- 博客(162)
- 资源 (2)
- 问答 (2)
- 收藏
- 关注
RSS订阅原创 【深度学习与NLP】——词嵌入Embedding技术
词嵌入（Embedding）技术是一种将词汇映射到低维连续向量空间的方法。将离散的单词数据处理成连续且固定长度的向量，使模型可以学习和处理语义信息。
2024-09-03 16:34:44
1554
原创 【深度学习与NLP】——深度卷积神经网络AlexNet
AlexNet 的出现极大地推动了深度学习在计算机视觉领域的发展。它证明了深度神经网络在图像识别等任务上的强大能力，为后续的研究提供了重要的参考和启示。此后，各种深度神经网络架构不断涌现，性能也不断提升。总之，AlexNet 是深度学习发展历程中的一个重要里程碑，它的创新之处和优异性能对计算机视觉领域产生了深远的影响。
2024-08-27 10:38:36
1133
原创 【深度学习与NLP】——最全环境配置总指南
指令集类型判断，一般直接购买的 Windows 电脑和在原本为 Windows 的电脑上安装的 Linux 系统为。如果你的版本高于（包括）版本 2004，适用于『指令自动安装』一节，低于版本 2004 适用于『手动安装一节』后并执行，等待安装完毕后重启计算机即可，这个指令会帮助你下载 Unbuntu 发行版和 WSL 2。不符合官网的描述，可以重启计算机并使用 WSL 1 了，这并不会对后续的教程有什么影响。会出现如图所示的内容，其中的内容必须和阿里源中 Anaconda 镜像源的配置一样。
2024-08-24 10:54:11
1541
原创 【深度学习与NLP】——Transformer架构解析
Transformer 是一种基于自注意力机制的深度学习模型，广泛应用于自然语言处理等领域。以下是 Transformer 的总体架构图及介绍：Transformer 主要由编码器（Encoder）和解码器（Decoder）两部分组成。
2024-08-20 14:47:01
1681
原创 【深度学习与NLP】——注意力机制
注意力机制是注意力计算规则能够应用的深度学习网络的载体, 同时包括一些必要的全连接层以及相关张量处理, 使其与应用网络融为一体. 使用自注意力计算规则的注意力机制称为自注意力机制.说明: NLP领域中, 当前的注意力机制大多数应用于seq2seq架构, 即编码器和解码器模型.它需要三个指定的输入Q(query), K(key), V(value), 然后通过计算公式得到注意力的结果, 这个结果代表query在key和value作用下的注意力表示. 当输入的Q=K=V时, 称作自注意力计算规则.
2024-08-10 17:00:22
4392
原创 【深度学习与NLP】——LSTM模型和GRU模型
LSTM（Long Short-Term Memory）也称长短时记忆结构, 它是传统RNN的变体, 与经典RNN相比能够有效捕捉长序列之间的语义关联, 缓解梯度消失或爆炸现象. 同时LSTM的结构更复杂, 它的核心结构可以分为四个部分去解析:遗忘门输入门输出门细胞状态。
2024-08-10 16:48:52
3868
原创 【深度学习与NLP】——RNN架构解析
RNN(Recurrent Neural Network), 中文称作循环神经网络, 它一般以序列数据为输入, 通过网络内部的结构设计有效捕捉序列之间的关系特征, 一般也是以序列形式进行输出.一般单层神经网络结构:RNN单层网络结构:以时间步对RNN进行展开后的单层网络结构:RNN的循环机制使模型隐层上一时间步产生的结果, 能够作为当下时间步输入的一部分(当下时间步的输入除了正常的输入外还包括上一步的隐层输出)对当下时间步的输出产生影响.
