我想使用spacy's pretrained BERT 模型进行文本分类，但我对cased/uncased模型有点困惑。我在某处读到cased模型应该只在字母大小写有可能对任务有帮助的情况下使用。在我的具体情况下：我正在处理德语文本。在德语中，所有名词都以大写字母开头。所以，我认为，（如果我错了，请纠正我）这是cased必须使用模型的确切情况。（在 中也没有uncased适用于德语的模型spacy）。
但是在这种情况下必须对数据做什么？我应该（在预处理火车数据时）保持原样（我的意思是不使用该.lower()功能）还是没有任何区别？
bcrypt 所以，我在文档中找到了以下示例：
password = b"super secret password"
hashed = bcrypt.hashpw(password, bcrypt.gensalt())
if bcrypt.checkpw(password, hashed):
print("It Matches!")
else:
print("It Does not Match :(")
这似乎有效。但我不明白怎么办。我们不应该使用 salt 来生成哈希值来进行检查吗？
我的意思是，我们生成了一次盐，但没有将其保存在变量中。但是接下来我们想要使用函数来比较哈希值和密码checkpw，但是它如何知道使用哪种盐来生成哈希值以进行比较呢？
所以，我有一个任务需要测量两个文本之间的相似度。这些文本是杂货店产品的简短描述。它们始终包含产品名称（例如牛奶），并且可能包含生产商和/或尺寸，以及产品的一些其他特征。
我有一整套这样的文本，然后，当新的文本到达时，我需要确定我的数据库中是否有类似的产品，并测量它们的相似程度（从 0 到 100% 的范围）。
问题是：文本可能采用两种不同的语言：乌克兰语和俄语。另外，如果有外国品牌（例如，Coca Cola），它会用英文书写。
我解决这个任务的最初想法是获得多语言单词嵌入（不同语言中的相似单词位于附近）并找到这些文本之间的距离。但是，我不确定这会有多有效，如果可以的话，该从什么开始。
因为我拥有的每个文本只是一组产品特征，所以一些基于上下文的词嵌入可能不起作用（我不确定这个陈述，这只是我的假设）。
到目前为止，我已经尝试熟悉MUSE框架，但在安装时遇到了问题faiss。
因此，我的问题是：
注意：我有 Windows 10（以防某些库无法在 Windows 上运行），并且我需要该库才能使用乌克兰语和俄语。
预先感谢您的任何帮助！任何建议将不胜感激！
我目前正在尝试使用训练文本分类器spacy，但遇到了以下问题：使用创建空白模型spacy.blank('en')和使用预训练模型创建空白模型有什么区别spacy.load('en_core_web_sm')。只是为了看看差异我写了这段代码：
text = "hello everyone, it's a wonderful day today"
nlp1 = spacy.load('en_core_web_sm')
for token in nlp1(text):
print(token.text, token.lemma_, token.is_stop, token.pos_)
它给了我以下结果：
你好你好假INTJ
每个人每个人真正的PRON
, , 假 PUNCT
it-PRON- 真正的 PRON
是真正的 AUX
aa 真实 DET
精彩 精彩 假 ADJ
假名词
今天 今天 假名词
然后我尝试了这个（对于相同的文本）
nlp2 = spacy.blank('en')
for token in nlp2(text):
print(token.text, token.lemma_, token.is_stop, token.pos_)
结果是
你好你好假
每个人每个人真实
， ， 错误的
it-PRON- 真正的 PRON
是的 是真的
真
精彩 精彩 错误
日 日 假 …
我最近开始在我的项目中使用 GCP，在使用 Dataproc 集群中 Jupyter 笔记本中的存储桶时遇到了困难。目前，我有一个包含一堆文件的存储桶，以及一个包含 Jupyter 笔记本的 Dataproc 集群。我想做的是检查存储桶中的所有文件并从中提取数据以创建数据框。
我可以使用以下代码一次访问一个文件：data = spark.read.csv('gs://BUCKET_NAME/PATH/FILENAME.csv')，但是有数百个文件，我无法为每个文件编写一行代码。通常，我会做这样的事情：
import os
for filename in os.listdir(directory):
...
但这似乎在这里不起作用。因此，我想知道如何使用 Dataproc 集群中的 Jupyter 笔记本迭代存储桶中的文件？
将不胜感激任何帮助！
python google-cloud-storage google-cloud-platform google-cloud-dataproc jupyter-notebook
我有以下问题：我想用他的 id 和名称创建一个表 Client 。我还想检查“名称”字段是否仅包含字母。这是我的查询：
CREATE TABLE CLIENT(
ID NUMBER PRIMARY KEY,
FIRST_NAME CHAR(10) CONSTRAINT NAME_CHECK CHECK(REGEXP_LIKE(FIRST_NAME, '^[A-Za-z]*$'))
);
该脚本运行良好，正在创建表。但是下面的 INSERT 语句
INSERT INTO CLIENT
VALUES(1, 'BOB');
不起作用。这是错误文本：
INSERT INTO CLIENT
VALUES(1, 'BOB')
Error report -
ORA-02290: check constraint (TASK8.NAME_CHECK) violated
我确信这个错误的原因是相当明显的，但我就是不明白。我以前从未遇到过正则表达式的问题。
提前致谢