自然语言处理

import jieba

#打开文档，读取内容

d1 = open("./data1.txt",encoding="GBK").read()

d2 = d2 = open("./data2.txt",encoding="GBK").read()

#分词

data1 = jieba.______(d1)

data2 = jieba.lcut(d2)

#生成语料

dictionary = ________.Dictionary([data1,data2])

#得到对应的词袋稀疏矩阵

new = dictionary.doc2bow(data1)

new2 = dictionary._______(data2)

#计算特征词权重

tfidf = models.______([new,new2])

#特征词个数

feature_num = len(_______.token2id.keys())

#稀疏矩阵相似度，建立索引

index = ________.SparseMatrixSimilarity(tfidf[[new,new2]],num_features= feature_num)

#得出d2与d1、d2的相似度

sim = ______[tfidf[[new2]]]

print(sim)

import pandas as ______ 

import   _________ 

df = pd.___________(".\\douban_data\\short_low.xlsx",index_col=0) 

cor_list = [ ] for item in df.loc[:,0]:  #将excel表中的第0列数据切片     

cor_list._______([word for  ____   in jieba.lcut(item) ])     #分词后的结果保存到列表中  

from _____  import nn

class LogiticRegress(nn.______):   #自定义神经网络模型

    def __init__(self,input_dim):   #input_dim 特征数

        super().__init__()

        self.linear = nn.Linear(_______,1)   #

        self.sigmoid = nn.Sigmoid()

    def  ______(self,x):      #正向传播      

        output = self.______(self._____(x))

        return output

后得到的值为                           

model = torch.nn.Softmax(dim=1)

a = torch.randn([2,4])

print(model(a))

其输出为：

tensor([[0.1448, _______, 0.0723, 0.2991],

            [0.1983, 0.2228, 0.4982, _______]])
请补充完整以上值。

from torch import nn

from torch import  _______  #导入优化器库

optimer = optim.SGD(logistic_alg.______(),lr=0.01)   #创建一个优化器对象

loss = nn._____()     #创建损失值对象

for epoch in range(500):

   y_pred = logistic_alg(x)
loss_value = loss(y_pred ,c)
   optimer._____()      #梯度清零

   loss_value.______()    #反向传播

   optimer.______()     #优化