工作环境：主机——window7 虚拟机——redhat9.0 工作站——VM11一、linux虚拟机三种上网方式1、桥接：利用主机的真实网卡和虚拟机进行通信，是连接linux虚拟机的最简单的方式，可以访问局域网和公网。虽然会占用ip地址，但由于可以进行局域网通信，因此大多数实验中都采用桥接方式。本文仅介绍桥接方式上网。  2、NAT：可以连接公网，但不能进行局域网通信。

工作环境：主机——window7 虚拟机——redhat9.0 工作站——VM11一、linux虚拟机三种上网方式1、桥接：利用主机的真实网卡和虚拟机进行通信，是连接linux虚拟机的最简单的方式，可以访问局域网和公网。虽然会占用ip地址，但由于可以进行局域网通信，因此大多数实验中都采用桥接方式。本文仅介绍桥接方式上网。  2、NAT：可以连接公网，但不能进行局域网通信。

seq2seq模型详解中我们给出了seq2seq模型的介绍，这篇文章介绍tensorflow中seq2seq的代码，方便日后工作中的调用。本文介绍的代码是版本1.2.1的代码，在1.0版本后，tensorflow要重新给出一套seq2seq的接口，把0.x的seq2seq搬到了legacy_seq2seq下，今天读的就是legacy_seq2seq的代码。目前很多代码还是使用了老的seq2seq

我们为什么要使用requirements.txt呢？主要使用目的：任何应用程序通常需要设置安装所需并依赖一组类库来满足工作要求。要求文件是指定和一次性安装包的依赖项具体一整套方法。requirements.txt文件格式：requests==1.2.0Flask==0.10.1这样我们就可以安装requirements.txt依赖pip install -r r

国内本科和研究生对于机器学习的热情特别高涨，北邮研一开了一门机器学习与模式识别的课程100人的课容量，两秒就抢没了。然而据我观察很多同学学习机器学习的时候有两个问题，第一学习资料杂乱，符号标记不一致导致公式推导过程难以记忆。第二，缺少动手编程的机会，因此对很多公式理解不深刻。　　斯坦福人工智能实验室是人工智能领域的扛把子，牛人包括现在在百度的吴恩达NG（具体课程CS229）和现在在Google

前面几章介绍了卷积神经网络在自然语言处理中的应用，这是因为卷积神经网络便于理解并且易上手编程，大多教程（比如tensorflow的官方文档就先CNN再RNN）。但RNN的原理决定了它先天就适合做自然语言处理方向的问题（如语言模型，语音识别，文本翻译等等）。因此接下来一段时间应该会着重研究RNN，LSTM，Attention等在NLP的应用及其tensorflow实现。在介绍本篇文章之前，先推荐几篇

自然语言处理(NLP)是机器学习的应用之一，用于分析、理解和生成自然语言，以便人类与计算机，人类与人类更好的交流。自然语言处理按照任务类型可以分为分类、匹配、翻译、结构化预测、与序贯决策过程。自然语言处理中的绝大多数问题皆可归入下图其中的一个。这为我们学习自然语言处理提供了大的指导方向，让我们可以心无旁骛的寻找、理解和复现论文。在自然语言处理发展的过程中，出现了如下趋势：第一，传统的基于句法-语

自然语言处理方向的论文仿真到现在，有以下想法：1. 很多模型都为启发式算法，从直观上很好理解，但是对于大多数人来说，就是一个黑盒，70%时间都在处理数据和调参。2. 在数据竞赛中，常用的模型就是CNN和RNN，先调出baseline，然后再进行模型融合(model ensemble)。在以上步骤的约束下，数据竞赛比的就是设备的计算能力和个人的调参能力。3. 在自然语言处理与NLP实战的...

python读取文件内容存入mysqlmysql导入支持sql文件和txt文件（csv），但在txt直接导入会出现乱码，所以直接用python读取每一行，然后写入数据库。最近看兄长生写jsp代码，逻辑运转之快让我们瞠目结舌，常年写代码才是技术积累的关键啊。不知道十年以后会不会像兄长这么牛逼。。。下面贴代码：python处理乱码主要有三步：创建数据库时声明CREATE DATABASE