递归 50、Pow(x, n) 使用递归的思想，直接循环会导致运行时间过长 12345678class Solution: def myPow(self, x: float, n: int) -> float: def quickPow(N): if N == 0: return 1.0 y = 2022-08-18 LeetCode
SpringBoot 员工管理系统 国际化 新建properties配置文件，创建第二个zh_CN文件是会自动生成Resource Bundle文件夹，可通过右键文件夹快速生成配置文件 安装了Resource Bundle Editor插件后，可以点击左下角的Resource Bundle进行可视化配置 就会出现这个页面 右键添加配置 可通过此方法进行可视化配置国际化 随后在app 2022-07-26 开发
第十三讲-基于上下文的表征与NLP预训练模型 1 词向量知识回顾 1.1 词向量表征 现在我们可以获得一个单词的表示 我们开始时学过的单词向量 Word2vec，GloVe，fastText 1.2 预训练的词向量 我们可以随机初始化词向量，并根据我们自己的下游任务训练它们 但在绝大多数情况下，使用预训练词向量是有帮助的，因为它们本身是自带信息的 (我们可以在更大体量的预训练语料上训练得到它们) 2022-06-15 Deep Learning NLP
第十讲-NLP中的问答系统 1、SQuAD问答数据集 1.1 斯坦福问答数据集 (SQuAD) Passage 是来自维基百科的一段文本，系统需要回答问题，在文章中找出答案 \(1000k\)个样本 答案必须是文章中的一系列单词序列 也就是提取式问答 1.2 SQuAD 评估，v1.1 作者收集了3个参考答案 系统在两个指标上计算得分 - 精确匹配：1/0的准确度，你是否匹配三个答案中的一个 - 2022-06-06 Deep Learning NLP
新闻文本分类 解题思路 赛题思路分析：赛题本质是一个文本分类问题，需要根据每句的字符进行分类。但赛题给出的数据是匿名化的，不能直接使用中文分词等操作，这个是赛题的难点。 因此本次赛题的难点是需要对匿名字符进行建模，进而完成文本分类的过程。由于文本数据是一种典型的非结构化数据，因此可能涉及到特征提取和分类模型两个部分。为了减低参赛难度，我们提供了一些解题思路供大家参考： 思路1：TF-IDF + 机器学 2022-05-20 Deep Learning NLP
NLP-Assignment4 Assignment4讲解 RNN和神经网络机器翻译 机器翻译是指，构建一个系统完成源语言到目标语言的变换映射，比如给定一个源句子（比如西班牙语），输出一个目标句子（比如英语）。本次作业中要实现的是一个带注意力机制的Seq2Seq神经模型，用于构建神经网络机器翻译（NMT）系统。首先我们来看NMT系统的训练过程，它用到了双向LSTM作为编码器（encoder）和单向LSTM作为解码器（deco 2022-05-15 Deep Learning NLP
第八讲-机器翻译、seq2seq与注意力机制 1.机器翻译与SMT（统计机器翻译） 1.1 机器翻译 机器翻译(MT)是将一个句子\(x\)从一种语言(源语言)转换为另一种语言(目标语言)的句子\(y\)的任务。 1.2 1950s：早期机器翻译 机器翻译研究始于20世纪50年代初。 俄语 → 英语(冷战的推动) 系统主要是基于规则的，使用双语词典来讲俄语单词映射为对应的英语部分 1.3 1990s-2010s：统计机器 2022-05-14 Deep Learning NLP
第七讲-梯度消失问题与RNN变种 1.梯度消失 1.1 梯度消失问题 梯度消失问题：当这些梯度很小的时候，反向传播的越深入，梯度信号就会变得越来越小 1.2 梯度消失证明简述 \[ \boldsymbol{h}^{(t)}=\sigma\left(\boldsymbol{W}_{h} \boldsymbol{h}^{(t-1)}+\boldsymbol{W}_{x} \boldsymbol{x}^{(t)}+\b 2022-05-13 Deep Learning NLP