常常能见到如下的这样结构体成员后边带有json的标签：type Model struct {IDint`gorm:"primary_key" json:"id"`Delint`json:"del"` //是否删除CreatedOntime.Time`json:"-"`ModifiedOn time.Time`json:"-"`DeletedAt*time.Time `json:"deleted_a

一、Bert预训练：其中我们常用Bert预训练之后产生的CLS Token的浓缩表示表示一个句子；其次我们会使用seq长度的token组合的表示，这样多了一个句子长度的维度。二、BiLSTM：将前向lstm和后向lstm进行结合，这样句子就包含了前向和后向的所有信息，但这一类的方法由于LSTM的本身的时序性，导致了其耗时比较长；三、Glove等词向量模型：有时候直接使用目前现成的简单的词向量模型，

自然语言处理中的数据增强  在实际的生产场景下，数据的稀缺性是一种常见的现象，因此如何进行数据增强或者是小样本学习是十分关键的技术。数据增强(DA)在机器学习领域多指采用一些方法（比如数据蒸馏，正负样本均衡等）来提高模型数据集的质量，增强数据。  最开始的数据增强在计算机视觉中得到了广泛的应用，然后被引入到自然语言处理中，并在许多任务中取得了改进。DA方法的重点之一是提高训练数据的多样性，从而帮助

1. 问题背景今天在浏览一些代码的时候，总是出现了以下的错误描述RuntimeError: Output 0 of SelectBackward is a view and is being modified inplace. This view is the output of a function that returns multiple views. Such functions do n

一、Bert预训练：其中我们常用Bert预训练之后产生的CLS Token的浓缩表示表示一个句子；其次我们会使用seq长度的token组合的表示，这样多了一个句子长度的维度。二、BiLSTM：将前向lstm和后向lstm进行结合，这样句子就包含了前向和后向的所有信息，但这一类的方法由于LSTM的本身的时序性，导致了其耗时比较长；三、Glove等词向量模型：有时候直接使用目前现成的简单的词向量模型，

自然语言处理中的数据增强  在实际的生产场景下，数据的稀缺性是一种常见的现象，因此如何进行数据增强或者是小样本学习是十分关键的技术。数据增强(DA)在机器学习领域多指采用一些方法（比如数据蒸馏，正负样本均衡等）来提高模型数据集的质量，增强数据。  最开始的数据增强在计算机视觉中得到了广泛的应用，然后被引入到自然语言处理中，并在许多任务中取得了改进。DA方法的重点之一是提高训练数据的多样性，从而帮助

一、 自回归语言模型听到自回归语言模型（Autoregressive LM）这个词，我们知道一般的语言模型都是从左到右计算某个词出现的概率，但是当我们做完型填空或者阅读理解这一类NLP任务的时候词的上下文信息都是需要考虑的，而这个时候只考虑了该词的上文信息而没有考虑到下文信息。所以，反向的语言模型出现了，就是从右到左计算某个词出现的概率，这一类语言模型称之为自回归语言模型。像坚持只用单向Trans

Golang&GORM中实现分页的方法(附详细代码及注释)var total intpage,_:= strconv.Atoi(c.DefaultPostForm("page","1"))pageSize,_:= strconv.Atoi(c.DefaultPostForm("pageSize","10"))//此处用了PostForm的请求方法db = models.db.Model(S

判断两个数组对应位置相等的个数，然后计算模型预测的正确率一、问题背景二、解决方法一、问题背景  在多分类模型预测的结果中，我想知道预测的结果与实际的答案相比，其正确率是多少，这个时候我们往往是对应比较两个数组list之间对应相等的个数。因此，我大致总结了一些方法来计算此正确率。假设我们此处的预测结果和实际结果分别为：# 假设是三分类任务，存在0，1，2三种结果list1 = [1,2,0,0,1]

一、golang中处理http响应数据解码，一般有两种方式：1：json.Unmarshal进行解码func HandleUse(w http.ResponseWriter, r *http.Request) {var u Use //此处的Use是一个结构体data, err := ioutil.ReadAll(r.Body)//此处的r是http请求得到的json格式数据-->然后转化为