aigonna

5. Python time 相关模块1. time 模块相关格式 时间戳 timestamp：指格林威治时间1970年01月01日00时00分00秒(北京时间1970年01月01日08时00分00秒)起至现在的总秒数，是一长串浮点数， 如1578779580.0。 struct_time 元组结构的时间：用元组表示时间的格式，如time.gmtime( ) 表示 UTC 的时间, 像time.struct_time(tm_year=2020, tm_mon=12, tm_mday=01, tm_hour=16, tm_min=32, tm_sec=38, tm_wday=1, tm_yday=151, tm_isdst=0)，而time.localtime( )为 UTC+8 的时间, 相差8个小时。 format string 字符串格式的时间: 字符串格式的时间( 可自定义格式 )，如 2020-12-01 00:32:38。 这三者之间是可以相互转换的。 timestamp转struct_time: 12gmtime = time.gmtime(timestamp) #转 ...

1. 面向对象1. 面向对象编程万物皆对象1. 对象？对象：独立的存在 或 作为目标的事物 独立性：对象都存在清晰的边界，重点在于划分边界 功能性：对象都能表现出一些功能、操作或行为 交互性：对象之间存在交换，如：运算和继承 2. Python语言的“万物皆对象” Python语言中所有的数据类型都行对象、函数是对象、模块是对象 Python所有类都继承与最基础类object Python语言中数据类型的操作功能都是类方法的体现 3. OOP： Object-Oriented Programming OOP: 面向对象编程，一种编程思想，重点在于高抽象的复用代码 OOP把对象当做程序的基本单元，对象包含数据和操作数据的函数 OOP本质是把问题解决， 抽象为以对象为中心的计算机程序 OOP在较大规模或复杂项目中十分有用，OOP可以提高协作产量 OOP最主要价值在于代码复用 OOP只是一种编程方式，并非解决问题的高级方法 4. 面向对象 VS 面向过程 面向过程： 以解决问题的过程步骤为核心编写程序的方式 面向对象： 以问题对象构建和应用为核心的编程程序的方式 所有OOP能解决的问 ...

4. 类的继承1. 继承 Inheritance 继承是面向对象程序设计的精髓之一 实现了以类为单位的高抽象级别代码复用 继承是新定义类能够几乎完全使用原有类属性与方法的过程 继承 2. 子类、父类、超类 子类、父类、超类 3. 类继承的构建在定义类是声明继承关系 123class <类名>(<基类名1>, <基类名2>)： def __init__(self, [参数列表]): ... 基类名可以带路径：ModuleName.BaseClassName 4. 类继承的使用 基类的属性基本等同于定义在派生类中 派生类可以直接使用基类的类属性、实例属性 派生类可以直接使用基类的各种方法 使用基类的类方法和类属性时，要用基类的类名调用 isinstance(obj, cls) issubclass(子类名，父类名)判断继承关系的内置函数。 Python采用深度优先、从左至右的方法实施多继承。 派生类的约束： 派生类只能继承基类的公开属性和方法 派生类不能继承基类的私有属性 ...

3. 类的封装1. 封装Encapsulation封装是属性和方法的抽象。 属性的抽象：对类的属性(变量)进行定义、隔离和包护 方法的抽象：对类的方法(函数)进行定义、隔离和包护 目标是形成一个类对外可操作属性和方法的接口 graph LR A((类CLass))--> B(属性 Attributes) A --> C(方法 Methods) 属性： 私有属性：只能在类内部访问 公有属性：可以通过类、对象名访问 方法： 公有方法：只能在类内部使用 公开方法：可以通过类、对象名访问 2. 私有类属性和公开类属性私有属性：仅供当前类访问的类属性，子类也不能访问。 123class <类名>： <__私有类属性名> = <类属性初值> def __init__(self, [参数列表]): 私有类属性名开始需要有两个下划线__,如 __count。 只能在类的内部被方法所访问 不能通过<类名>.<属性名> 或 <对象名>.<属性名>方式访问 有效保证了属性维护的可控性 公开类属性：即类属 ...

