精华内容
下载资源
问答
  • 2018-06-27 14:40:37

    当这些 a,b,c 为这些值 时,是不会有弹出框的dddddddddd

                var a=false;
                 var b=0;
                 var c=null;
    
                if(a){
                    alert('dddddddddd');
    
                }; 

    这样就揪出来一个问题 也就是 if 的条件判断 并不是 用 ==true 来判断是否为真的,js 的if 判断实际上是 Boolean(a) ==true 来判断的,先将 a 转化为Boolean 对象 ,然后判断 这个布尔对象是true 还是false,空 数组类型 转化为Boolean 是为 true的,所以以后小心使用直接 if(对象)这种形式
    Java if判断句 if语句使用布尔表达式或布尔值作为分支条件来进行分支控制 ==true

    更多相关内容
  • 提供各种语言常用的一判断代码:一话就能判断是不是含有中文、一话就能判断是不是纯数字、一话就能判断是不是闰年、一话就能判断记录分多少页
  • Python语言,基于神经网络(pybrain)分类肯定与否定,开放了训练代码和样本数据,供读者自行修改样本进行训练
  • 文言文复习之被动句省略句判断句实用PPT课件.pptx
  • 文言文复习之被动句省略句判断句实用PPT学习教案.pptx
  • 文言文句式之判断句.doc
  • 文言文句式之判断句.docx
  • 文言文 特殊句式 ——判断句被动句PPT课件.pptx
  • 文言文 特殊句式 ——判断句被动句PPT学习教案.pptx
  • 判断句实用PPT课件PPT课件.pptx
  • 文言文中的判断句PPT课件.pptx
  • 古代汉语的判断句PPT学习教案.pptx
  • 2020高考语文一轮复习 判断句被动句教学指导书教案.doc
  • 古代汉语的判断句,考研必备! 句子根据谓语表示的语法意义,分为描写句、叙述句、判断句
  • 文言文特殊句式一判断句PPT课件.pptx
  • 文言文中的判断句PPT学习教案.pptx
  • 文言文特殊句式一判断句PPT学习教案.pptx
  • 2016年高考语文文言文特殊句式大全一判断句素材
  • 孔克仁句容人无标志判断句段考文言文PPT课件.pptx
  • 知识讲解_文言特殊句式之判断句、省略句、被动句、宾语前置句2[定义].pdf
  • python怎么判断素数

    2021-01-19 23:44:21
    质数(Prime number),又称素数,指在大于1的自然数中,除了1和该数自身外,无法被其他...在循环体里面,每次循环当然就是要判断当次除法是否是整除,这里可以使用求模运算,也就是取余,当余数为0时,该数就不是
  • 识别:基于Xgboost的中文疑问句判断模型

    千次阅读 热门讨论 2018-04-13 19:11:35
    output = '是疑问' if tag else '不是疑问' print(output) 三、其他 1、Xgboost参数解释: https://www.cnblogs.com/mfryf/p/6293814.html 2、具体源码可以在我的github上找到: ...

    一、前言

    关于Xgboost:

    xgboost是大规模并行boosted tree的工具,它是目前最快最好的开源boosted
    tree工具包,比常见的工具包快10倍以上。在数据科学方面,有大量kaggle选手选用它进行数据挖掘比赛,其中包括两个以上kaggle比赛的夺冠方案。在工业界规模方面,xgboost的分布式版本有广泛的可移植性,支持在YARN,
    MPI, Sungrid Engine等各个平台上面运行,并且保留了单机并行版本的各种优化,使得它可以很好地解决于工业界规模的问题。

    网上有不少介绍的文章,这里就此略过,直奔主题,写一篇炼丹文。

    二、实战

    1、语料

    (1)语料格式

    content,label
    在么,1
    你好,0
    ...
    

    左边为文本,右边为标签,从这里也可以看出来,疑问句判别问题可以简单的作为一个二分类问题来解决。

    (2)语料预处理

       tokenizer = jieba.Tokenizer()
       corpus['tokens'] = corpus.content.apply(lambda x: list(tokenizer.cut(x)))
    

    从本地读取语料后,进行简单的分词处理

    (3)特征工程

       vectorizer = TfidfVectorizer(smooth_idf=True,
                                    analyzer=analyzer,
                                    ngram_range=(1, 1),
                                    min_df=1, norm='l1')
       sparse_vector = vectorizer.fit_transform(train.tokens.apply(lambda x: ' '.join(x)).tolist())
    

    这里对分词后的语料进行TFIDF特征抽取,构造训练矩阵。

    2、模型

    (1)模型参数

    模型参数使用k折交叉验证进行对比,确定

       for i, param in enumerate(param_grid):
           cv_result = xgb.cv(param, self.train_matrix,
                              num_boost_round=self.num_boost_round,  # max iter round
                              nfold=self.nfold,
                              stratified=self.stratified,
                              metrics=self.metrics,  # metrics focus on
                              early_stopping_rounds=self.early_stopping_rounds)  # stop when metrics not get better
    

    最终得到表现最好的一组参数及相应的迭代次数等

    (2)模型训练

       _, best_param, best_iter_round = self.model_param_select()
       self.model = xgb.train(dtrain=self.train_matrix, params=best_param, num_boost_round=best_iter_round)
    

