我试图将整个段落输入到我的文字处理器中,先将其分成句子然后再分成单词.
我尝试了以下代码,但它不起作用,
#text is the paragraph input
sent_text = sent_tokenize(text)
tokenized_text = word_tokenize(sent_text.split)
tagged = nltk.pos_tag(tokenized_text)
print(tagged)
但这不起作用,给我错误.那么如何将段落标记为句子然后单词呢？
一个示例段落:
这件事似乎压倒了这只小黑褐色的狗,使他受伤了.他在孩子脚下绝望地沉了下去.当重复一击,伴随着幼稚的句子中的警告,他转过身来,以一种特殊的方式握住他的爪子.在他的耳朵和眼睛的同时,他向孩子祈祷.
**警告:**这只是来自互联网的随机文本,我不拥有上述内容.
我一直在尝试为我的应用程序构建apk文件,但是,我收到错误:方法引用的数量不能超过64K.
这是错误,
错误:.dex文件中的方法引用数不能超过64K.请访问https://developer.android.com/tools/building/multidex.html,了解如何解决此问题
错误:任务':app:transformClassesWithDexForDebug'的执行失败.
com.android.build.api.transform.TransformException:com.android.ide.common.process.ProcessException:java.util.concurrent.ExecutionException:com.android.ide.common.process.ProcessException:org.gradle.process. internal.ExecException:进程'命令'C:\ Program Files\Java\jdk1.7.0_15\bin\java.exe''以非零退出值2结束
这是我的gradle文件,
apply plugin: 'com.android.application'
android {
compileSdkVersion 23
buildToolsVersion "23.0.3"
defaultConfig {
applicationId "nikhilraghavendra.hopper"
minSdkVersion 21
targetSdkVersion 23
versionCode 1
versionName "1.0"
}
buildTypes {
release {
shrinkResources true
minifyEnabled true
useProguard true
proguardFiles getDefaultProguardFile('proguard-android.txt'),
'proguard-rules.pro'
}
}
packagingOptions {
exclude 'META-INF/LICENSE'
exclude 'META-INF/LICENSE-FIREBASE.txt'
exclude 'META-INF/NOTICE'
}
}
dependencies {
compile fileTree(dir: 'libs', include: ['*.jar'])
testCompile 'junit:junit:4.12'
compile 'com.android.support:appcompat-v7:23.2.1'
compile 'com.android.support:design:23.2.1'
compile 'com.google.android.gms:play-services-identity:8.4.0'
compile 'com.firebase:firebase-client-android:2.3.1'
compile 'com.android.support:cardview-v7:23.2.1'
compile 'com.google.android.gms:play-services:8.4.0'
} …我试图生成一个给定句子的二元组列表,例如,如果我输入,
To be or not to be
我希望程序生成
to be, be or, or not, not to, to be
我尝试了以下代码,但只是给了我
<generator object bigrams at 0x0000000009231360>
这是我的代码:
import nltk
bigrm = nltk.bigrams(text)
print(bigrm)
那我怎么得到我想要的？我想要一个上面的单词组合列表(be,be或be,not to,to).
运行时出现以下错误mnist = input_data.read_data_sets("MNIST_data", one_hot = True)。
EOFError：压缩文件在到达流结束标记之前结束
即使当我手动提取文件并将其放置在MNIST_data目录中时，该程序仍在尝试下载文件，而不是使用提取的文件。
当我使用WinZip（手动方式）提取文件时，WinZip告诉我文件已损坏。
我该如何解决这个问题？
我什至无法加载数据集，但仍然必须调试程序本身。请帮忙。
我点安装了Tensorflow，所以我没有Tensorflow示例。所以我去了GitHub获取input_data文件并保存在与我的目录相同的目录中main.py。该错误仅与.gz文件有关。该程序无法解压缩它。
runfile（'C：/ Users / Nikhil / Desktop / Tensor Flow / tensf.py'，wdir ='C：/ Users / Nikhil / Desktop / Tensor Flow'）重新加载的模块：input_data提取MNIST_data / train-images-idx3-ubyte .gz C：\ Users \ Nikhil \ Anaconda3 \ lib \ gzip.py：274：VisibleDeprecationWarning：将ndim> 0的数组转换为索引将导致将来返回self._buffer.read（size）Traceback（最近通话）：
运行文件中的文件“”，第1行（'C：/ Users / Nikhil / Desktop / Tensor Flow / tensf.py'，wdir ='C：/ Users / Nikhil / Desktop / Tensor Flow'）
文件“ C：\ Users \ Nikhil \ …
我有以下代码,
from keras.models import Sequential
from keras.layers import Dense
import numpy as np
# load dataset
dataset = np.loadtxt("data.csv", delimiter=",")
# split into input (X) and output (Y) variables
X = dataset[:, 0:8]
Y = dataset[:, 8]
# create model
model = Sequential()
model.add(Dense(8, activation="relu", input_dim=8, kernel_initializer="uniform"))
model.add(Dense(12, activation="relu", kernel_initializer="uniform"))
model.add(Dense(1, activation="sigmoid", kernel_initializer="uniform"))
# Compile model
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
# Fit the model
model.fit(X, Y, epochs=150, batch_size=10, verbose=2)
# calculate predictions
test = np.array([6,148,72,35,0,33.6,0.627,50])
predictions = model.predict(test)
# round predictions …我无法使以下代码正常工作。
#include <iostream>
using namespace std;
void neuron(double inputs[])
{
for (int i = 0; i < sizeof(inputs); i++) {
cout<<inputs[i];
}
}
int main()
{
double inputs[] = {10,12,12};
neuron(inputs);
return 0;
}
我想将数组传递给函数neuron，然后打印元素。我做不到。该代码给了我垃圾值。此代码有什么问题？
假设我有两个列表,其中一个是嵌套列表,另一个是普通列表,如何将它们组合成字典？
[[1, 3, 5], [4, 6, 9]] # Nested list
[45, 32] # Normal list
{(1, 3, 5): 45, (4, 6, 9): 32} # The dictionary
我试过这个,但它给了我一个错误,
dictionary = dict(zip(l1, l2)))
print(dictionary)