参考1：http://blog.csdn.net/mylove0414/article/details/69789203参考2：《TensorFlow实战》参考3：http://www.jianshu.com/p/f682066f0586代码配合参考3的图形说明，可以更容易理解。本例子，打算实现中文的word2vec,但最后显示都是一群乱码，对应的中文代码，也没有更改。如果有人找到了解

Nltk from nltk.corpusimport brown(1)    brown.categories()  该文件下的文章目录(2)    len(brown.sents())(3)    len(brown.words()) tokenizer  分词nltk.tokenize(sentence) 结巴分词  三种切词模式Imp

#coding=utf-8#地区 1：北京，2上海，3,黑龙江，4,重庆，5,海南。#环境：1,相关，0,不相关#食品：1,相关，0,不相关#情感：：1,正面，-1,负面，0,中性#import webdriver from selenium#要安装 pip install seleniumimport reimport os#yum install nodejs-->

本次尝试，采用了 深度学习和 机器学习两种方式去考虑相关的。前者采用embedding的词嵌入的方式基于lstm-dssm模型做司机问题和库文件中标准问题做相似度匹配。后者对数据少的信息采用smote方式扩容，采用tfidf和bow方法基于随机森林的方式训练。数据集总共 1万8千条数据，130个类。标记为null的数据达到1万3千条，数据分布也极为不均衡，所以模型很容易出现 忽略小样本的问题 。（

Docker 只负责执行入口，真正决定环境是否正确的是 shell 初始化方式，而 Ascend NPU 强依赖 profile/basrc 中的环境变量配置，因此 login shell 与 non-login shell 的差异会直接导致运行结果完全不同。

Docker 只负责执行入口，真正决定环境是否正确的是 shell 初始化方式，而 Ascend NPU 强依赖 profile/basrc 中的环境变量配置，因此 login shell 与 non-login shell 的差异会直接导致运行结果完全不同。

nl2sql, text2sql，大模型

论文标题：DeepSeek LLM: Scaling Open-Source Language Models with Longtermism。

Zhao等人,2023),将其KV 缓存中每个元素进一步平均压缩至6比特。MHA需要保存N个头的K,V缓存，效果好；MLA则是将 Key-Value (KV) 缓存压缩为潜在向量，使用时进行映射，效果好。采用DeepSeekMoE架构(Dai等人,2024),该 架构通过细粒度专家分割和共享专家隔离,为专家专业化提供了更高潜力。为了减少K-V缓存，采用低秩键值联合压缩（对键与值进行低秩联合压缩来减

DeepSeekMoE 原理