NumPy配列のスライス表記の参照と代入 | hydroculのメモ
NumPy配列のスライス表記の参照と代入 2015/04/20 NumPyのndarrayは、[a:b] というような表記で範囲を指定して参照することができる。 [] の中をコロンで区切って、開始インデックスと終了インデックスを書く。終了インデックスの直前までになる。 これをスライス表記だとかスライシングなどという。 このスライス表記はPythonの通常のリストにもある仕組みだが、NumPyのndarrayが違う点は、代入もできることである。スライス表記に代入すると、もとのndarrayの一部をまとめて書き換えることができる。 ndarr1 = np.array([0, 1, 2, 3, 4, 5]) print(ndarr1[1:3]) # 出力結果 # [1 2] # スライス表記に同じ大きさの配列を代入すれば、それがそのままその位置に代入される ndarr1[3:6] = [100.
青空文庫で作者っぽさ判定（KERAS ＋ character-level cnn） - Qiita
青空文庫で作者っぽさ判定 青空文庫のテキストを利用して、任意の日本語文の作者っぽさを判定するモデルを作ってみました。 https://github.com/shibuiwilliam/aozora_classification 動機 2017/02のTFUG #3に参加したのですが、Rettyの中の方がcharacter-level convolutional neural networkをしていて、これで火がつきました。 https://tfug-tokyo.connpass.com/event/49849/ 元ネタとなったQiitaの記事はこちらです。 とても勉強になりました。ありがとうございます。 http://qiita.com/bokeneko/items/c0f0ce60a998304400c8 なおcharacter-level cnnの論文はこちらです。 https://p
【テキスト分類】Convolutional Neural NetworksにAttention機構を使ってみた。 - Qiita
例えばこの文の評価極性（ポジティブかネガティブか）を決めたい時に、人間なら最悪が含まれる後ろの節まで見てネガティブと判断しますが、 Attention機構も同じように、美人、(スタイルが)良いという部分よりも最悪という部分をより重要視することができます。 元々は機械翻訳で発表されたものです。 Neural Machine Translation by Jointly Learning to Align and Translate[Bahdanauら,ICLR2015] もっと詳しく知りたい方はこちらの記事が分かりやすいです。 CNNにAttention機構 Attention機構は機械翻訳で発表されて以降、自然言語処理の様々なタスクで使われていきました。 ただ、そのほとんどがLSTMやGRUを適用したRNNの手法です。 なので、今回は評価極性分類タスクでCNNにAttention機構を使っ
CNN、RNNで文章分類を実装してみた
深層学習において文脈情報を学習させる方法としては、再帰的ニューラルネットワーク（RNN）を用いる方法と畳み込みニューラルネットワーク（CNN）を用いる方法があります。 今回はそれぞれの方法で、文章を学習させてラベル分類を行うモデルを、Chainerを使って実装しました。 RNNによる文章分類モデル RNNは系列データを学習させることに適したニューラルネットワークです。 文章データは、文字や単語の時系列とみなすことができますので、文字や単語を値として捉えて文章の順番にしたがって入力することで、文脈情報を学習させることができます。 今回はネットから適当に拝借した英語の短文を用意し、それが質問かそうでないかを分類するモデルを実装してみました。 ここで、トリミングで記号を削除することで、「？」も削除することで、文脈情報のみから分類してみます。 data = [ ["Could I exchange
Pythonでのlist, for文関連の便利ワザ - Qiita
def add1(str): #文字の最後に1の文字を付け加える関数 return str+'1' list_str = ['a', 'b', 'c'] map(add1, list_str)
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Pythonのスライス - Qiita
TFUG#3 RettyにおけるDeep Learningの自然言語処理への応用事例 - Speaker Deck
CNNによるテキスト分類