Posts

autoencoderなどを作っていると、保存や推論を行う上での再利用性を考え、encoderとdecoderは分けてModelを作りたいことがある。 autoencoderの学習の際には、作成したencoderのModelとdecoderのModelを結合する。 Modelの結合は前はできなかった

pyenv環境でaws cli入れたらコマンドが見つからないって言われたので調べたメモ バージョン：pyenv:1.0.10 公式通りにインストールする。 $ pip3 install awscli --upgrade --user すると、 $ aws -bash: aws: command no

Rustのmacroをモジュール化して、別のモジュールから呼ぼうと思ったらうまくいかなかった。 日本語の記事があまりなかったのと、自分の備忘録ようにメモを残しておく。 rustのバージョンは1.27.0 参考 https://github.com/rust-lang/book/issues/401

SeqGAN: Sequence Generative Adversarial Nets with Policy Gradient https://arxiv.org/pdf/1609.05473.pdf SeqGANの論文を読んだのでまとめておきます。実装を行おうと思って読んだので手法をメインに読

word2vecで単語をベクトルにしたり、類似度判定した記事はたくさんあるが、ベクトルから類似単語を出力する日本語記事を見つけられなかったのでメモ。 stack overflowにあった。 https://stackoverflow.com/questions/32759712/how-to-fin

Qiitaに投稿した記事、kerasでHREDを構築してみるの記事で、こちらの論文が参考になるとのコメント頂いて、読んで見たので簡単にまとめました。 A Diversity-Promoting Objective Function for Neural Conversation Models htt

すぐ忘れるのでTex表記をまとめて起きます。 Qiitaが使っているというEasy Copy MathJaxを用います。 読み 表示 tex デルタ $\Delta$ \Delta ナブラ $\nabla$ \nabla 白抜き $\mathbb E[\cdot]$ \mathbb E[\cdot]

はじめに 自然言語処理シリーズの構文解析を読んでいきます。 全体の概要把握:1時間 中身の細かいとこ：3時間 という感じで読み進めて行こうと思います。 概要 構文解析を用いることで、単語の並びの背後にある文法的な構造を明らかにすることができる。構文解析を学ぶことで、自然言語処理で用いられる様々な先人

文章生成にchar-level lstmを使ってみる。英語ではうまくいっている例があるが日本語では難しい。これは、日本語は英語に比べ文字数が多く、ニューラルネットワークの次元数(パラメータ数)が増やす必要があるのが原因の1つだと思う。また、次元削減のため、日本語では文章を単語に区切り単語をベクトル化

久しぶりにColaboratory使ったらGoogle driveのマウントが簡単になってた。 before 認証 !apt-get install -y -qq software-properties-common python-software-properties module-init-to