吴恩达NLP课程资料

NLP_wuenda

1.简介

 吴恩达老师在2020年6月份推出了NLP课程，Natural Language Processing Specialization
 本人忙里偷闲将老师的视频和作业都完成了，后续会持续更新课程的资料和作业。目前NLP课程一共分为四门，每门课程会分为三（四）周，每周都会有代码测验题目。

• homework_test–是原封不动的将课程资料打包下载，供读者自行完成；
• homework_accomplished–是本人完成的代码测验，基本都是100%通过（但这并不意味着0差错）。

2.课程目录

1. Course 1: Classification and Vector Spaces in NLP
2. Course 2: Probabilistic Models in NLP
3. Course 3: Sequence Models in NLP
4. Course 4: Attention Models in NLP

3. Github地址

 本人还是初入职场的小白，仓库的知识才刚刚起步，吴恩达老师NLP课程资料的 github 地址如下：
https://github.com/baisechundu/NLP_wuenda

 目前课程仅留下第四门课程的后三周，月底之前陆续补齐！如果对吴恩达老师的深度学习课程资料有兴趣的，参见 deeplearning.ai，可以留言，如果确定有人需要，我就贴出自己的深度学习仓库地址哈！

4. 点击文章标题可以直接进入github仓库哈（小彩蛋）

 资料中 jupyter 格式的文件较多，都是原汤原味的照搬课程资料的。由于本门课程较多的使用了 Trax 模型，一款基于tensorflow 框架的深度学习库。所以自己在本地运行时可能需要提前配置好环境，目前环境的配置仍在摸索中，后期成熟后会总结。
 众所周知，吴恩达老师的课堂资料是存放在jupyter notebook 的目录下的，部分目录有很多的子目录，手动下载只能一个个点击。这里提供一个脚本，方便大家批量下载 jupyter notebook 的资料文件，使用方法在代码后面。

import os
import tarfile


def recursive_files(dir_name='.', ignore=None):
    for dir_name,subdirs,files in os.walk(dir_name):
        if ignore and os.path.basename(dir_name) in ignore: 
            continue
        for file_name in files:
            if ignore and file_name in ignore:
                continue
            yield os.path.join(dir_name, file_name)

def make_tar_file(dir_name='.', tar_file_name='tarfile.tar', ignore=None):
    tar = tarfile.open(tar_file_name, 'w')
    for file_name in recursive_files(dir_name, ignore):
        tar.add(file_name)
    tar.close()

if __name__ == '__main__':
    dir_name = '.'
    tar_file_name = 'archive.tar'
    ignore = {'.ipynb_checkpoints', '__pycache__', tar_file_name}
    make_tar_file(dir_name, tar_file_name, ignore)

• 背景：在学习吴恩达老师的 deeplearning.ai 课程时，课堂代码测验其实是用 jupyter 完成的，所以为了方便自己的调试和教学使用，希望能将课程中提供的代码文件下载下来，但是jupyter 只能选中一条逐个 download ，这样的话费时费力。
• 方法：利用python的 os 库函数，读取文件的目录结构，然后利用 tarfile 读取文件压缩即可。
• 使用：在课程的 jupyter 中，进入文件的根目录 / ，然后创建一个 ipynb 的块，将下面的代码粘贴运行，会发现根目录下面会多出一个 archive.tar 的压缩包。将这个压缩包下载下来，在自己的电脑上解压即可。

下图就是下载的效果展示

本文地址：https://blog.csdn.net/weixin_42564710/article/details/110872330