NLP 使用Word2vec实现文本分类

news2024/11/13 10:23:56
🍨 本文为[🔗365天深度学习训练营学习记录博客
 
🍦 参考文章：365天深度学习训练营
 
🍖 原作者：[K同学啊 | 接辅导、项目定制]\n🚀 文章来源：[K同学的学习圈子](https://www.yuque.com/mingtian-fkmxf/zxwb45)

一、加载数据 

import torch
import torch.nn as nn
import torchvision
from torchvision import transforms, datasets
import os,PIL,pathlib,warnings
 
warnings.filterwarnings("ignore")             #忽略警告信息
 
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)

import pandas as pd
 
# 加载自定义中文数据
train_data = pd.read_csv('D:/train.csv', sep='\t', header=None)
print(train_data)

 二、构造数据迭代器

# 构造数据集迭代器
def coustom_data_iter(texts, labels):
    for x, y in zip(texts, labels):
        yield x, y
        
x = train_data[0].values[:]
#多类标签的one-hot展开
y = train_data[1].values[:]
print(x,"\n",y)

yield x, y：使用 yield 关键字，将每次迭代得到的 (x, y) 元组作为迭代器的输出。yield 的作用类似于 return，但不同之处在于它会暂停函数的执行，并将结果发送给调用方，但函数的状态会被保留，以便下次调用时从上次离开的地方继续执行。 

 三、构建词典

from gensim.models.word2vec import Word2Vec
import numpy as np
 
# 训练 Word2Vec 浅层神经网络模型
w2v = Word2Vec(vector_size=100, #是指特征向量的维度，默认为100。
               min_count=3)     #可以对字典做截断. 词频少于min_count次数的单词会被丢弃掉, 默认值为5。
 
w2v.build_vocab(x)
w2v.train(x,                         
          total_examples=w2v.corpus_count, 
          epochs=20)

Word2Vec可以直接训练模型，一步到位。这里分了三步

  • Word2Vec(vector_size=100, min_count=3): 创建了一个Word2Vec对象，设置了词向量的维度为100，同时设置了词频最小值为3，即只有在训练语料中出现次数不少于3次的词才会被考虑。

  • w2v.build_vocab(x): 使用 build_vocab 方法根据输入的文本数据 x 构建词典。build_vocab 方法会统计输入文本中每个词汇出现的次数，并按照词频从高到低的顺序将词汇加入词典中。

  • w2v.train(x, total_examples=w2v.corpus_count, epochs=20): 训练Word2Vec模型，其中：

  1. x是训练数据。
  2. total_examples=w2v.corpus_count:total_examples 参数指定了训练时使用的文本数量，这里使用的是 w2v.corpus_count 属性，表示输入文本的数量
  3. epochs=20指定了训练的轮数，每轮对整个数据集进行一次训练。
# 将文本转化为向量
def average_vec(text):
    vec = np.zeros(100).reshape((1, 100))
    for word in text:
        try:
            vec += w2v.wv[word].reshape((1, 100))
        except KeyError:
            continue
    return vec
 
# 将词向量保存为 Ndarray
x_vec = np.concatenate([average_vec(z) for z in x])
 
# 保存 Word2Vec 模型及词向量
w2v.save('w2v_model.pkl')

这段代码逐步完成了将文本转化为词向量的过程，并保存了Word2Vec模型及词向量。

  1. average_vec(text): 这个函数接受一个文本列表作为输入，并返回一个平均词向量。它首先创建了一个形状为 (1, 100) 的全零NumPy数组 vec，用于存储文本的词向量的累加和。然后，它遍历文本中的每个词，尝试从已经训练好的Word2Vec模型中获取词向量，如果词在模型中存在，则将其词向量加到 vec 中。如果词不在模型中（KeyError异常），则跳过该词。最后，返回词向量的平均值。

  2. x_vec = np.concatenate([average_vec(z) for z in x]): 这一行代码使用列表推导式，对数据集中的每个文本 z 调用 average_vec 函数，得到文本的词向量表示。然后，使用 np.concatenate 函数将这些词向量连接成一个大的NumPy数组 x_vec。这个数组的形状是 (样本数, 100)，其中样本数是数据集中文本的数量。

