我正在使用 构建文本生成模型nltk.lm.MLE，我注意到他们也nltk.lm.Laplace可以使用它来平滑数据以避免被零除，文档是
https://www.nltk.org/api/nltk.lm.html但是，没有明确的示例说明如何使用此函数来平滑测试数据。任何人都可以给我提供一个例子吗？
我最近使用 Flask 创建了一个应用程序，并将 py 文件放入 docker 容器中。然而，我对人们分配端口的在线案例感到困惑。
首先在我写的 py 文件的底部
if __name__ == "__main__":
app.run(host='0.0.0.0',port=8000, debug=True)
在某些情况下，我看到人们在制作 dockerfile 时在 CMD 中指定端口
CMD ["python3", "app.py", "--host=0.0.0.0", "--port=8000"]
根据我自己的经验，CMD 中分配的端口根本不适用于我的情况。我希望了解这两种方法之间的差异以及何时使用每种方法。
我只是尝试了拥抱脸网站的示例代码：https : //huggingface.co/albert-base-v2
`from transformers import AlbertTokenizer, AlbertModel`
`tokenizer = AlbertTokenizer.from_pretrained('albert-base-v2')`
`text = "Replace me by any text you'd like."`
`encoded_input = tokenizer(text, return_tensors='pt')`
然后在标记器步骤中出现以下错误：----> 5 encoding_input = tokenizer(text, return_tensors='pt')
TypeError: 'NoneType' 对象不可调用
我在本地机器上尝试了相同的代码，没有问题。问题似乎在 Colab 中。但是，我确实需要帮助才能在 colab GPU 上运行此模型。
我在 colab 上的 Python 版本是 Python 3.6.9
google-colaboratory huggingface-transformers huggingface-tokenizers
我正在阅读 Francois Chollet 写的《Learning with Python》一书。在第 128 页，作者正在讨论使用连续 Conv2d 层而不是 maxpooling 层的问题。我的问题来自以下段落。我不明白7X7从何而来？
\n\n\n\n\n它不利于学习特征的空间层次结构。第三层中的 3 个 \xc3\x97 3 个窗口\n 仅包含来自初始输入中的 7 个 \xc3\x97 7 个窗口的信息。相对于初始输入，卷积网络学习的高级模式仍然非常小，这可能不足以学习对数字进行分类（尝试仅通过以下窗口来识别数字） n 7 \xc3\x97 7 像素！）。我们需要最后一个卷积层的特征来包含有关输入整体的信息。
\n
Layer (type) Output Shape Param #\n================================================================\nconv2d_4 (Conv2D) (None, 26, 26, 32) 320\n________________________________________________________________\nconv2d_5 (Conv2D) (None, 24, 24, 64) 18496\n________________________________________________________________\nconv2d_6 (Conv2D) (None, 22, 22, 64) 36928\n================================================================\nTotal params: 55,744\nTrainable params: 55,744\nNon-trainable params: 0\n