NLP-D22-cs224n&UNICORN&多层感知机&房价预测kaggle_kaggle波士顿房价预测多层感知机参数

–0519今天0430起床的，早上开始看cs224n，感觉老师好可爱！
现在开始读论文啦！

一、Unicorn

—0558感觉还是有创新的！但是一时间说不上来？可能是时间与关系在溯源图中的综合？？？先干饭！

–0621吃饭的时候看了cs224n，讲的很细。主要讲了word2vec，具体是如何去做word2vec这件事。
1、用中心词预测周围词
2、用两套向量，分别表示这个词作为中心词和作为周围词时的向量表示
3、优化目标：预测准确----》数学表达：P（预测的周围词|已知的中心词）=把所有词都当做中心词这样做一遍【两词之间的相似度/(字典中所有词和已知中心词的相似度求和)】
这里用两词之间的相似度近似其被预测的可能性，也就是认为，如果两词越相近，就越可能被预测出。
我们希望优化目标越大越好，通过一系列变换（加负号，除以整个字典大小），变成最小化问题，用梯度下降解决（看这意思，老师好像想开始讲梯度下降了，好细啊）

----0627继续读论文，今天读完background就去撸代码!
—0720看到不少专业词汇，好困，想趴一会。。。

—0746复习一下昨天框架的api，就去收拾宿舍了！
注意：
1、ReLU的大小写
2、normal是在torch.init中的

3\dropout的手撕和简洁实现
（1）简洁实现

（2）手撕

这里的简洁主要是说，在使用dropout上。

之所以手撕时没有直接使用nn.Sequential()是因为需要判断是在训练还是在测试，在测试时不用dropout，所以不能直接用sequential，需要加入判断逻辑，用继承nn.Module来更加灵活地定义网络。。

框架帮我们自动在dropout层（nn.Dropout）完成了对于训练和测试的判断，使我们直接能将其写在nn.Sequential中。

4\注意optim和init的位置
torch.optim.SGD()
nn.init.normal_

5\感觉正则化这块weight-decay和dropout理解的不是特别好，可以再去看下视频，至少解决两个一起用，效果会不会更好这个问题。

—1055去干饭!

—1507突发了很多事，现在才能回来学习。
中午吃饭的时候又看了下dropout，其实也是一种正则（约数w的），但是没有被证明啦。不过最先提出的时候是想着增加数据的扰动，在源头进行dropout已经被证明啦！

—1607不想学了，想去跑步了。。。

----1900感觉有惯性，还是回来做题看翻译了，放松不下来啊。

—1928今天很快，去看下翻译，应该还有时间敲pytorch

—2002看完翻译了鹅鹅鹅犹豫是休息一下还是看pytorch

—2019看了一小会cs224n，虽然能听懂，但还是想先看李宏毅老师的课程再来听这个，感觉理解会更深刻。

----2032确实不想刷视频了鹅鹅鹅去做核酸叭顺便看看沐沐。晚上有时间回来敲代码。

–2123回来了，继续写pytorch了！
1、slice使用
slice是切片对象
https://www.runoob.com/python/python-func-slice.html
2、pd.Series用法

—2229代码敲完了，感觉尽管是很简单的比赛，实际做起来都这么复杂，自己都不一定能写明白。明天看下剩下的小结部分，然后自己手撕一遍整个流程。
先去睡了！晚安