小鱼吃猫

Module ‘accuracy’ doesn’t exist on the Hugging Face Hub either.问题：12Module 'accuracy' doesn't exist on the Hugging Face Hub either.Module 'f1' doesn't exist on the Hugging Face Hub either. 原因出现这个错误，主要在使用evaluate时，加载accuarcy,由于网络问题访问不到导致的。 1acc_metric = evaluate.load("accuracy") 解决方案 下载对应的py文件，然后从本地加载 1https://github.com/huggingface/datasets/tree/main/metrics 从本地加载评估模块 123from datasets import load_metricacc_metric = load_metric("./accuracy.py&quo...

121. 买卖股票的最佳时机题目 121. 买卖股票的最佳时机 给定一个数组 prices ，它的第 i 个元素 prices[i] 表示一支给定股票第 i 天的价格。你只能选择 某一天 买入这只股票，并选择在 未来的某一个不同的日子 卖出该股票。设计一个算法来计算你所能获取的最大利润。 返回你可以从这笔交易中获取的最大利润。如果你不能获取任何利润，返回 0 。 示例 1： 输入：[7,1,5,3,6,4]输出：5解释：在第 2 天（股票价格 = 1）的时候买入，在第 5 天（股票价格 = 6）的时候卖出，最大利润 = 6-1 = 5 。 注意利润不能是 7-1 = 6, 因为卖出价格需要大于买入价格；同时，你不能在买入前卖出股票。示例 2： 输入：prices = [7,6,4,3,1]输出：0解释：在这种情况下, 没有交易完成, 所以最大利润为 0。 提示： 1 <= prices.length <= 1050 <= prices[i] <= 1...

常见向量数据库的安装与使用 vector-database

NLP之检索式问答综述这里只是一些知识的综述，实战内容查阅案例基于向量匹配的检索式问答实战 一、概述检索式问答（Retrieval-based Question Answering）是一种问答系统，它通过从预定义的文本库中检索最相关的答案来回答用户的问题。简单来说，就是基于文本相似度来匹配答案，常见的相似度匹配算法有以下几种： TF-IDF (Term Frequency-Inverse Document Frequency)：TF-IDF是一种常用的文本检索和信息检索技术，它通过计算单词在文档中的重要性来匹配问题和答案。相关性高的答案往往包含与问题中关键词匹配的高TF-IDF单词。 BM25：BM25是一种改进的TF-IDF算法，它考虑了文档中的单词频率和长度等因素，以提高文档的相关性评分。 Word Embedding Models：这些模型使用预训练的词向量（如Word2Vec、GloVe、FastText）来捕捉单词的语义信息，并通过计算问题和答案之间的相似度来选择最佳答案。 Siamese Networks：Siamese网络是一种神经网络结构，它通过将问题和答...

基于向量匹配的检索式问答实战可以先看一看检索式问答的综述，《检索式问答综述》,这篇是实战，直接上代码。 准备工作 数据集：wangrui6/Zhihu-KOL，包含10w条知乎通用问答数据，以下是两个示例： INSTRUCTION (string) RESPONSE (string) 从北大光华读完MBA的人都去了哪里工作？ 这里我们根据北大光华的数据给大家分析一下。 Python3中如何得到Unicode码对应的中文？ “看的头晕啊！编码真是把人绕晕了啊！” 模型：哈工大的一个中文BERThfl/chinese-macbert-base 分析可以根据要问的问题和知识库里的句子计算相似度进行答案的搜索，但这要求需要有成对的相似句子对作为训练数据集。这需要每个文法都需要有至少两个以上的句子，这很不现实。所以在实际中，可以直接计算问题和答案之间的相似度，以此来完成答案的索引。 代码实现模型训练 利用问答对训练一个文本相似度计算模型用做编码器 这部分和之前的文章是一样的，可以参考文本相似度匹配中问题2的代码 存储数据 利用上一步训练来的编...

动态规划之打家劫舍系列 这两天在学习的时候，发现有个打家劫舍的题目，有意思的很,分享给大家。 基础题目题目内容 198. 打家劫舍 你是一个专业的小偷，计划偷窃沿街的房屋。每间房内都藏有一定的现金，影响你偷窃的唯一制约因素就是相邻的房屋装有相互连通的防盗系统，如果两间相邻的房屋在同一晚上被小偷闯入，系统会自动报警。给定一个代表每个房屋存放金额的非负整数数组，计算你 不触动警报装置的情况下 ，一夜之内能够偷窃到的最高金额。 示例 1：输入：[1,2,3,1]输出：4解释：偷窃 1 号房屋 (金额 = 1) ，然后偷窃 3 号房屋 (金额 = 3)。  偷窃到的最高金额 = 1 + 3 = 4 。示例 2：输入：[2,7,9,3,1]输出：12解释：偷窃 1 号房屋 (金额 = 2), 偷窃 3 号房屋 (金额 = 9)，接着偷窃 5 号房屋 (金额 = 1)。  偷窃到的最高金额 = 2 + 9 + 1 = 12 。 提示： 1 <= nums.length &l...

Microsoft Visual C++ 14.0 or greater is required报错内容123error: Microsoft Visual C++ 14.0 or greater is required.Get it with "Microsoft C++ Build Tools": https://visualstudio.microsoft.com/visual-cpp-build-tools/ 原因分析电脑没装C++ 14.0环境 解决方案可以按照他的提示，去 https://visualstudio.microsoft.com/visual-cpp-build-tools/里下载Visual Studio,打开后，只选择单个组件安装即可。

linux下查看并安装新字体查看已有字体linux下的字体文件是保存在/usr/share/fonts/truetype/dejavu/目录下的，使用如下命令查看 1fc-list 结果如下： 1234567891011121314151617181920212223242526272829303132/usr/share/fonts/truetype/dejavu/DejaVuSerif-Bold.ttf: DejaVu Serif:style=Bold/usr/share/fonts/truetype/dejavu/DejaVuSansMono.ttf: DejaVu Sans Mono:style=Book/usr/share/fonts/truetype/ttf-bitstream-vera/VeraMoBI.ttf: Bitstream Vera Sans Mono:style=Bold Oblique/usr/share/fonts/truetype/liberation/LiberationSansNarrow-Italic.ttf: Liberation Sans...

Python生成图片验证码安装库12#安装pillow模块pip3 install pillow 生成验证码的代码在随机字符串中，我并没用数字1，大写字母I，以及小写字母l。这3个实在是不好区分，所以我就没放。 1234567891011121314151617181920212223242526272829303132333435363738394041424344import randomfrom PIL import Image, ImageDraw, ImageFont# 随机颜色def random_color(): return (random.randint(0, 255), random.randint(0, 255), random.randint(0, 255))def random_char(length): # 随机选择字符 characters = "023456789abcdefghijkmnopqrstuvwxyzABCDEFGHJKLMNOPQRSTUVWXYZ" # 生成指定长度的验证码 code...

图像分类实战——阿猫阿狗的识别概述做一个阿猫阿狗图片分类的功能，数据集和模型均来自Huggingface 数据集：Bingsu/Cat_and_Dog 模型：microsoft/resnet-50 数据加载数据集共包含1w个数据，分为训练集8000,测试集2000。原始数据集在Hugginface上，需要联网下载，可以下载离线数据集然后从本地加载(模型和数据在文末的地址)。数据示例 1image_data = load_dataset('Bingsu/Cat_and_Dog') 数据处理123456789image_processor = AutoImageProcessor.from_pretrained("microsoft/resnet-50")def image_detail(examples): images =[Image.open(io.BytesIO(image['bytes'])) for image in examples['image']] i...