  3. w2v.save('w2v_model.pkl'): 这一行代码保存了训练好的Word2Vec模型及词向量。w2v.save() 方法将整个Word2Vec模型保存到文件中。

train_iter = coustom_data_iter(x_vec, y)
print(len(x),len(x_vec))

  1. train_iter = coustom_data_iter(x_vec, y): 这行代码创建了一个名为 train_iter 的迭代器，用于迭代训练数据。它调用了一个名为 coustom_data_iter 的函数，该函数接受两个参数 x_vec 和 y，分别表示训练样本的特征和标签。在这个上下文中，x_vec 是一个NumPy数组，包含了训练样本的特征向量表示，y 是一个数组，包含了训练样本的标签。该迭代器将用于训练模型。

  2. print(len(x),len(x_vec)): 这行代码打印了训练数据的长度，即 x 的长度和 x_vec 的长度。在这里，len(x) 表示训练样本的数量，len(x_vec) 表示每个样本的特征向量的长度（通常表示特征的维度）。这行代码的目的是用于验证数据的准备是否正确，以及特征向量的维度是否与预期一致。

 

label_name = list(set(train_data[1].values[:]))
print(label_name)

 四、生成数据批次和迭代器

text_pipeline  = lambda x: average_vec(x)
label_pipeline = lambda x: label_name.index(x)
print(text_pipeline("你在干嘛"))
print(label_pipeline("Travel-Query"))

  1. text_pipeline = lambda x: average_vec(x): 这一行定义了一个名为 text_pipeline 的匿名函数（lambda函数），它接受一个参数 x（文本数据）。在函数体内部，它调用了前面定义的 average_vec 函数，将文本数据 x 转换为词向量的平均值。

  2. label_pipeline = lambda x: label_name.index(x): 这一行定义了另一个匿名函数 label_pipeline，它接受一个参数 x，该参数表示标签数据。在函数体内部，它调用了 index 方法来查找标签在 label_name 列表中的索引，并返回该索引值。

  3. print(text_pipeline("你在干嘛")): 这行代码调用了 text_pipeline 函数，将字符串 "你在干嘛" 作为参数传递给函数。函数会将这个文本转换为词向量的平均值，并打印出来。

  4. print(label_pipeline("Travel-Query")): 这行代码调用了 label_pipeline 函数，将字符串 "Travel-Query" 作为参数传递给函数。函数会在 label_name 列表中查找 "Travel-Query" 的索引，并打印出来。

 

from torch.utils.data import DataLoader
 
def collate_batch(batch):
    label_list, text_list= [], []
    
    for (_text, _label) in batch:
        # 标签列表
        label_list.append(label_pipeline(_label))
        
        # 文本列表
        processed_text = torch.tensor(text_pipeline(_text), dtype=torch.float32)
        text_list.append(processed_text)
 
    label_list = torch.tensor(label_list, dtype=torch.int64)
    text_list  = torch.cat(text_list)
    
    return text_list.to(device),label_list.to(device)
 
# 数据加载器，调用示例
dataloader = DataLoader(train_iter,
                        batch_size=8,
                        shuffle   =False,
                        collate_fn=collate_batch)

  1. text_pipeline = lambda x: average_vec(x): 这行代码创建了一个名为 text_pipeline 的匿名函数，该函数接受一个参数 x，表示文本数据。在这里，text_pipeline 函数被定义为 average_vec(x)，即调用之前定义的 average_vec 函数，用来将文本转换为向量表示。

  2. label_pipeline = lambda x: label_name.index(x): 这行代码创建了一个名为 label_pipeline 的匿名函数，该函数接受一个参数 x，表示标签数据。在这里，label_pipeline 函数被定义为 label_name.index(x)，即查找 x 在 label_name 列表中的索引，返回其索引值作为标签的表示。

  3. collate_batch(batch): 这是一个自定义的函数，用于处理一个批次（batch）的数据。它接受一个批次的数据作为输入，并对数据进行处理，最后返回处理后的文本和标签列表。

