pytorch

转载自 | helloworldlh 原文链接： 来了来了！一份NLP&ML领域中文综述总结~ ​ mp.weixin.qq.com 综述类论文是指就某一时间内，针对某一专题，对大量原始研究论文中的数据、资料和主要观点进行归纳整理、分析提炼而写成的论文。 对初学者而言，综述类文章可以便于读者在研究初期尽快掌握该方向的发展趋势。对综述类文章的搜索与阅读也因此成为了初学者进入相关研究领域前面临的第一个问题。 针对这一需要，东北大学自然语言处理实验室对自然语言处理领域与机器学习领域的中文综述类文章进行了收集和分类整理。将其按照不同研究领域进行分类，并提供了论文的获取网址，方便初学者获取相应领域的综述文章。 项目地址： https:// github.com/NiuTrans/CNS urvey 论文来源 在该项目中，所有文章均来源于《中文信息学报》、《计算机学报》、《软件学报》、《自动化学报》、《电子学报》、《计算机研究与发展》、《中国科学：信息科学》七个期刊。 共包含 251 篇综述文章，其中自然语言处理领域 145 篇，机器学习领域 106 篇，覆盖了各个期刊 电子化至今 的所有文章。 按照不同分类，项目中给出了各个文章的来源、年份、下载地址以及作者信息，如下图示例： 论文分类 为了方便使用者快速定位到自己想要了解的综述文章，项目根据各个研究领域对自然语言处理和机器学习分别进行了分类

来源 | 极市平台 转载自：机器学习算法与自然语言处理 原文链接： 我是如何在3个月内写出博士论文的？ ​ mp.weixin.qq.com 在看这篇文章之前请注意：我的博士论文花了我三年半的全职研究时间来收集数据，本文所指的三个月只是用于写作的时间，在该时间段的最后我写得很快。我并不是说每个人都能写得那么快，如果你没有做过研究，那就不可能写出来。你可能不会像我一样写得那么快，但你可能会从我的方法中得到一些有益的启示。 2006年夏天，在开始攻读博士学位近3年后，我想到放弃。原来，当时我的成果远远不够，我所使用的设备大部分时间都不起作用，我几乎无法在早晨唤起起床的动力。一年多以后有了折转，我成功做到了：扭转局面，获得了一些可发表少数几篇论文的结果；在3个月内从零开始完成我的博士论文；无争议地通过我的口头答辩。而且，最重要的是，我居然开始享受这个过程。我是怎么做到这一切的？ 1.应对压力—— Dealing with stress 在经历了一次近乎崩溃的经历后，当我在研究中遇到问题或者发现自己压力大的时候，我就会开始在校园里散步。我花时间思考自己需要做什么，让自己有一个正确的心态回过头来处理问题。以前我发现我自己会处于一种为了熬过一天而在网上浪费时间的境地。这一个习惯的改变可能挽救了我的博士生涯。 2.放慢速度——Slowing down 这似乎有悖于直觉，但放慢速度有助于我走得更快

原创：Elesdspline 转载自：AI自然语言处理与知识图谱 原文链接： 综述：关系抽取，挑战与机遇并存！ ​ mp.weixin.qq.com 关系抽取是信息抽取的基本任务之一，目的是识别文本中实体的目标关系，关系抽取对于知识库的构建以及文本的理解十分重要，特别有利于自然语言处理的一些任务，如问答，文本理解等，而且，关系抽取作为知识图谱构建的核心关键，是必不可少的步骤。 大家熟知的传统关系抽取(二元关于抽取，两个实体之间的关系)已经得到了广泛的研究，并且有很多的研究方法已经落地实践，近些年来，对于复杂场景的变化，传统的简单关系抽取已经无法满足实际场景中的复杂应用，慢慢衍生出需要复杂场景的关系抽取任务。 本文是一篇综述文章，总结了目前简单关系抽取的研究进展以及实践方法，对目前已出现的复杂关系抽取任务进行了总结，并介绍了每个任务的定义、最新进展、挑战和机遇。 一、简单关系抽取 简单的关系抽取目的是从文本中识别两个实体之间的关系，例如下图，根据文本，识别出北京和中国的关系为 the capital of，一般这样的关系抽取称之为二元关系抽取( Binary Relation Extraction，BiRE)。 简单关系抽取 目前的方法一般分为 基于监督学习的 BiRE(Supervised BiRE) 、 基于半监督学习的 BiRE(Semi-supervised BiRE) 以及

前言: 与其他框架不同，Darknet构建网络架构不是通过代码直接堆叠，而是通过解析cfg文件进行生成的。cfg文件格式是有一定规则，虽然比较简单，但是有些地方需要对yolov3有一定程度的熟悉，才能正确设置。本文是【从零开始学习YOLOv3】的第一部分，主要讲最基础的cfg文件内容理解、设置以及总结。 下边以 yolov3.cfg 为例进行讲解。 1. Net层 [net] #Testing #batch=1 #subdivisions=1 #在测试的时候，设置batch=1,subdivisions=1 #Training batch= 16 subdivisions= 4 #这里的batch与普遍意义上的batch不是一致的。 #训练的过程中将一次性加载16张图片进内存，然后分4次完成前向传播，每次4张。 #经过16张图片的前向传播以后，进行一次反向传播。 width= 416 height= 416 channels= 3 #设置图片进入网络的宽、高和通道个数。 #由于YOLOv3的下采样一般是32倍，所以宽高必须能被32整除。 #多尺度训练选择为32的倍数最小320*320，最大608*608。 #长和宽越大，对小目标越好，但是占用显存也会高，需要权衡。 momentum= 0.9 #动量参数影响着梯度下降到最优值的速度。 decay= 0.0005 #权重衰减正则项