有状态的循环神经网络模型中，在一个 batch 的样本处理完成后，其内部状态（记忆）会被记录 并作为下一个 batch 的样本的初始状态。这允许处理更长的序列，同时保持计算复杂度的可控 性。 你可以在 FAQ 中查找更多关于 stateful RNNs 的信息。 from keras.models import Sequential from keras.layers import LSTM, Dense ValueError: 如果生成器生成的数据格式不正确。 4.3.3.11 get_layer get_layer(self, name=None, index=None) 根据名称（唯一）或索引值查找网络层。 索引值来自于水平图遍历的顺序（自下而上）。 参数 • name: 字符串，层的名字。 • index: 整数，层的索引。 返回 一个层实例。 异常 • ValueError: • lower: 布尔值。是否将文本转换为小写。 • split: 字符串。按该字符串切割文本。 返回 整数词索引列表（唯一性无法保证）。 0 是不会被分配给任何单词的保留索引。 由于哈希函数可能发生冲突，可能会将两个或更多字分配给同一索引。碰撞的概率与散列 空间的维度和不同对象的数量有关。 6.2.3 one_hot keras.preprocessing.text.one_hot(text

. . . . . . . . . . . . . . . . . . . . . . . 81 2.7.1 查找模块中的所有函数和类 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 2.7.2 查找特定函数和类的用法 . . . . . . . . . . . . . . . . . . . . . . . . 机器学习还涉及如何做出预测：给定观察到的信息，某些未知属性可能的值是多少？要在不确定的情况下进 行严格的推断，我们需要借用概率语言。 最后，官方文档提供了本书之外的大量描述和示例。在本章的结尾，我们将展示如何在官方文档中查找所需 信息。 本书对读者数学基础无过分要求，只要可以正确理解深度学习所需的数学知识即可。但这并不意味着本书中 不涉及数学方面的内容，本章会快速介绍一些基本且常用的数学知识，以便读者能够理解书中的大部分数学 2.7 查阅文档 由于篇幅限制，本书不可能介绍每一个PyTorch函数和类。API文档、其他教程和示例提供了本书之外的大量 文档。本节提供了一些查看PyTorch API的指导。 2.7.1 查找模块中的所有函数和类 为了知道模块中可以调用哪些函数和类，可以调用dir函数。例如，我们可以查询随机数生成模块中的所有属 性： import torch print(dir(torch.distributions))

)，其中()内可以是列表、字典或字符串，因为字符串是以列表的形式存储的 ⚫字典(dict) 字典dict也叫做关联数组，用大括号{ }括起来，在其他语言中也称为map，使用键-值（ key-value）存储，具有极快的查找速度，其中key不能重复。 56 Python控制流 ⚫顺序结构 ⚫分支结构 ⚫循环结构 ⚫break、continue和pass ⚫列表生成式 57 Python函数 ⚫调用函数

相关的负样本。我们来看看我们的第一组： 22 3.Word2Vec 训练流程 现在我们有四个单词：输入单词not和输出/上下文单词:( thou实际邻 居）,aaron，和taco（负样本）。我们继续查找它们的嵌入 - 对于输 入词，我们查看Embedding矩阵。对于上下文单词，我们查看Context矩 阵（即使两个矩阵都在我们的词汇表中嵌入了每个单词）。 23 3.Word2Vec 训练流程

3 {1,5} 2 {2,3} 2 {2,5} 3 {3,5} 3 C2 再次消除支持度小于2的项集。在这个例子中{1，2}。 现在，让我们了解什么是剪枝，以及它如何使Apriori成为查找频繁项集的 最佳算法之一。 订单编号 项目 T1 1 3 4 T2 2 3 5 T3 1 2 3 5 T4 2 5 T5 1 3 5 16 2

)，其中()内可以是列表、字典或字符串，因为字符串是以列表的形式存储的 ⚫字典(dict) 字典dict也叫做关联数组，用大括号{ }括起来，在其他语言中也称为map，使用键-值（ key-value）存储，具有极快的查找速度，其中key不能重复。 57 Python控制流 ⚫顺序结构 ⚫分支结构 ⚫循环结构 ⚫break、continue和pass ⚫列表生成式 58 Python函数 ⚫调用函数

load('glove-twitter-50') 上述代码将自动下载 glove-twitter-50 模型数据，大约 200MB 大小。下载完成后，可以查询 单词对应的词向量，以及搜索临近词： # 查找与 book 语义接近的词 print('book related:', glove_vectors.most_similar('book')) # 打印词向量查询表的 shape print('pretrained:'