  4. 在 collate_batch 函数中：

    • 首先，创建了两个空列表 label_list 和 text_list，用于存储标签和文本数据。
    • 然后，对批次中的每个样本进行遍历，提取样本的文本和标签。
    • 对于标签部分，调用了 label_pipeline 函数将标签转换为模型可接受的格式，并添加到 label_list 中。
    • 对于文本部分，调用了 text_pipeline 函数将文本转换为向量表示，并转换为 PyTorch 张量格式，并添加到 text_list 中。
    • 最后，将 label_list 转换为 PyTorch 整数张量格式，将 text_list 进行拼接并转换为 PyTorch 浮点数张量格式，并返回这两个张量。

  5. dataloader = DataLoader(train_iter, batch_size=8, shuffle=False, collate_fn=collate_batch): 这行代码创建了一个 PyTorch 的数据加载器 DataLoader，用于加载训练数据。其中参数说明如下：

    • train_iter 是之前定义的用于迭代训练数据的迭代器。
    • batch_size=8 指定了每个批次的样本数量为 8。
    • shuffle=False 表示不对数据进行洗牌，即不打乱样本的顺序。
    • collate_fn=collate_batch 指定了数据加载器在每个批次加载数据时调用的数据处理函数为 collate_batch 函数，用于处理每个批次的数据。

 

五、构建模型

from torch import nn
 
class TextClassificationModel(nn.Module):
 
    def __init__(self, num_class):
        super(TextClassificationModel, self).__init__()
        self.fc = nn.Linear(100, num_class)
 
    def forward(self, text):
        return self.fc(text)

num_class  = len(label_name)
vocab_size = 100000
em_size    = 12
model      = TextClassificationModel(num_class).to(device)

import time
 
def train(dataloader):
    model.train()  # 切换为训练模式
    total_acc, train_loss, total_count = 0, 0, 0
    log_interval = 50
    start_time   = time.time()
 
    for idx, (text,label) in enumerate(dataloader):
        predicted_label = model(text)
        
        optimizer.zero_grad()                    # grad属性归零
        loss = criterion(predicted_label, label) # 计算网络输出和真实值之间的差距，label为真实值
        loss.backward()                          # 反向传播
        torch.nn.utils.clip_grad_norm_(model.parameters(), 0.1) # 梯度裁剪
        optimizer.step()  # 每一步自动更新
        
        # 记录acc与loss
        total_acc   += (predicted_label.argmax(1) == label).sum().item()
        train_loss  += loss.item()
        total_count += label.size(0)
        
        if idx % log_interval == 0 and idx > 0:
            elapsed = time.time() - start_time
            print('| epoch {:1d} | {:4d}/{:4d} batches '
                  '| train_acc {:4.3f} train_loss {:4.5f}'.format(epoch, idx,len(dataloader),
                                              total_acc/total_count, train_loss/total_count))
            total_acc, train_loss, total_count = 0, 0, 0
            start_time = time.time()
 
def evaluate(dataloader):
    model.eval()  # 切换为测试模式
    total_acc, train_loss, total_count = 0, 0, 0
 
    with torch.no_grad():
        for idx, (text,label) in enumerate(dataloader):
            predicted_label = model(text)
            
            loss = criterion(predicted_label, label)  # 计算loss值
            # 记录测试数据
            total_acc   += (predicted_label.argmax(1) == label).sum().item()
            train_loss  += loss.item()
            total_count += label.size(0)
            
    return total_acc/total_count, train_loss/total_count

六、训练模型

from torch.utils.data.dataset  import random_split
from torchtext.data.functional import to_map_style_dataset
# 超参数
EPOCHS     = 10 # epoch
LR         = 5  # 学习率
BATCH_SIZE = 64 # batch size for training
 
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=LR)
scheduler = torch.optim.lr_scheduler.StepLR(optimizer, 1.0, gamma=0.1)
total_accu = None
 
