mz2sj

爬取普通话题全文显示的问题

1

爬取的时候会遇到这种情况，不能显示全文 ```#28省份养老金上调# 多地提高城乡居民基础养老金 目前，多个省份在2019年政府工作报告中明确要提高退休人员养老金。 中国社科院世界社保研究中心执行研究员张盈华表示：考虑到物价指数和职工工资上涨情况，预计2019年退休人员养老金依然会维持上调。如果维持去年养老金上调绝对额的话，预计今年上调 ...全文```

关于PCNN-ATT中test计算attention的问题

4

博主您好，在test的时候，我们遍历所有的relation进行attention。 ` res = torch.cat(pre_y, 1).max(1)[0]` 假设使用label 0 ([690*1])这个relation来作attention，将attention后的结果用于计算各个关系的概率分布。 ` out = self.test_scale_p * bags_feature.mm(self.rel_embs.t()) + self.rel_bias` ([128,53]) 这里的max是指在第2维度取最大值作为label 0这个relation的概率吗？依次类推遍历所有relation，就能得到在所有relation上的概率。 这里可不可以不作max，直接取out中label 0对应的维度所对应的概率作为结果。 还有一个问题，PCNN-ATT中eval_metric_var，这是直接对预测概率排名前2000的计算pr吗？

关于PCNNONE中predict函数关闭梯度的问题

2

请问博主，在每个epoch结束时，调用predict函数中的out=model(data)，是不是需要用with torch.no_grad()包起来呢？ 还有一个问题，在训练的时候，我们知道label是多少，因此可以在调用select_instance时只取label对应的那一列概率最大的instance作为下面的训练样本，但是在predict时，我们并没有经过select_instance这一步，而是直接取概率最大的那一列作为label。换句话说，select_instance时，model是不是应该停止梯度更新呢？select_instance学到的是从包中选择正确的样例进行训练，但是predict时并没有这一步。还是说我们在predict中也加入select_instance,但这样好像又不是多实例学习的只要预测对包中的一个？其实自己纠结的就是train过程中比predict多出的一个select_instance. 第二个问题可能没表达清楚，博主可以回答一下第一个问题嘛？谢谢！

search 功能无法使用

7

```TypeError Traceback (most recent call last) in () ----> 1 cloudmusic.search("白日", 100) 4 frames /usr/local/lib/python3.6/dist-packages/cloudmusic/cloudmusic.py in search(para, number) 19 def search(para, number=5): 20 with sessions.Session() as session: ---> 21 return...

jieba分词演员的词性是nr，而模板中却是 `nnt和nnr合作了哪些电影`等，导致无法查询出结果。

关于models中LSTM参数初始化部分

1

` nn.init.orthogonal_(getattr(self.rnn, f'weight_hh_l{i}')) nn.init.kaiming_normal_(getattr(self.rnn, f'weight_ih_l{i}')) nn.init.constant_(getattr(self.rnn, f'bias_hh_l{i}'), val=0) nn.init.constant_(getattr(self.rnn, f'bias_ih_l{i}'), val=0) getattr(self.rnn, f'bias_hh_l{i}').chunk(4)[1].fill_(1) ` 想请教下博主参数初始化这部分，这里对weight和bias的初始化是对LSTM中各个门和候选记忆细胞所有参数的初始化吗？最后一句`getattr(self.rnn, f'bias_hh_l{i}').chunk(4)[1].fill_(1)`是什么意思呢？

请问预训练模型下载链接从哪儿能找到呢？

1

您好，官方包现在改叫transsformers了，我想问一下您给的关于预训练模型的链接是从哪儿找到的，我找了半天没有找到

use_word拼写成了ues_word

def end_of_chunk(prev_tag, tag, prev_type, type_): # check if a chunk ended between the previous and current word # arguments: previous and current chunk tags, previous and current types chunk_end =...