如何制作企业网站的英文地图并正确入账网站建设费用？

网站英文地图怎么做,企业网站建设费用怎么入账,沪尚茗居全包价格,梧州论坛红豆思辨8.3.1 学习语言模型 依靠在 8.1 节中对序列模型的分析#xff0c;可以在单词级别对文本数据进行词元化。基本概率规则如下#xff1a; P ( x 1 , x 2 , … , x T ) ∏ t 1 T P ( x t ∣ x 1 , … , x t − 1 ) P(x_1,x_2,\dots,x_T)\prod^T_{t1}P(x_t|x_1,\dots,x_{t-1}) …8.3.1 学习语言模型 依靠在 8.1 节中对序列模型的分析可以在单词级别对文本数据进行词元化。基本概率规则如下 P ( x 1 , x 2 , … , x T ) ∏ t 1 T P ( x t ∣ x 1 , … , x t − 1 ) P(x_1,x_2,\dots,x_T)\prod^T_{t1}P(x_t|x_1,\dots,x_{t-1}) P(x1​,x2​,…,xT​)t1∏T​P(xt​∣x1​,…,xt−1​) 例如包含了四个单词的一个文本序列的概率是 P ( d e e p , l e a r n i n g , i s , f u n ) P ( d e e p ) P ( l e a r n i n g ∣ d e e p ) P ( i s ∣ d e e p , l e a r n i n g ) P ( f u n ∣ d e e p , l e a r n i n g , i s ) P(deep,learning,is,fun)P(deep)P(learning|deep)P(is|deep,learning)P(fun|deep,learning,is) P(deep,learning,is,fun)P(deep)P(learning∣deep)P(is∣deep,learning)P(fun∣deep,learning,is) 语言模型就是要计算单词的概率以及给定前面几个单词后出现某个单词的条件概率。这些概率本质上就是语言模型的参数。 假设训练数据集是一个大型的文本语料库。训练数据集中词的概率可以根据给定词的相对词频来计算。对于频繁出现的单词可以统计单词“deep”在数据集中的出现次数然后将其除以整个语料库中的单词总数。接下来尝试估计 P ^ ( l e a r n i n g ∣ d e e p ) n ( d e e p , l e a r n i n g ) n ( d e e p ) \hat{P}(learning|deep)\frac{n(deep,learning)}{n(deep)} P^(learning∣deep)n(deep)n(deep,learning)​ 其中 n ( x ) n(x) n(x) 和 n ( x , x ′ ) n(x,x) n(x,x′) 分别是单个单词和连续单词对的出现次数。 对于一些不常见的单词组合要想找到足够的出现次数来获得准确的估计可能都不容易。如果数据集很小或者单词非常罕见那么这类单词出现一次的机会可能都找不到。这里一种常见的策略是执行某种形式的拉普拉斯平滑Laplace smoothing具体方法是在所有计数中添加一个小常量。用 n n n 表示训练集中的单词总数用 m m m 表示唯一单词的数量。例如通过 P ^ ( x ) n ( x ) ϵ 1 / m n ϵ 1 P ^ ( x ′ ∣ x ) n ( x , x ′ ) ϵ 2 P ^ ( x ′ ) n ( x ) ϵ 2 P ^ ( x ∣ x , x ′ ) n ( x , x ′ , x ) ϵ 3 P ^ ( x ) n ( x , x ′ ) ϵ 3 \begin{align} \hat{P}(x)\frac{n(x)\epsilon_1/m}{n\epsilon_1}\\ \hat{P}(x|x)\frac{n(x,x)\epsilon_2\hat{P}(x)}{n(x)\epsilon_2}\\ \hat{P}(x|x,x)\frac{n(x,x,x)\epsilon_3\hat{P}(x)}{n(x,x)\epsilon_3} \end{align} P^(x)P^(x′∣x)P^(x∣x,x′)​nϵ1​n(x)ϵ1​/m​n(x)ϵ2​n(x,x′)ϵ2​P^(x′)​n(x,x′)ϵ3​n(x,x′,x)ϵ3​P^(x)​​​ 其中 ϵ 1 \epsilon_1 ϵ1​ ϵ 2 \epsilon_2 ϵ2​ 和 ϵ 3 \epsilon_3 ϵ3​ 是超参数。