# 构建数据集
train_iter    = coustom_data_iter(train_data[0].values[:], train_data[1].values[:])
train_dataset = to_map_style_dataset(train_iter)
 
split_train_, split_valid_ = random_split(train_dataset,
                                          [int(len(train_dataset)*0.8),int(len(train_dataset)*0.2)])
 
train_dataloader = DataLoader(split_train_, batch_size=BATCH_SIZE,
                              shuffle=True, collate_fn=collate_batch)
 
valid_dataloader = DataLoader(split_valid_, batch_size=BATCH_SIZE,
                              shuffle=True, collate_fn=collate_batch)
 
for epoch in range(1, EPOCHS + 1):
    epoch_start_time = time.time()
    train(train_dataloader)
    val_acc, val_loss = evaluate(valid_dataloader)
    
    # 获取当前的学习率
    lr = optimizer.state_dict()['param_groups'][0]['lr']
    
    if total_accu is not None and total_accu > val_acc:
        scheduler.step()
    else:
        total_accu = val_acc
    print('-' * 69)
    print('| epoch {:1d} | time: {:4.2f}s | '
          'valid_acc {:4.3f} valid_loss {:4.3f} | lr {:4.6f}'.format(epoch,
                                           time.time() - epoch_start_time,
                                           val_acc,val_loss,lr))
 
    print('-' * 69)

test_acc, test_loss = evaluate(valid_dataloader)
print('模型准确率为：{:5.4f}'.format(test_acc))
| epoch 1 |   50/ 152 batches | train_acc 0.732 train_loss 0.02655
| epoch 1 |  100/ 152 batches | train_acc 0.822 train_loss 0.01889
| epoch 1 |  150/ 152 batches | train_acc 0.838 train_loss 0.01798
---------------------------------------------------------------------
| epoch 1 | time: 0.93s | valid_acc 0.812 valid_loss 0.019 | lr 5.000000
---------------------------------------------------------------------
| epoch 2 |   50/ 152 batches | train_acc 0.840 train_loss 0.01745
| epoch 2 |  100/ 152 batches | train_acc 0.843 train_loss 0.01807
| epoch 2 |  150/ 152 batches | train_acc 0.843 train_loss 0.01846
---------------------------------------------------------------------
| epoch 2 | time: 1.01s | valid_acc 0.854 valid_loss 0.020 | lr 5.000000
---------------------------------------------------------------------
| epoch 3 |   50/ 152 batches | train_acc 0.850 train_loss 0.01770
| epoch 3 |  100/ 152 batches | train_acc 0.850 train_loss 0.01675
| epoch 3 |  150/ 152 batches | train_acc 0.859 train_loss 0.01565
---------------------------------------------------------------------
| epoch 3 | time: 0.98s | valid_acc 0.836 valid_loss 0.023 | lr 5.000000
---------------------------------------------------------------------
| epoch 4 |   50/ 152 batches | train_acc 0.898 train_loss 0.00972
| epoch 4 |  100/ 152 batches | train_acc 0.892 train_loss 0.00936
| epoch 4 |  150/ 152 batches | train_acc 0.900 train_loss 0.00948
---------------------------------------------------------------------
| epoch 4 | time: 0.91s | valid_acc 0.879 valid_loss 0.011 | lr 0.500000
---------------------------------------------------------------------
| epoch 5 |   50/ 152 batches | train_acc 0.911 train_loss 0.00679
| epoch 5 |  100/ 152 batches | train_acc 0.899 train_loss 0.00786
| epoch 5 |  150/ 152 batches | train_acc 0.903 train_loss 0.00752
---------------------------------------------------------------------
| epoch 5 | time: 0.91s | valid_acc 0.879 valid_loss 0.010 | lr 0.500000
---------------------------------------------------------------------
| epoch 6 |   50/ 152 batches | train_acc 0.905 train_loss 0.00692
| epoch 6 |  100/ 152 batches | train_acc 0.915 train_loss 0.00595
| epoch 6 |  150/ 152 batches | train_acc 0.910 train_loss 0.00615
---------------------------------------------------------------------
| epoch 6 | time: 0.90s | valid_acc 0.880 valid_loss 0.010 | lr 0.050000
---------------------------------------------------------------------
| epoch 7 |   50/ 152 batches | train_acc 0.907 train_loss 0.00615
| epoch 7 |  100/ 152 batches | train_acc 0.911 train_loss 0.00602
| epoch 7 |  150/ 152 batches | train_acc 0.908 train_loss 0.00632
---------------------------------------------------------------------
| epoch 7 | time: 0.92s | valid_acc 0.881 valid_loss 0.009 | lr 0.050000
---------------------------------------------------------------------
| epoch 8 |   50/ 152 batches | train_acc 0.903 train_loss 0.00656
| epoch 8 |  100/ 152 batches | train_acc 0.915 train_loss 0.00582
| epoch 8 |  150/ 152 batches | train_acc 0.912 train_loss 0.00578
---------------------------------------------------------------------
| epoch 8 | time: 0.93s | valid_acc 0.881 valid_loss 0.009 | lr 0.050000
---------------------------------------------------------------------
| epoch 9 |   50/ 152 batches | train_acc 0.903 train_loss 0.00653
| epoch 9 |  100/ 152 batches | train_acc 0.913 train_loss 0.00595
| epoch 9 |  150/ 152 batches | train_acc 0.914 train_loss 0.00549
---------------------------------------------------------------------
| epoch 9 | time: 0.93s | valid_acc 0.877 valid_loss 0.009 | lr 0.050000
---------------------------------------------------------------------
| epoch 10 |   50/ 152 batches | train_acc 0.911 train_loss 0.00565
| epoch 10 |  100/ 152 batches | train_acc 0.908 train_loss 0.00584
| epoch 10 |  150/ 152 batches | train_acc 0.909 train_loss 0.00604
---------------------------------------------------------------------
| epoch 10 | time: 0.91s | valid_acc 0.878 valid_loss 0.009 | lr 0.005000
---------------------------------------------------------------------
模型准确率为：0.8781

