crf

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> 在安装12C GI的过程中，会要求安装 GIMR 的数据库MGMTDB，当然你可能会选NO。在12.1.01版本时是可以选择GIMR不安装，但是在12.1.0.2和12.2 版本中GIMR成了强制安装，即使在这里选择了NO，这里的YES和NO的区别只是把MTMTDB是存放在OCR ASM DISKGROU还是独立的创建ASM DISKGROUP. 12C r1是GIMR的位置是有OCR的路径决定的。 MGMTDB只是1个CDB包含1个PDB的完整的数据库环境，通常不需要人维护，存储的是GIMR的信息，用于存放 cluster health monitor 生成的一些操作系统级的负载指标，存储着历史信息用于分析性能和诊断问题，是全集成在EM 12C 中。 GIMR 存放的信息更多查看 the documentation here，而对于 cluster health monitor 是可以手动停止，使用下面的命令： $ crsctl stop res ora.crf -init $ crsctl delete res ora.crf -init 我们可以在安装gi的时候增加命令行 -J-D oracle .install.mgmtDB= false 来跳过MGMTDB的安装。 来源： oschina 链接：

CRF/Seq2Seq/CTC的目标函数对比（CRF Loss解析） 这里基于TensorFlow的实现，对三种序列化的任务的目标函数做一个总结。 1. 序列化任务的定义和训练 输入输出都是序列。 先明确下三个任务的不同： CRF：通常用于序列标注任务，比如：BiLSTM+CRF、IDCNN+CRF，场景的特点是， 输入与输出是一一对应的 。 其中语义模型先根据输入生成每个字的“打分”（后验概率的-log），作为解码时的反向观测概率。 Seq2Seq：通常用于生成式问答、摘要生成、机器翻译等等，一般是一种编码器和解码器的结构，特点是：输入与输出长度不一定相同。 CTC解码：一种语音识别的方法，输入为语音，输出为文字，特点是：一种输出可能对应着多个正确的路径。 CTC可以参考：https://distill.pub/2017/ctc/ 三个问题都是解码问题，因为特点的不同，目标函数也不一样： 对于CRF来说目标函数包含两个部分： loss = unary potential + pairwise potential = ClassifyLoss + TranstionLoss （名字是我自己编的，感觉好理解一些），然后用句子的真实长度做mask。 ClassifyLoss（unary potential）：语义模型会生成每个字的得分，其实就是预测的tag在tags词典中的概率的

最近在做车辆的轨迹预测，采用的LSTM,seq2seq的网络结构，训练的结果显示，总体的Loss曲线是收敛的，问题在于，预测的轨迹数值有跳动，了解到CEF可以学习到标签之间的依赖关系。所以想请教一下各位，可不可以将CRF模型应用于数值型的数据？有没有哪位遇到过相似的问题？ 来源： CSDN 作者： 国服程咬金 链接： https://blog.csdn.net/weixin_40548480/article/details/103470766

本文旨在介绍如何利用HanLP训练分词模型，包括语料格式、语料预处理、训练接口、输出格式等。 目前HanLP内置的训练接口是针对一阶HMM-NGram设计的，另外附带了通用的语料加载工具，可以通过少量代码导出供其他训练工具使用的特定格式（如CRF++）。 语料格式 输入语料格式为人民日报分词语料库格式。该格式并没有明确的规范，但总体满足以下几点： 1、单词与词性之间使用“/”分割，如华尔街/nsf，且任何单词都必须有词性，包括标点等。 2、单词与单词之间使用空格分割，如美国/nsf 华尔街/nsf 股市/n。 3、支持用[]将多个单词合并为一个复合词，如[纽约/nsf 时报/n]/nz，复合词也必须遵守1和2两点规范。 你可以参考OpenCorpus/pku98/199801.txt（作者并无版权，请勿询问）。 语料预处理 语料预处理指的是将语料加载到内存中，根据需要增删改其中部分词语的一个过程。 在HanLP中，这是通过CorpusLoader.walk实现的： CorpusLoader.walk("path/to/your/corpus", new CorpusLoader.Handler() { @Override public void handle(Document document) { System.out.println(document); } }); 其中