibo_predict_data.txt
2、运行main.py即可，并在data下生成多个中间文件
结果：线下整体准确率为0.3002991674930433,线上整体准确率为29.327938%
csdn分享地址：
版权声明：baseline为作者原创，供大家学习。
2021-06-19 10:32:32
10KB
1
公斤基线火炬
2019百度的关系撤回比赛，Pytorch版苏神的基线，联合关系撤回。
模型
与苏神的模型相同，只不过开发框架由Keras + Tensorflow变成了Pytorch，给使用Pytorch的小伙伴分享。
苏神Keras版链接： :
代码中包含了许多苏神的代码，因此首先对苏神表示感谢！
以下为苏神模型介绍
用BiLSTM做联合标注，先预测subject，然后根据suject同时预测object和predicate，标注结构是“半指针-半标注”结构，以前也曾介绍过（ https://kexue.fm/archives/5409 ）
标注结构是自己设计的，我看了很多关系抽取的论文
2021-06-16 12:15:54
16KB
1
A Simple but Hard-to-Beat Baseline for Session-based.pdf
2021-06-08 13:01:45
2.69MB
1
Pytorch ReID
强壮，小巧，友善
一个微小，友好，强大的Person-reID基线代码（基于 ）。
强的。 它与一些顶级会议作品中的新基线结果一致，例如， ， ， 。 我们只有Softmax损失才达到Rank@1=88.24%，mAP = 70.68％。
小的。 借助fp16（Nvidia apex支持），仅使用2GB GPU内存即可训练我们的基准。
友谊赛。 您可以使用现有选项在一行中应用许多最新技巧。 此外，如果您是初次使用re-ID的人，则可以先阅读我们的（阅读8分钟） :thumbs_up: 。
目录
特征
现在我们已经支持：
圆损（ CVPR 2020口头）
Float16可基于节省GPU内存
基于零件的卷积基线（PCB）
多重查询评估
重新排名（ ）
随机擦除
ResNet /密集网
可视化训练曲线
可视化排名结果
线性热身
在这里，我们提供了用于生成结果的超参数和体系
2021-05-26 21:44:31
270KB
1
SOHU基准
搜狐校园算法大赛基线
代码运行环境：
python 3.6
凯拉斯2.2.4
tqdm
界坝
张量流-gpu 1.12.0
整体思路：
采用管道的方式，将这个任务拆为两个子任务，先预测方面，根据方面预测情感极性（ABSA），这两个子任务都使用深度学习模型解决
方面预测采用指针标注的方式解决，标注aspect的头和尾，思路参考苏神在百度信息撷取的基准
根据aspect的情感分析是一个多分类问题，首先根据分隔符将文本拆分成多段，然后拆分aspect出现过的文本，再进行三分类
代码框架：
基线/：官方的基线
数据/：比赛的原始数据
log /：日志输出文件
ner /：训练ner模型的相关数据
output /：最终结果文件
sentiment_data /：训练情感分类模型的相关数据
w2v /：词向量
analysis.py：数据分析
ner.py：ner模型
ner
2021-05-25 21:27:38
22KB
1
PaddleDetection训练单/多镜头行人追踪模型
项目效果：
项目AI Studio： :
视频地址： :
!z ip code . zip - r work / PaddleDetection - release - 2.0 - rc /
简介
PaddleDetection飞轮目标检测开发套件，有助于开发者更快更好地完成检测模型的组建，训练，优化及部署等全开发流程。
PaddleDetection快速地实现了多种主流目标检测算法，提供了丰富的数据增强策略，网络模块组件（如骨干网络），损失函数等，并集成了模型压缩和跨平台高效部署能力。
经过连续产业实践打磨，桨检测已拥有顺畅，卓越的使用体验，被工业质检，转化图像检测，无人巡检，新零售，互联网，科研等十多个行业的开发者广泛应用。
解压数据集：
该项目数据集使用COCO数据集中的行人部分。
!u nzip - oq da
2021-05-04 15:45:53
11.41MB
1