七、测试指定数据 

def predict(text, text_pipeline):
    with torch.no_grad():
        text = torch.tensor(text_pipeline(text), dtype=torch.float32)
        print(text.shape)
        output = model(text)
        return output.argmax(1).item()
 
# ex_text_str = "随便播放一首专辑阁楼里的佛里的歌"
ex_text_str = "还有双鸭山到淮阴的汽车票吗13号的"
 
model = model.to("cpu")
 
print("该文本的类别是：%s" %label_name[predict(ex_text_str, text_pipeline)])

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1464999.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

某胜物流软件三个接口sql注入漏洞（附漏洞检测脚本）

某胜物流软件三个接口sql注入漏洞（附漏洞检测脚本）

免责声明 文章中涉及的漏洞均已修复，敏感信息均已做打码处理，文章仅做经验分享用途，切勿当真，未授权的攻击属于非法行为！文章中敏感信息均已做多层打马处理。传播、利用本文章所提供的信息而造成的任何直接或者间接的…
阅读更多...
云呐矿井智能化运维工是什么？智能机器人运维岗位

云呐矿井智能化运维工是什么？智能机器人运维岗位

煤矿智能运维是指利用先进的信息技术和自动控制，在煤矿生产过程中对煤矿设备进行监测、维护和管理。其职责和工作任务主要包括: 工作环境:　　面对复杂的地质条件和极端的气候环境，煤矿智能运维工程师往往需要在地下煤矿、监测中心等环境中工作。因此&a…
阅读更多...
2024年【陕西省安全员C证】模拟考试题库及陕西省安全员C证操作证考试

2024年【陕西省安全员C证】模拟考试题库及陕西省安全员C证操作证考试

题库来源：安全生产模拟考试一点通公众号小程序 陕西省安全员C证模拟考试题库考前必练！安全生产模拟考试一点通每个月更新陕西省安全员C证操作证考试题目及答案！多做几遍，其实通过陕西省安全员C证模拟考试题库很简单。 1、【多选题…
阅读更多...
TS04——四通道灵敏度自校准电容触摸控制电路，可通过外部电容可独立调节灵敏率和外部电阻调节内部频率，广泛应用于移动设备，门钥匙锁矩阵的应用

