主题模型---实践

理论

LDA开源库介绍

主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践

以文本分类为例

主题模型---实践
保证所有样本的特征映射成的维度都是一样的。即由0-1组成的V维度向量。
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践

Gensim安装

主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
爬一些新闻,如下:
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践

word2vec

主题模型---实践
主题模型---实践
主题模型---实践

实践

神经网络

最后就可以进行分类器训练了。
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
MAx pooling第一:只抓了图像中权值比较大的那些特征。第二:降低了图像的大小。还有:random pooling等。有时补一圈0为了让图像矩阵变换前后正好一样,方便做模型。padding填充0等。
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践

主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
主题模型---实践
NLP自然语言处理
主题模型---实践