社区
C语言
帖子详情
mlee79请进,感谢你在帖子http://community.csdn.net/Expert/TopicView.asp?id=5270633中的回复,特开贴送分
yzx1983
2007-01-29 04:36:13
其他人有什么问题的话请去标题中的帖子一看究竟。
...全文
413
9
打赏
收藏
mlee79请进,感谢你在帖子http://community.csdn.net/Expert/TopicView.asp?id=5270633中的回复,特开贴送分
其他人有什么问题的话请去标题中的帖子一看究竟。
复制链接
扫一扫
分享
转发到动态
举报
写回复
配置赞助广告
用AI写文章
9 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
yzx1983
2007-01-30
打赏
举报
回复
原来又进来一个人,csdn这系统做的……
yzx1983
2007-01-30
打赏
举报
回复
贴子回复次数大于跟给分次数????
lockhall
2007-01-30
打赏
举报
回复
搬个板凳坐着等分
yzx1983
2007-01-30
打赏
举报
回复
揭帖咯~~
yzx1983
2007-01-30
打赏
举报
回复
嗯嗯,原来自己可以移动帖子的……
总算从非技术又移回来了,嘿嘿
yzx1983
2007-01-30
打赏
举报
回复
虫虫版主说的话我怎么看不懂捏……
jixingzhong
2007-01-29
打赏
举报
回复
在神秘中崛起 ~
yzx1983
2007-01-29
打赏
举报
回复
呵呵,没啥,其实我以前一直纳闷“栈帧”是怎么回事,哪弄出来的,现在总算知道bp可以用来干这个了,以前学汇编的时候总能看见mov bp , sp, 还以为没什么大用处呢;看着vxworks的tracestack调用,总觉得非常神秘的说~~
mLee79
2007-01-29
打赏
举报
回复
呵呵, 接分, 搞的怎么样了哦, 好像没这个必要吧 ...
mlee613.github.io
mlee613.github.io
DeepEventMine:DeepEventMine
1. DeepEventMine 一个深层的leanring模型,用于根据生物医学文本预测命名实体,触发器和嵌套事件。 该模型和结果报告在我们的论文
中
: 信息学 ,2020年。 1.1。 特征 基于 预测嵌套实体和嵌套事件 提供有关七个生物医学任务的训练有素的模型 复制我们论文
中
报告的结果 根据原始文本输入或PubMed
ID
预测新数据 可视化上的预测实体和事件 1.2。 任务 DeepEventMine已针对以下任务(六个BioNLP共享任务和MLEE)进行了培训和评估。 cg: ge11: ge13:
id
: epi: pc: 混战: 1.3。 我们训练有素的模型和分数 我们训练有素的模型 我们的分数 2.准备 2.1。 要求 的Python 3.6.5 PyTorch(火炬== 1.1.0 torchvision == 0.3.0,cuda92) virtual
DiscreteEntropyEstimators.jl:在Julia
中
实现的离散熵估计器
离散熵估计器 ##可用的估算器 最大似然 MaximumLikelihoodEntropyEstimator MLEntropyEstimator MLEE Miller-Maddow偏差校正 MillerMaddowBiasCorrectedEntropyEstimator MillerMaddowBiasCorrected MMBCEE 工作正在进行
中
##基本用法 最一般的语法是 H = entropy (estimator, observations, base) 默认基数是e ,即默认单位是nat。 使用最大似然估计器,可以像下面这样计算nat
中
的熵: H = entropy ( MLEE (), Frequencies ([ 1 , 1 , 2 ])) 使用位代替nat: H = entropy_ml ( Frequencies ([ 1 , 1 , 2
Ggg_mlee.rar_似然函数_广义高斯_最大似然_矩估计
广义高斯概率分布函数的指数估计,包括矩估计和最大似然然估计,并对这两种估计进行了比较,已通过测试。
带有CRF的双向长期短期记忆,用于检测FastText语义空间
中
的生物医学事件触发
背景技术在生物医学信息提取
中
,事件提取起着至关重要的作用。 生物事件用于描述生物实体(例如蛋白质和基因)之间的动态效应或关系。 事件提取通常分为触发检测和参数识别。 触发检测的性能直接影响事件提取的结果。 通常,传统方法用于将触发检测作为分类任务来解决,以及使用机器学习或规则方法来构造触发器,从而构造许多功能来改善分类结果。 此外,分类模型仅识别由单个单词组成的触发器,而对于多个单词,结果并不令人满意。结果我们模型的语料库是MLEE。 如果我们仅使用生物医学LSTM和CRF模型而没有其他功能,则F分数将达到约78.08%。 将实体与词性(POS)进行比较,我们发现实体特征更有助于提高检测性能,F评分可能达到80%。 此外,我们还对其他三个语料库(BioNLP 2009,BioNLP 2011和BioNLP 2013)进行了实验,以验证模型的一般性。 因此,F分数可以达到60%以上,优于比较实验。结论基于序列注释模型的触发器识别方法不需要初始的复杂特征工程,只需要简单的标记机制即可完成训练。 因此,与其他传统模型相比,我们模型的泛化性更好。 其次,该方法可以识别多词触发器,从而提高了触发
C语言
69,382
社区成员
243,073
社区内容
发帖
与我相关
我的任务
C语言
C语言相关问题讨论
复制链接
扫一扫
分享
社区描述
C语言相关问题讨论
社区管理员
加入社区
获取链接或二维码
近7日
近30日
至今
加载中
查看更多榜单
社区公告
暂无公告
试试用AI创作助手写篇文章吧
+ 用AI写文章