背景 最近有一道题，想把类别特征也放到模型里去，跟bert输出拼接到一起。 所以便设计了，使用Embedding层，将类别特征的词表映射到X维向

背景 最近发现有一道题，还挺有意思的。题目大意是，每条训练样本是一个文章对，labelA标签标识这两篇文章相似，labelB标签标识这两篇文章

背景 在nlp领域，预训练模型bert可谓是红得发紫。 但现在能搜到的大多数都是pytorch写的框架，而且大多都是单输出模型。 所以，本文以 有相

树模型 在各种机器学习的算法中，树模型可以说是最贴近于人类思维的模型，一切的树模型都是一种基于特征空间划分的，具有树形分支结构的模型。举个直观

本文主要参考是的： https://blog.csdn.net/asialee_bird/article/details/88813385 基础版CNN 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 def get_model(): K.clear_session() model = Sequential() model.add(Embedding(len(vocab) + 1, 300, input_length=50)) #使用Embeeding层将每个词编码转换