Discussions and future works === As the first exploration in end-to-end approaches to spoken question answering, the result of our experiments shows the feasibility of this research direction. While reasonable performance can be achieved by this approach, there is a large room for future research with the following issues addressed. The first issue to address is the usage of word boundaries. Although it is legal to use an off-the-shelf ASR model that acts as a segmenter under the supervised se

--- disqus: jexus-md --- C++, C Memo === > [TOC] ## 1. Annoying Chores ### static_cast vs. dynamic_cast: 資料類型轉換 ```c++ static_cast <type> ( expression ) //將 expression 轉換為type的類型 ``` dynamic --> runtime 才去 cast static --> compile time 就幫你試過 ### setw: 向右對齊 (non-sticky) ```c++ #include <iomanip> cout << setw(字元格子寬度) << "字元"; //字元會右貼，但超過寬度沒反應 ``` 其他所有Manipulators都是sticky ### setprecision: 總有效位數 ```c++ #include <iomanip> cout << setprecision(輸出總位數) << 變數/數字; //會一直影響後面輸出 ``` ### fixed

--- disqus: jexus-md --- Python Notes === ## 1. input( ) >Python 3.any's input( ) works like 2.any's raw_input(), i.e., it returns a string. ## 2. sys.argv[] : 命令提示字元引數 ```python >>> python somefile.py somewords //sys.argv[1]==somewords ``` >https://openhome.cc/Gossip/Python/IOABC.html ## 3. exit( )們 : ### exit()/quit() 拋出 SystemExit 異常. 一般在交互式 Shell 中退出時使用. ### sys.exit(n) 退出程序引發 SystemExit 異常, 可以捕獲異常執行些清理工作. n 默認值為 0, 表示正常退出. 其他都是非正常退出. 還可以 sys.exit(“sorry, goodbye!”); 一般主程序中使用此退出. ###

MakeNTU2019<br/>樹莓派工作坊教學 === 莊永松 slide link: bit.ly/MakeNTU2019 純圖文好讀版 & Code: https://github.com/voidism/MakeNTU2019_workshop ----  <span>按ESC可以直接看overview<!-- .element: class="fragment" data-fragment-index="1" --></span> --- # 主題 - 人臉辨識鎖  ---- # 使用場景 - 健身房、游泳池置物櫃...etc - 設密碼 -> 容易忘記 - 用鑰匙 -> 帶著運動不方便 - 只需要短期借用 ---- # 材料 - RPi 3 model B+ - 伺服馬達 x1 - 網路攝影機 或是 Pi Camera 擇一 - Azure API --- # Microso

Machine Learning Final Project - conversations in TV shows === **NTU_b05902031_命理師協會旗艦店** **b05902031 謝議霆**　**b05902008 王行健**　**b05901033 莊永松** ## Introduction & Motivation : 1% 本次主題為電視劇對話中的台詞，給出上文(可能1句~4句不等)，在六個選項中找出正確的下文，其中上文可能是同一個人的台詞，也可能是對話。其實這個題目就是常見的"多輪對話"問題，不同於"QA問題"是單次問答，這種題目需要考慮到前後文的關係，所以更加困難。這種問題的model也是目前在generative language model 還表現不好的狀況之下，可以用大量語料庫搜索適合的response，來實現聊天機器人效果的好方法，是目前較為實際且能夠直接應用的方法。 ## Data Preprocessing/Feature Engineering : 2% ### (1)分詞: - **[jieba]** 效果較差，很多詞都分

--- disqus: jexus-md title: 自動切換輸入法程式 --- <center>自動切換輸入法程式<div style="font-size:0.5em">*Modify Input Type Automatically*</div></center> === > [time=Mon, Jul 31, 2017 5:48 PM] > [TOC] 其實可以直接看我[github頁面](https://github.com/voidism/Modify-Input-Type-Automatically) ~~只是我覺得這裡排版比較好看~~ ## 程式效果 - 使用英文輸入法鍵入兩個中文字之按鍵組合時，會自動切換成中文輸入法，並幫你刪錯字再重新輸入原本想打的字 - 英文效果亦同，但為避免誤換輸入法，只有在輸入字庫中的單字時，才會轉換成英文輸入法，字庫會自動新增單字 (詳見 [關於字庫](https://hackmd.io/s/Sy4AZViU-#關於字庫) ) - 應該有比[微軟內建自動切換](https://answers.microsoft.com/zh-h