感觉要学习的东西好多呀，感觉时间不够用啊不够用强化学习系列：http://www.cnblogs.com/steven-yang/p/6481772.html时序差分学习(Temporal-Difference Learning)https://blog.csdn.net/qq_30159351/article/details/72896220...

再看pytorch-transformer的示例，里面涉及了分布式训练和预测，之前对此一无所知，学起来https://oldpan.me/archives/pytorch-to-use-multiple-gpus

package com.corpus;import java.io.*;import java.util.List;import edu.stanford.nlp.ling.HasWord;import edu.stanford.nlp.ling.Sentence;import edu.stanford.nlp.ling.TaggedWord;import edu.stanford.

RNN的训练和测试过程其实存在不统一的地方：训练时，每生成一个词时，所利用到的“前一个词”都是准确的；测试时，所有的词都是模型生成的，这就带来了训练和测试的不统一。Scheduled Sampling是指RNN训练时会随机使用模型真实输出来作为下一个时刻的输入，而不像原先那样只会使用期望输出（label）。http://www.bubuko.com/infodetail-2091495.htm

转载地址：http://blog.sina.com.cn/s/blog_5e16f1770100lp7u.html1.首先导入包：\usepackage[linesnumbered,boxed]{algorithm2e}2.然后正文中添加如下示例：\begin{algorithm}\caption{identifyRowContext}\KwIn{$r_i$ , $Backgrd(

在文本分类的过程中，特征（也可以简单的理解为“词”）从人类能够理解的形式转换为计算机能够理解的形式时，实际上经过了两步骤的量化——特征选择阶段的重要程度量化和将具体文本转化为向量时的特征权重量化。初次接触文本分类的人很容易混淆这两个步骤使用的方法和各自的目的，因而我经常听到读者有类似“如何使用TFIDF做特征选择”或者“卡方检验量化权重后每篇文章都一样”等等困惑。文本分类本质上也是一个模式识别

https://github.com/Wordseer/stanford-corenlp-pythonhttp://cache.baiducontent.com/c?m=9f65cb4a8c8507ed4fece7631046893b4c4380146d96864968d4e414c422461b0038a4ed747e0d57938327365ff8540abdb6652969423db09