معرفی شرکت ها

dictionary-model-0.2.4

Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
0.2.4
0.2.3
0.2.2
0.2

توضیحات

Model for tracking context of utterance and predicting future characters.
ویژگی مقدار
سیستم عامل -
نام فایل dictionary-model-0.2.4
نام dictionary-model
نسخه کتابخانه 0.2.4
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Michał Kosturek
ایمیل نویسنده eemkos@gmail.com
آدرس صفحه اصلی -
آدرس اینترنتی https://pypi.org/project/dictionary-model/
مجوز Michał Kosturek
dictionary-model ---------------- To use, first create CharPredictor object:: >>> predictor = CharPredictor() This may take a while as model is being downloaded and loaded. Then, to track utterance context, you can add letter index to context:: >>> letter_index = 1 # 1 -> a, letters should be indexed in order: ' abcdefghijklmnopqrstuvwxyz' (0 -> space) >>> predictor.add_to_context(letter_index) or you can add letter as string of length 1 (make sure it is one of AsciiEncoder.AVAILABLE_CHARS):: >>> letter = 'a' >>> predictor.add_to_context(letter) or you can add probability distribution for all AsciiEncoder.AVAILABLE_CHARS letters:: >>> import numpy as np >>> import AsciiEncoder as AE >>> >>> num_chars = len(AE.AVAILABLE_CHARS) >>> letter_distr = np.random.random((1, num_chars)) # random proba distribution >>> predictor.add_to_context(letter_distr) And finally - you can predict probabilities of each letter coming next after text stored in context. (Letters are indexed in order shown below):: >>> predictor.transform() Letters order:: ' abcdefghijklmnopqrstuvwxyz' # space character comes at index 0, then alphabetical order for indices from 1 to 26


نحوه نصب


نصب پکیج whl dictionary-model-0.2.4:

    pip install dictionary-model-0.2.4.whl


نصب پکیج tar.gz dictionary-model-0.2.4:

    pip install dictionary-model-0.2.4.tar.gz