孟宝亮 的文章

Linux C/C++C++ Boost Circular Buffer

C++ Boost 库中的环形缓冲区（Circular Buffer）是一种数据结构，用于实现固定大小的队列，支持高效的插入和删除操作。它的主要特点是，当缓冲区满时，新的元素会覆盖最旧的元素，从而形成一个环形结构。 1....

机器学习门控循环单元（GRU）

门控循环单元（Gated Recurrent Unit, GRU）是一种改进的循环神经网络（RNN）架构，旨在解决传统 RNN 在处理长序列时面临的梯度消失问题。GRU 由 KyungHyun Cho 等人在2014年提...

机器学习长短期记忆网络（LSTM）

长短期记忆网络（Long Short-Term Memory，LSTM）是一种特殊的循环神经网络（RNN），与传统的 RNN 相比，在处理涉及较长距离时间依赖的任务中表现出更强的能力。 1. 算法原理 LSTM 为了解决...

机器学习循环神经网络（RNN）

循环神经网络（Recurrent Neural Network, RNN）是一类用于处理序列数据的神经网络。 什么是序列数据？序列数据是指按照一定顺序排列的数据集合，其中的每个元素被称为序列的一个项。序列数据可以是有限的...

最新课程智能指针帮你告别内存泄漏，C++ 程序员必看！

C++ 智能指针是现代 C++ 编程中的一个重要特性，主要用于管理动态分配的内存。智能指针通过封装原始指针，自动管理资源的生命周期，从而减少内存泄漏和悬挂指针的问题。

最新课程深入理解决策树：原理、算法与应用

决策树（Decision Tree）是一种直观且易于理解的机器学习算法，它可以处理分类和回归问题。课程由浅入深、全面讲解了算法的核心原理和细节。

最新课程分类性能评估方法

训练分类模型后，我们需要了解它的性能。通过性能评估，我们可以确定模型的优点和缺陷，进而指导我们对模型的改进和优化。课程介绍了常见的分类问题中使用到的评估方法。

机器学习《文本情感分析》（一）准备工作

本文将从零开始，详细讲解如何使用循环神经网络（GRU）实现文本情感分类。我们将基于 PyTorch 从头构建一个模型，并应用于情感分析任务。内容涵盖数据预处理、构建词汇表、分词器、模型搭建与训练，最终完成情感分类性能的评...

机器学习《文本情感分析》（二）工作过程

1. 基本流程 2. 组件介绍 在基本流程中：

机器学习AUC（Area Under the Curve）

AUC（Area Under the Curve）是一种常用二分类评估方法，它指的是 ROC 曲线（Receiver Operating Characteristic Curve）下的面积。 1. ROC ROC（Rec...

机器学习《文本情感分析》（三）核心算法

机器学习《文本情感分析》（四）数据处理

1. 准备数据 该代码用于微博情感分析数据的预处理。主要流程包括： 创建 01-准备数据.py 文件并添加如下代码： 2. 构建词典 该代码用于构建文本词汇表。主要流程包括： 创建 02-构...

机器学习《文本情感分析》（五）模型搭建

该代码实现了一个基于 RNN 的情感分析模型。主要功能包括： 注意：下面代码中 nn.RNN 可以直接替换为 nn.GRU、nn.LSTM，更容易训练。 创建 estimator.py 文件并添加如下代码：

机器学习《文本情感分析》（六）训练评估

1. 模型训练 该代码实现了RNN 训练情感分析模型，主要功能包括： 创建 03-模型训练.py 文件并添加如下代码： 图片展示 20 个 epoch 的在训练集上的总损失变化曲线。随着训练的进行，整...

机器学习回归决策树（Decision Tree Regression）

回归决策树（Decision Tree Regression）是一种使用决策树进行回归分析的方法。与分类决策树不同，回归决策树用于预测连续型的目标变量，而不是离散的类别。 1. 构建决策树 我们使用 MSE（平均平方误差...