    与交叉验证寻找最佳参数不用,训练模型时使用全部的数据进行训练

    (3)模型结果

       Param select 0, auc: 0.9793438, iter_round: 207, params: {'objective': u'binary:logistic', 'subsample': 0.5, 'eta': 0.1, 'max_depth': 4, 'silent': 1}, now best auc: 0.9793438
       Param select 1, auc: 0.9799142, iter_round: 350, params: {'objective': u'binary:logistic', 'subsample': 0.7, 'eta': 0.1, 'max_depth': 4, 'silent': 1}, now best auc: 0.9799142
       Param select 2, auc: 0.9802402, iter_round: 280, params: {'objective': u'binary:logistic', 'subsample': 1.0, 'eta': 0.1, 'max_depth': 4, 'silent': 1}, now best auc: 0.9802402
       ...
       Param select 24, auc: 0.97926, iter_round: 694, params: {'objective': u'binary:logistic', 'subsample': 0.5, 'eta': 0.02, 'max_depth': 6, 'silent': 1}, now best auc: 0.980495
       Param select 25, auc: 0.9803058, iter_round: 824, params: {'objective': u'binary:logistic', 'subsample': 0.7, 'eta': 0.02, 'max_depth': 6, 'silent': 1}, now best auc: 0.980495
       Param select 26, auc: 0.980129, iter_round: 880, params: {'objective': u'binary:logistic', 'subsample': 1.0, 'eta': 0.02, 'max_depth': 6, 'silent': 1}, now best auc: 0.980495
    

    最终可以看到,模型的auc在0.980495得到最佳的参数,保存模型。

    3、实例

    from interrogative.api import *
    
    train()
    tag = recognize(u'今天 来 点 兔子 吗')
    output = '是疑问句' if tag else '不是疑问句'
    print(output)
    

    三、其他

    1、Xgboost参数解释:https://www.cnblogs.com/mfryf/p/6293814.html
    2、具体源码可以在我的github上找到:https://github.com/lpty/nlp_base

    展开全文
  • 判断比喻和非比喻的方法.pdf
  • 问题句子相似度计算,即给定客服里用户描述的两话,用算法来判断是否表示了相同的语义
  • Linux一命令之判断是否连上互联网

    千次阅读 2019-01-05 22:30:23
    主要使用ping命令测试: ... ...如果是连接到互联网即返回输出,否则不输出,以此来判断。...可以看到使用ping一个互联网网址并判断ping的输出,通过"min"字段来比较是否具备连接上互联网的功能。

    主要使用ping命令测试:

    ping www.baidu.com -c 1 | tail -n 1 | grep min
    

     

    执行命令:

    • 如果是连接到互联网即返回输出,否则不输出,以此来判断。

    root@ubuntu:~$ ping www.baidu.com -c 1 | tail -n 1 | grep min
    rtt min/avg/max/mdev = 7.631/7.631/7.631/0.000 ms
    

     

    单纯执行ping命令:

    strong@ubuntu:~$ ping www.baidu.com -c 1
    PING www.a.shifen.com (14.215.177.39) 56(84) bytes of data.
    64 bytes from 14.215.177.39: icmp_seq=1 ttl=128 time=5.33 ms
    
    --- www.a.shifen.com ping statistics ---
    1 packets transmitted, 1 received, 0% packet loss, time 0ms
    rtt min/avg/max/mdev = 5.336/5.336/5.336/0.000 ms
    

     

    总结:

    • ping的-c 1命令为ping一次;

    • 'tail -n 1'为获取从行尾开始的最后一行;

    • 'grep min'为获取内容是否包含"min"字符串;

    • 可以看到使用ping一个互联网网址并判断ping的输出,通过"min"字段来比较是否具备连接上互联网的功能。

    展开全文
  • 给你一个仅由小写英文字母组成的字符串 sentence ,请你判断sentence 是否为 全字母 。 如果是,返回 true ;否则,返回 false 。 二、简单思路 class Solution { public boolean checkIfPangram(String ...

    一、题目大意

    全字母句 指包含英语字母表中每个字母至少一次的句子。

    给你一个仅由小写英文字母组成的字符串 sentence ,请你判断 sentence 是否为 全字母句 。

    如果是,返回 true ;否则,返回 false 。

    二、简单思路

    class Solution {
        public boolean checkIfPangram(String sentence) {
            boolean f = false;
            for(char a = 'a';a<='z';a++){
                if(sentence.indexOf(a)>=0){
                    continue;
                }
                else{
                    return false;
                }
            }
            return true;
        }
    }

    三、巧妙思路

    int型有32位,算法使用了其中的26位,

    每一位对应一个字母,然后使用了或运算,

    (注意,巧妙地实现了哈希,而且方便了检测)

    比如出现了一个字母a,那么(c - 'a') 的ascII值为0,此时1向左移动零位,即第一位为1,以此类推 —> 第五行代码的逻辑。

    而0x3ffffff的意思是,一个f在16进制中表示15,15转换为2进制为1111,即4位,所以6个f一共是24位;3转换为2进制为11,即2位,所以24+2=26位,也就代表了26个字母;

    ^表示异或运算,1 ^ 1 = 0,也就是说如果res前26位都为1的话,res ^ 0x3ffffff 的值将为 0; 故而返回true,否则返回false。

    class Solution {
        public boolean checkIfPangram(String sentence) {
            int res = 0;
            for ( char c : sentence.toCharArray()) {
                res |= 1 << (c - 'a');
                if ((res ^ 0x3ffffff) == 0) {
                    return true;
                }
            }
            return false;
        }
    }
    
    展开全文

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 555,727
精华内容 222,290
关键字:

如何判断是不是判断句