问答系统的流程如下：①获取原始文本②分词③文本清洗，包含：html标签、stop words（a,an,the等）、纠错、大小写转换等③文本标准化，比如：go, went, going, gone这一类词全部映射为go④转为向量，方法：boolean vector / count vector / tfidf / word2vec / seq2seq等⑤建模，比如把库中的内容根据相似度排序然后返回

属性分类流程。

问答系统的流程如下：①获取原始文本②分词③文本清洗，包含：html标签、stop words（a,an,the等）、纠错、大小写转换等③文本标准化，比如：go, went, going, gone这一类词全部映射为go④转为向量，方法：boolean vector / count vector / tfidf / word2vec / seq2seq等⑤建模，比如把库中的内容根据相似度排序然后返回

问答系统简单实现，用倒排表及词向量优化。

本文内容仅仅是一个学习内容的梳理，无具体知识点的细节。

目录一、假如训练集表现不好1.尝试新的激活函数2.自适应学习率①Adagrad②RMSProp③ Momentum二、在测试集上效果不好1.提前停止2.正则化3.Dropout一、假如训练集表现不好1.尝试新的激活函数ReLU：Rectified Linear Unit图像如下图所示：当z<0时，a = 0, 当z>0时，a = z，也就是说这个激活函数是对输入进行线性转换。使用这个激

通过PyTorch， LSTM模型，对评论的正负面情感进行分析。

目录一、模板预处理1.将模板设置为二值图2.检测模板的轮廓3.对模板轮廓排序，并将数字和轮廓一一对应，以字典存储4.备注二、图片预处理1.初始化卷积核2.图片预处理第一部分3.图像预处理第二部分三、轮廓处理1.大轮廓过滤2.小轮廓分割模板图片如下：需识别的图片如下：一、模板预处理1.将模板设置为二值图2.检测模板的轮廓3.对模板轮廓排序，并将数字和轮廓一一对应，以字典存储排序的函数如下：...

1.图像金字塔高斯金字塔：向下采样，数据会越来越少，减少的方式是：将偶数行和列删除向上采样，数据会越来越多，将图像在每个方向上扩大为原来的两倍，新增的行和列用0来填充。使用先前同样的内核与放大后的图像卷积，获得近似值。上采样之后，图片会变大。下采样后，图片会变小。拉普拉斯金字塔：对于原始图像，先执行下采样，再执行上采样，并用原始图像减去得到的采样结果。以上的计算方式为1层，第二层的计算，把第一层得

概率基础概率：某件事情发生的可能性。联合概率：包含多个条件，并且所有条件同时成立的概率记作：P(A,B)P(A, B) = P(A) * P(B)条件概率：事件A在另外一个事件B已经发生的条件下的发生概率记作：P(A|B)特性：P(A1,A2|B) = P(A1|B)P(A2|B)注意：此条件概率的成立，是由于A1,A2相互独立的结果朴素贝叶斯原理：对于每一个样本，算出属于每一个类别的概率，归为概