TS04——四通道灵敏度自校准电容触摸控制电路，可通过外部电容可独立调节灵敏率和外部电阻调节内部频率，广泛应用于移动设备，门钥匙锁矩阵的应用

TS04是一块四通道灵敏度自校准电容触摸控制电路。 主要特点： ● 灵敏度 自动校准的电容触摸电路 ● 并行接口 ● 通过外部电容可独立调节灵敏率 ● 通过外部电阻调节内部频率 ● 嵌入高频的噪音消除电路 ● 电流工作小 ● 封装形式: SOP14、 16QFN 应用&#xff1a…
阅读更多...
关于在分布式环境中RVN和使用场景的介绍4

关于在分布式环境中RVN和使用场景的介绍4

简介 在前面的文档中，我们介绍了RVN的概念，通过RVN可以解决的某类问题和使用技巧，以及处理RVN的逻辑的具体实现。在本文中，我们将要介绍关于如何使用RVN解决另一种在分布式系统中常出现的问题。 问题 假设我们创建了一个servic…
阅读更多...
注意考场细节 多拿十分不香吗？

注意考场细节 多拿十分不香吗？

专转本考试是专科毕业生继续升学的“本科通道”，也是千千万万专科学子的第二次高考。若是因为一些细节问题，而耽误了考试，那真的很得不偿失。 1.待发卷时应该做些什么? 提早15分钟进入考场，看一看教室四周，熟悉-下陌生…
阅读更多...
《剑指Offer》笔记题解思路技巧优化_Part_6

《剑指Offer》笔记题解思路技巧优化_Part_6

《剑指Offer》笔记&题解&思路&技巧&优化_Part_6 😍😍😍 相知🙌🙌🙌 相识😢😢😢 开始刷题🟡1.LCR 168. 丑数—— 丑数🟢2. LCR 16…
阅读更多...
Vue样式绑定

Vue样式绑定

1. 绑定 HTML class ①通过class名称的bool值判断样式是否被启用 <template><!--通过样式名称是否显示控制样式--><div :class"{ haveBorder: p.isBorder, haveBackground-color: p.isBackgroundcolor }">此处是样式展示区域</div><br /…
阅读更多...
小猫咪不喝水怎么办？主食冻干、主食罐头喂养远离缺水小猫

小猫咪不喝水怎么办？主食冻干、主食罐头喂养远离缺水小猫

小猫咪不喝水怎么办&#xff1f;是否可以忽视它不喝水&#xff1f;它们会不会在口渴、缺水的时候自动去找水喝呢&#xff1f;猫的祖先是来自沙漠的猫科动物&#xff0c;在沙漠中生存时几乎找不到水源&#xff0c;因此它们进化出了“低渴感”&#xff0c;同时它们的肾脏也具备了…
阅读更多...
EventStream获得数据流，前端配置获得推送的流

EventStream获得数据流，前端配置获得推送的流

如上图所示&#xff0c;请求一个接口&#xff0c;接口以数据流的方式向客户端推送数据&#xff0c;默认需要消息收集一条&#xff0c;在原来的基础上追加&#xff0c;在create-react-app生成的工程中&#xff0c;如果代理使用了中间件http-proxy-middleware&#xff0c;同时dev…
阅读更多...
openai sora 只能根据文本生成视频？不，TA 是通用物理世界模拟器

openai sora 只能根据文本生成视频？不，TA 是通用物理世界模拟器

视频生成模型作为世界模拟器 我们探索了在视频数据上进行大规模生成模型的训练。 具体来说&#xff0c;我们联合在可变持续时间、分辨率和长宽比的视频和图像上训练文本条件扩散模型。 我们利用了一个在视频和图像潜在编码的时空补丁上操作的变压器架构。 我们最大的模型So…
阅读更多...
Qt_纯虚函数的信号和槽

