crfs和xss的简单介绍

文章目录：

• 1、条件随机场和隐马尔科夫模型最大区别在哪里？
• 2、用JavaScript 可以做哪些有趣的事情
• 3、高斯scrf=pcm 默认是水作溶剂吗
• 4、CRFs是什么的缩写
• 5、crf++里的特征模板得怎么理解？

条件随机场和隐马尔科夫模型最大区别在哪里？

隐马尔可夫模型（Hidden Markov Model，HMM），最大熵马尔可夫模型（Maximum Entropy Markov Model，MEMM）以及条件随机场（Conditional Random Field，CRF）是序列标注中最常用也是最基本的三个模型。HMM首先出现，MEMM其次，CRF最后。三个算法主要思想如下：HMM模型是对转移概率和表现概率直接建模，统计共现概率。MEMM模型是对转移概率和表现概率建立联合概率，统计时统计的是条件概率，但MEMM容易陷入局部最优，是因为MEMM只在局部做归一化。CRF模型中，统计了全局概率，在 做归一化时，考虑了数据在全局的分布，而不是仅仅在局部归一化，这样就解决了MEMM中的标记偏置（label bias）的问题。举个例子，对于一个标注任务，“我爱北京天安门“， 标注为” s s  b  e b c e”对于HMM的话，其判断这个标注成立的概率为 P= P(s转移到s)*P(‘我’表现为s)* P(s转移到b)*P(‘爱’表现为s)* …*P().训练时，要统计状态转移概率矩阵和表现矩 阵。对于MEMM的话，其判断这个标注成立的概率为 P= P(s转移到s|’我’表现为s)*P(‘我’表现为s)* P(s转移到b|’爱’表现为s)*P(‘爱’表现为s)*..训练时，要统计条件状态转移概率矩阵和表现矩阵。对于CRF的话，其判断这个标注成立的概率为 P= F(s转移到s,’我’表现为s)….F为一个函数，是在全局范围统计归一化的概率而不是像MEMM在局部统计归一化的概率。当前，最后出现的CRF在多项任务上达到了统治级的表现，所以如果重头搞应用的话，大家可以首选CRF。

本质上，CRF有以下三个优点：

CRF没有HMM那样严格的独立性假设条件，因而可以容纳任意的上下文信息。特征设计灵活（与ME一样） ————与HMM比较

同时，由于CRF计算全局最优输出节点的条件概率，它还克服了最大熵马尔可夫模型标记偏置（Label-bias）的缺点。 ­­————与MEMM比较

CRF是在给定需要标记的观察序列的条件下，计算整个标记序列的联合概率分布，而不是在给定当前状态条件下，定义下一个状态的状态分布。

凡事都有两面，正由于这些优点，CRF需要训练的参数更多，与MEMM和HMM相比，它存在训练代价大、复杂度高的缺点。

用JavaScript 可以做哪些有趣的事情

一、查找所需的元素的比较方便的语法糖

1.除基本的id，class 和tag的方法外 介绍一种基于元素位置的查找方法

document.elementFromPoint(x,y)获取点位置的元素

2.元素find()及基本定位的时候可以借用某些元素属性值进行精确定位

[attribute$=value]，匹配给定的属性是以某些值结尾的元素。

[attribute*=value]，匹配给定的属性是以包含某些值的元素。

[attribute^=value]，匹配给定的属性是以某些值开始的元素。

举个栗子，$('div').find('input[type

= text]')就是查找div的子元素中type类型为text的input元素

上述的几种方法可以应用到Parent()和Children()

及基本的$()元素查找中

3.find()，fileter()，及end()的有趣的事

find()是查找子元素中响应的要求

fileter()则是所需属性中用于过滤的精确选取，如$('div').fileter('.abc')目的是选取div中属性值为abc的元素集合

end()可以阻止进行如$('div').fileter('.abc').end()最后的返回结果就是选取div元素

4.$()[0] == document.elementByXX

二、object数组和array数组中比较有趣的事

1.object数组几种初始化方法可以通过检索得到，最简单的就是{}，而array本事就算是一种对象，他的初始化最简单就是[]

array.push()和arry.splice()的方法可以插入元素，而object则可以直接这样object[key]=value 的方法加入键值对

2.删除元素时array仍然用splice() pop()等

w3school中给了很详细的解释。

而object的删除其中某些键值对通过delete 操作实现。

3.数组操作，巧妙运用splice()这个确实有趣，打算日后拓展的时候来写

日后张贴博客链接

三、this的运用，在类函数内部的中使用相当方便，但是类函数中其他函数再使用this方法容易出错

解决办法有两种

1.传参 var _evt = this 类函数中如有调用其他类函数时可用_evt.操作进行，这样不会出错

2.就是把this写全，就是类名代替this

高斯scrf=pcm 默认是水作溶剂吗

高斯scrf=pcm 默认是水作溶剂

滤波器是建立的一个数学模型，通过它来将图像数据进行能量转化，能量低的就排除掉，噪声属于低能量部分。编程运算的话就是一个模板运算，拿图像的八连通区域来说，中间点的像素值就等于八连通区的像素值的均值，这样达到平滑的效果。假如使用理想滤波器，则会在图像中产生振铃现象。如果采用高斯滤波器，系统函数为平滑的，避免了振铃现象。

由于高斯函数的傅立叶变换仍是高斯函数, 因此高斯函数能构成一个在频域具有平滑性能的低通滤波器。可以通过在频域做乘积来实现高斯滤波。均值滤波是对信号进行局部平均, 以平均值来代表该像素点的灰度值。矩形滤波器(Averaging Box Filter)对这个二维矢量的每一个分量进行独立的平滑处理。通过计算和转化 ,得到一幅单位矢量图。这个 512×512的矢量图被划分成一个 8×8的小区域 ,再在每一个小区域中 ,统计这个区域内的主要方向 ,亦即将对该区域内点方向数进行统计,最多的方向作为区域的主方向。于是就得到了一个新的64×64的矢量图。这个新的矢量图还可以采用一个 3×3模板进行进一步的平滑。

CRFs是什么的缩写

如果是医药领域，就是Case Report Forms (CRF)，病例报告表，用于在新药临床试验中，获取临床研究数据。

crf++里的特征模板得怎么理解？

一共有两种模板：第一种是Unigram template:第一个字符是U，这是用于描述unigram feature的模板。每一行%x[#,#]生成一个CRFs中的点(state)函数: f(s, o), 其中s为t时刻的的标签(output)，o为t时刻的上下文.如CRF++说明文件中的示例函数:func1 = if (output = B and feature="U02:那") return 1 else return 0它是U02:%x[0在输入文件的第一行生成的点函数.将输入文件的第一行"代入"到函数中,函数返回1,同时,如果输入文件的某一行在第1列也是“那”,并且它的output（第2列）同样也为B,那么这个函数在这一行也返回，第二种是Bigram template:第一个字符是B，每一行%x[#,#]生成一个CRFs中的边(Edge)函数:f(s', s, o), 其中s'为t – 1时刻的标签.也就是说,Bigram类型与Unigram大致机同,只是还要考虑到t – 1时刻的标签.如果只写一个B的话,默认生成f(s', s)，这意味着前一个output token和current token将组合成bigram features。