机器学习

机器学习自注意力机制（Self-Attention）

多头自注意力机制（Multi-Head Self-Attention）是深度学习中一种用于处理序列数据的重要机制，广泛应用于自然语言处理（NLP）和计算机视觉等领域。它最早出现在 Transformer 模型中。 1. ...

机器学习梯度下降算法（Gradient Descent）

梯度下降算法是一种用于寻找函数最小值的优化方法。在机器学习中，常用于训练模型，帮助我们找到模型参数（比如权重和偏置）的最佳值，以使模型的预测误差（损失函数）最小。 想象你站在一个山顶上，目标是找到最低的山谷（最小值）。你...

机器学习本地部署 ChatGLM3-6B 模型

ChatGLM3-6B 是一个 ChatGLM 系列的开源对话模型，是由清华大学 KEG 实验室和智谱 AI 共同开发。该模型具备出色的中文和英文理解和生成能力，特别适合多轮对话、文本生成、问答等自然语言处理任务。 模型...

机器学习自动混合精度（AMP）

自动混合精度是一种能够提升训练效率的方法。它通过减少训练过程中的显存使用，从而提高 batch_size 大小，加快模型训练。在 PyTorch 中张量默认使用的是 float32 类型，如果我们能够使用 float16...

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...

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...