筆記：
嵌入層（embedding
layer）
通過乙個隱藏層,
將 one-hot 編碼的詞投影到乙個低維空間中，本質上是特徵提取器，在指定維度中編碼語義特徵。 這樣,
語義相近的詞, 它們的歐氏距離或余弦距離也比較近。（作者使用的單詞向量是預訓練的，方法為fasttext得到的單詞向量，當然也可以使用word2vec和glove方法訓練得到的單詞向量）。
使用tokenizer將文字轉換成數字特徵
使用keras的tokenizer模組實現轉換。當我們建立了乙個tokenizer物件後，使用該物件的fit_on_texts()函式，可以將輸入的文字中的每個詞編號，編號是根據詞頻的，詞頻越大，編號越小。使用word_index屬性可以看到每次詞對應的編碼
將每條文本轉換為數字列表 將資料集中的每條文本轉換為數字列表，使用每個詞的編號進行編號
使用該物件的texts_to_sequences（）函式，將每條文本轉變成乙個向量。
np.r_是按列連線兩個矩陣，就是把兩矩陣上下相加，要求列數相等。
np.c_是按行連線兩個矩陣，就是把兩矩陣左右相加，要求行數相等。
strip():返回移除字串頭尾指定的字元生成的新字串
如果沒有說明移除什麼，則移除前後的空格。
str.strip(『0』)
str.replace(old,
new) 字串裡面新的換舊的
str.split(
str=
"",num=string.count(
str)
)
num是分割的次數，分割成num+1段
open()函式開啟乙個檔案，建立乙個file物件
open
(name[
,mode[
, buffering]
])
name : 乙個包含了你要訪問的檔名稱的字串值。
mode : mode 決定了開啟檔案的模式：唯讀，寫入，追加等。所有可取值見如下的完全列表。這個引數是非強制的，預設檔案訪問模式為唯讀®。
buffering : 如果 buffering 的值被設為 0，就不會有寄存。如果 buffering 的值取 1，訪問檔案時會寄存行。如果將 buffering 的值設為大於 1 的整數，表明了這就是的寄存區的緩衝大小。如果取負值，寄存區的緩衝大小則為系統預設。
file
.read(
[size]
)：size #未指定則返回整個檔案，如果檔案大小 >2 倍記憶體則有問題，f.read()讀到檔案尾時返回""(空字串)。
file
.readline(
)：#返回一行。
file
.readlines(
[size]
) ：#返回包含size行的列表, size 未指定則返回全部行。
for line in f:
print line ：#通過迭代器訪問。
f.write(
"hello\n"
)：#如果要寫入字串以外的資料,先將他轉換為字串。
f.tell(
)：#返回乙個整數,表示當前檔案指標的位置(就是到檔案頭的位元數)。
f.seek(偏移量,
[起始位置]
)：#用來移動檔案指標。
#偏移量: 單位為位元，可正可負
#起始位置: 0 - 檔案頭, 預設值; 1 - 當前位置; 2 - 檔案尾f
f.close(
)#關閉檔案
如果各個迭代器的元素個數不一致，則返回列表長度與最短的物件相同，利用 * 號操作符，可以將元組解壓為列表。
python物件的賦值實際是物件的引用
copy.copy也是淺拷貝，與上述一樣
copy.deepcopy是深拷貝，相當於重新建立了。
深拷貝為np.copy。
zip函式接受任意多個（包括0個和1個）序列作為引數，返回乙個tuple列表。
Swust OJ 385 自動寫詩
time limit ms 5000 memory limit kb 65535 description 江油是李白故里。馬可波羅來到李白故里，突然詩性大發，準備吟詩兩句。眾所周知，詩句講究對仗。馬可波羅中文水平有限，所以想從已知的佳句中找出兩句對偶的，組合出一些新的詩句。為了簡化問題，小馬只選擇七...
機器學習自動寫詩 學習筆記
要先將字編碼成向量 要對之前的資訊有記憶 相同的輸入，寫詩，可能有不同的輸出。可以發現，輸入不止與當前輸入有關，還和之前的輸入有關。要有記憶！將隱藏層的啟用值利用 a0 0,初始值 0 上次輸入的不同，記憶值不同，使得現在相同的輸入可以得到不同的輸出。記憶值不斷相乘累加。w n 梯度 和梯度消失 w...
為你寫詩9
誰也不知道，明天是什麼樣的，因為我不知道，我們什麼時候會分開，所以，我希望在那一天到來之前，我能寫完我們的故事，把最後的禮物贈予你。謝謝你，這兩天照顧我的情緒，怕我想多了，怕我敏感，經常給我打 發訊息，我感受到了你的在乎，我心裡也有點安心了。我看出來了，你突然成熟了，冷靜下來後，我知道，你是因為壓力...