2.Python 类的构建1. Class1. class的定义1234class <类名每个单词首字母大写>: """类描述块""" #解释 语句 ​ 类描述：在类定义后的首行，以独立字符串形式定义，<类名>.__doc__属性来访问。 2. 初始化方法和self123class <类名>： def __init__(self, [参数列表])： 语句块 类实例化时所用的方法，可以接收参数并完成初识操作。 __init__: 参数：第一个参数是self，表示类实例自身，其它参数是实例参数。 返回值：构造方法没有返回值，或者返回None，不然TypeError. self: 在类定义内部代表类的实例 self是Python面向对象约定的一个类参数 self代表类的实例，在类内部，self用于组合访问实例相关的属性和方法 相比，类名代表类对象本身 3. 类的属性和方法 类的属性：类中定义的变量，用来描述类的一些特性参数 类的方法：类中定义且与类相关的函数， ...

1. 用python处理NLP本文是[Sanjaya’s Blog] 中 Natural Language Processing with Python的笔记，但不会翻译所有内容。 jupyter notebook 链接 NLP是让计算机理解人类语言。广泛应用于信息检索(搜索引擎)、文本分类，自然语言生成等等。 典型的NLP应用流程如下： 1. 预处理Tokenization预处理一般要进过提取token， 1234text = "This warning shouldn't be taken lightly."print(text.split(sep=' '))====================================================['This', 'warning', "shouldn't", 'be', 'taken', 'lightly.'] 用re去掉标点符号pu ...

2. shap 解释模型1. shap解释回归模型1234567891011121314import numpy as npimport pandas as pdimport matplotlib as mplimport matplotlib.cm as cmimport matplotlib.pyplot as pltfrom sklearn.feature_extraction.text import CountVectorizerfrom sklearn.feature_extraction import stop_wordsfrom sklearn.linear_model import LogisticRegressionfrom sklearn.metrics import accuracy_scorefrom sklearn.model_selection import train_test_splitimport string, refrom time import time 导入数据 123456789df = pd.read_csv("https://q ...

1. lime 解释LSTM模型本文是 Practical NLP部分的笔记。 1. 数据预处理下载数据并解压得到数据集\Longrightarrow 读取对应训练和测试数据路径\Longrightarrow 获取pos和neg文件夹\Longrightarrow 读取这两个文件夹中的文本内容和txt文件名代表的评分并合并成一个df。开始解压后的文件目录如下: (tensorflow版本使用为:1.15.2) aclImdb ├── imdbEr.txt ├── imdb.vocab ├── README ├── test │ ├── labeledBow.feat │ ├── neg │ ├── pos │ ├── urls_neg.txt │ └── urls_pos.txt └── train ├── labeledBow.feat ├── neg ├── pos ├── unsup ├── unsupBow.feat ├── urls_neg.txt ├── urls_pos.txt └── ...

2. skip-gram 负采样代码笔记原代码地址，是CMU NLP课程代码。 1. 导入包1234567from collections import defaultdictimport mathimport numpy as npimport timeimport randomimport torchimport torch.nn.functional as F 2. 定义skip-gram词嵌入层123456789101112131415161718192021222324252627class WordEmbSkip(torch.nn.Module): def __init__(self, nwords, emb_size): super(WordEmbSkip, self).__init__() """ word embeddings """ #sparse=True权重矩阵的梯度变成稀疏向量 self.word_embedding = torch.nn. ...

Backpropagation 算法推导本文是NTU陈蕴侬教授，应用深度学习课程反向传播算法推导的笔记。原文在：200310_Backprop.pdf 1. 全连接神经网络的公式 如图所示，全连接前馈神经网络，实现了f: \mathbb{R}^N \to \mathbb{R}^M y = f(x) = \delta(W^L\cdots\delta(W^2\delta(W^1x+b^1)+b^2)\cdots+b^L)先定义一些参数： \begin{aligned} &a_i^l: 第l层第i个神经元的输出 \\ &a^l: 第l层的输出向量 \\ \\ &z_i^l:第l层第i个神经元激活函数的输入 \\ &z^l:第l层神经元激活函数的输入向量 \\ \\ &w_{ij}^l:从i到j的第l层的神经元权重 \\ &w^l:第l层的神经元权重向量 \\ \\ &b_i^l:第l层第i个神经元的偏置 \\ &b^l:第l层的神经元偏置向量 \end{aligned} 具体来说， 先看最后一层关系——从a到z,如上图。而从z到a：如下图 注意z到a的中间加了激活函数。这里也会产生一个 ...