1、踩了個大坑，記錄一下
宣告：不喜歡寫estimator所以才踩的坑
1、from tensorflow.contrib import crf 如果想使用這個函式，tensorflow的版本號要在1.14以下，1.12就可以，不要相信那些亂七八糟要求各種版本的
2、
log_likelihood, trans = tf.contrib.crf.crf_log_likelihood(inputs=logits,
tag_indices=self.labels,
sequence_lengths=self.lengths,
transition_params=trans)
return tf.reduce_mean(-log_likelihood)=loss, trans
pred_ids, _ = crf.crf_decode(potentials=logits, transition_params=trans, sequence_length=self.lengths)crf函式可以返回函式的損失，轉移矩陣，最有路徑的結果，我們要根據最有路徑的結果與原始標籤來計算acc和recall
3、input_label是真實標籤（？*100）？表示batch_size的大小；pred_ids是**標籤（？*100）？表示batch_size的大小
acc = a（**為實體且真實為實體的個數）/b（**為實體的個數）
recall = a（**為實體且真實為實體的個數）/c（實際實體的個數）
首先你要知道你實體的標籤id是什麼，如["o", "b-person", "cls", "seq"]，那麼你的標籤id就是1
先計算a，思路步驟：
1、input_label中元素為1，2，3的位置置true，其餘位置false，並轉換成float。mid_1_1 = tf.cast(tf.equal(self.input_label, 1)，tf.float32)
2、input_label和pred_ids中相同位置元素相同置true，否則置false，與轉換成flaot。mid_1 = tf.cast(tf.equal(self.input_label, self.pred_ids),tf.float32)
3、兩個相乘得到的結果就是a。mid_1_1_1 = tf.reduce_sum(tf.multiply(mid_1_1, mid_1))
計算b，思路步驟：
1、計算pred_ids中為實體的元素位置：mid_2_1 = tf.equal(self.pred_ids, 1)
2、recall_ner = tf.reduce_sum(tf.cast(mid_2_1, tf.float32))
計算c，思路步驟：true_ner = tf.reduce_sum(tf.cast(mid_1_1, tf.float32))
acc還是precision我記不清了
acc = a/b
recall = a/c
每週一坑 簡單的計算器
問題 做乙個計算器，要能夠進行 等基本計算。後續可能支援冪運算，求對數，等運算。效果大概是這樣 輸入1 2 3 輸出 ans 1.66 先從比較簡單的版本開始。版本1 思路 獲取使用者輸入，得到乙個字串型別的值 input。然後對這個字串進行處理 逐個字元的分析，如果出現 這樣的運算子，則它的前面的...
計算python指令碼執行時間的坑
程式執行時間 cpu時間 io時間 休眠或者等待時間 python程式執行時間大於python程式cpu時間 time.clock import datetime import time starttime time.clock time.sleep 3 endtime time.clock pri...
填個許久的坑，計算表示式的值
記得暑假的時候就要寫這個，當時那道題沒有括號，用乙個簡單的方法而沒轉字尾式過的。今天補了一下這個東東，支援 如下 include include include include includeusing namespace std stackq stackw bool precede char a,...