MatthieuBizien

gistup

MatthieuBizien

-b'\x80\x03ctorch._utils\n_rebuild_tensor_v2\nq\x00(ctorch.storage\n_load_from_bytes\nq\x01C\xff\x80\x02\x8a\nl\xfc\x9cF\xf9 j\xa8P\x19.\x80\x02M\xe9\x03.\x80\x02}q\x00(X\x10\x00\x00\x00protocol_versionq\x01M\xe9\x03X\r\x00\x00\x00little_endianq\x02\x88X\n\x00\x00\x00type_sizesq\x03}q\x04(X\x05\x00\x00\x00shortq\x05K\x02X\x03\x00\x00\x00intq\x06K\x04X\x04\x00\x00\x00longq\x07K\x04uu.\x80\x02(X\x07\x00\x00\x00storageq\x00ctorch\nIntStorage\nq\x01X\x0f\x00\x00\x00140655645110640q\x02X\x03\x00\x00\x00cpuq\x03K\x01Ntq\x04Q.\x80\x02]q\x00X\x0f\x00\x00\x00140655645110640q\x01a.\x01\x00\x00\x00\x00\x00\x00\x00\x01\x00\x00\x00q\x02\x85q\x03Rq\x04K\x00K\x01\x85q\x05K\x01\x85q\x06\x89ccollections\nOrderedDict\nq\x07)Rq\x08tq\tRq\n.'
+b'\x80\x03ctorch._utils\n_rebuild_tensor_v2\nq\x00(ctorch.storage\n_load_from_bytes\nq\x01C\xff\x80\x02\x8a\nl\xfc\x9cF\xf9 j\xa8P\x19.\x80\x02M\xe9\x03.\x80\x02}q\x00(X\x10\x00\x00\x00protocol_versionq\x01M\xe9\x03X\r\x00\x00\x00little_endianq\x02\x88X\n\x00\x00\x00type_sizesq\x03}q\x04(X

MatthieuBizien

• Prévalence : inconnue actuellement. Faible à l'échelle de la Chine (80k cas /1.4G chinois ). Diamond Princess:20%. [1]
• Prévention
  • Lavage de mains [5-53]
  • 1m de distance par rapport à quelqu'un qui éternue [5-53]
  • Ne pas toucher ses yeux, son nez, sa bouche [5-53]
  • Mettre son coude ou un mouchoir devant sa bouche avant d'éternuer [5-53]
  • Rester à la maison si on se sent mal [5-53]
• Tranmission :
  • Par gouttelettes et contact. [3] [5-53]
• Survie CoViD19 estimée à 4h /surface sèche, jusqu'à 6j / milieu chaud et humide. [3]

MatthieuBizien

# coding: utf-8

import logging
import re
from collections import Counter

import numpy as np
import torch
from sklearn.datasets import fetch_20newsgroups
from torch.autograd import Variable

MatthieuBizien

class HashingTfIdfVectorizer:
    """Difference with HashingVectorizer: non_negative=True, norm=None, dtype=np.float32"""

    def __init__(self, ngram_range=(1, 1), analyzer=u'word', n_features=1 << 21, min_df=1, sublinear_tf=False):
        self.min_df = min_df
        self.hasher = HashingVectorizer(non_negative=True, norm=None, dtype=np.float32,
                                        ngram_range=ngram_range, analyzer=analyzer, n_features=n_features)
        self.tfidf = TfidfTransformer(sublinear_tf=sublinear_tf)

    def fit_transform(self, X, y=None):

MatthieuBizien

========================================================================
   BYTE UNIX Benchmarks (Version 5.1.3)

   System: Chorizo: GNU/Linux
   OS: GNU/Linux -- 3.13.0-43-generic -- #72-Ubuntu SMP Mon Dec 8 19:35:06 UTC 2014
   Machine: x86_64 (x86_64)
   Language: en_US.utf8 (charmap="UTF-8", collate="UTF-8")
   CPU 0: Intel(R) Xeon(R) CPU E5-2630L v2 @ 2.40GHz (4800.0 bogomips)
          x86-64, MMX, Physical Address Ext, SYSENTER/SYSEXIT, SYSCALL/SYSRET, Intel virtualization
   11:16:45 up 26 days, 18:29,  1 user,  load average: 0.11, 0.07, 0.06; runlevel 2

MatthieuBizien

#include <vector>
#include <Eigen/Dense>

class MatrixSequence
{
public:
    MatrixSequence() {
        data_.resize(1);
        data_[0]=0;
    }