Qt_纯虚函数的信号和槽

简介 在C中&#xff0c;纯虚函数是一个在基类中声明但没有实现的虚函数。纯虚函数的声明以 “ 0” 结尾。纯虚函数的目的是为了提供一个接口&#xff0c;但是不提供实现。派生类必须实现纯虚函数&#xff0c;否则它也会成为一个抽象类。纯虚函数可以在基类中定义&#xff0c;也…
阅读更多...
PNPM 批量检查和更新项目依赖

PNPM 批量检查和更新项目依赖

&#x1f680; 作者主页&#xff1a; 有来技术 &#x1f525; 开源项目&#xff1a; youlai-mall &#x1f343; vue3-element-admin &#x1f343; youlai-boot &#x1f33a; 仓库主页&#xff1a; Gitee &#x1f4ab; Github &#x1f4ab; GitCode &#x1f496; 欢迎点赞…
阅读更多...
代码随想录算法训练营第59天 | 583.两个字符串的删除操作 72.编辑距离

代码随想录算法训练营第59天 | 583.两个字符串的删除操作 72.编辑距离

两个字符串的删除操作 dp[i][j] 表示使得[0, i-1]的word1子串和[0, j-1]的word2子串相同所需要的最小步数。 递推公式&#xff1a;也是分为word1[i-1]和word2[j-1]相不相等两种情况。如果相等则不需要修改&#xff0c;dp[i][j] dp[i - 1][j - 1]。如果不相等&#xff0c;要么删…
阅读更多...
李一舟的AI人工智能课程全部内容

李一舟的AI人工智能课程全部内容

科技一直都在进步&#xff0c;我们唯一能做的就是只能让自己不断地学习&#xff0c;保持终身学习&#xff0c;否则时代抛弃你&#xff0c;连招呼都不会打一个。 分享一下最近很火的某老师的AI人工智能课程及工具&#xff0c;希望对你的人工智能学习有所帮助 课程的内容网盘链接…
阅读更多...
酷开科技丨新年新玩法！酷开系统壁纸模式给客厅“换”新

酷开科技丨新年新玩法！酷开系统壁纸模式给客厅“换”新

甲辰龙年即将到来&#xff0c;新年新家新气象&#xff0c;快到酷开系统壁纸模式中挑选一款喜欢的壁纸&#xff0c;为新的一年增添一份美好和喜悦吧&#xff01; 酷开科技将更多的电视新玩法带给你&#xff0c;让你的电视成为家庭中的焦点&#xff01;酷开系统壁纸模式&#xf…
阅读更多...
在SAP生产系统里面快速地紧急修复BUG修改代码

在SAP生产系统里面快速地紧急修复BUG修改代码

在SAP生产系统里面快速地紧急修复BUG修改代码
阅读更多...
RENISHAW雷尼绍双读数头系统应用分享

RENISHAW雷尼绍双读数头系统应用分享

在精密回转运动控制中&#xff0c;大多数场合都会对系统的回转定位精度有严格的要求&#xff0c;RENISHAW雷尼绍圆光栅系统&#xff08;RESM增量和RESA绝对值&#xff09;对于回转角度的反馈测量方案能有效的解决运动控制对回转精度的需求。但是配置单个读数头的圆光栅系统的精…
阅读更多...
flutter sliver 多种滚动组合开发指南

flutter sliver 多种滚动组合开发指南

flutter sliver 多种滚动组合开发指南 视频 https://youtu.be/4mho1kZ_YQU https://www.bilibili.com/video/BV1WW4y1d7ZC/ 前言 有不少同学工作中遇到需要把几个不同滚动行为组件&#xff08;顶部 appBar、内容固定块、tabBar 切换、tabBarView视图、自适应高度、横向滚动&a…
阅读更多...
PostgreSQL 实体化视图的使用

PostgreSQL 实体化视图的使用

上周的教程中&#xff0c;通过 DVD Rental Database 示例&#xff0c;让我们了解了在 PostgreSQL 中创建实体化视图的过程。正如我们所了解的&#xff0c;PostgreSQL 实体化视图提供了一种强大的机制&#xff0c;通过预计算和存储查询结果集为物理表来提高查询性能。接下来的内…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023