2024-08-08 15:24:57
4341
原创 【深度学习与NLP】——文本预处理（2）
学习了文本数据分析的作用:文本数据分析能够有效帮助我们理解数据语料, 快速检查出语料可能存在的问题, 并指导之后模型训练过程中一些超参数的选择.学习了常用的几种文本数据分析方法:标签数量分布句子长度分布词频统计与关键词词云学习了基于真实的中文酒店评论语料进行几种文本数据分析方法.获得训练集和验证集的标签数量分布获取训练集和验证集的句子长度分布获取训练集和验证集的正负样本长度散点分布获得训练集与验证集不同词汇总数统计获得训练集上正负的样本的高频形容词词云。
2024-08-08 13:16:58
3959
原创 【深度学习与NLP】——文本预处理
文本预处理是将原始文本数据转换为符合模型输入要求的格式的过程。在自然语言处理（NLP）中，文本预处理是一个基本且关键的步骤，因为它直接影响到模型的质量和性能。
2024-08-07 14:52:38
3690
原创 【深度学习与NLP】——Pytorch初步应用：基于CIFAR 10构建神经网络和分类器
这段代码使用 PyTorch 框架构建了一个名为Net的卷积神经网络。在网络的初始化部分，定义了两层卷积层和三层全连接层，其中卷积层用于提取输入数据的特征，全连接层用于对提取的特征进行分类或回归等任务。在前向传播过程中，数据依次经过卷积、ReLU 激活函数、最大池化操作，然后将特征展平并通过全连接层处理，最终输出结果。此外，还定义了一个用于计算除批大小外特征数量的辅助方法。最后，创建了该网络的实例并打印其结构。这种网络结构在图像分类等相关任务中应用广泛，通过不断训练和优化，可以提高对数据的处理和预测能力。
2024-08-05 23:33:38
4646
原创 【深度学习与NLP】——快速入门Pytorch基本语法
Pytorch是一个基于Numpy的科学计算包, 向它的使用者提供了两大功能.作为Numpy的替代者, 向用户提供使用GPU强大功能的能力.做为一款深度学习的平台, 向用户提供最大的灵活性和速度.
2024-08-05 16:42:35
4075
原创 【论文学习】基于序列统计的未知无线协议特征提取方法
在未知无线网络环境下，比特流形式的协议数据帧特征不明显，且缺乏先验知识对其进行分析，造成特征提取困难。提出一种利用序列统计提取未知无线协议特征的方法。统计数据中定长序列出现的频次和位置，根据概率和相似性筛选满足频繁条件的固定序列和交互序列，得到频繁项集，并借鉴关联规则连接频繁项集中的频繁序列，去除冗余的序列信息，得到协议特征集。仿真结果表明，该方法能够有效提高未知无线协议特征提取效果，准确率稳定在90%以上。
2024-08-01 17:13:03
3575
原创 【网络安全】——网络的攻击概述
网络安全威胁是指网络环境中存在的各种可能导致系统或数据受损、泄露、非法访问或被滥用的风险因素。以下是一些常见的网络安全威胁：病毒和恶意软件：这些是设计用来感染和破坏计算机系统的程序，可以通过电子邮件附件、下载文件或访问感染的网站传播。垃圾邮件和钓鱼：垃圾邮件是指未经请求的大量广告或欺诈邮件，钓鱼则是骗取个人敏感信息的一种方式，通常通过伪装成合法的机构或网站来实施。
2024-07-31 17:52:15
3593
原创 【复杂网络建模】—— 超图神经网络【综述】
超图神经网络（Hypergraph Neural Networks，HGNN）是一种用于处理超图数据的深度学习模型。与传统的图神经网络（Graph Neural Networks，GNN）不同，超图神经网络能够处理更复杂的关系和结构，因为超图允许一个超边（Hyperedge）连接多个顶点，而不仅仅是两个顶点。
2024-07-19 19:23:05
3250
原创 制作github.io学术个人主页
学术个人主页是一个学者展示个人学术成果和研究方向的重要工具。个人主页可以集中展示学者的研究论文、出版物、演讲和发布的项目等学术成果，这样其他人可以更方便地了解和评估学者的研究贡献。个人主页可以详细说明学者的研究方向和兴趣，包括当前和未来的研究计划。这样，其他研究者可以更容易地找到与自己相关的合作伙伴，并了解其研究领域的最新动态。
2024-04-24 10:35:03
9768
13
原创 【复杂网络建模】——建模工具Matlab进阶
学会使用条件语句（如if-else）、循环语句（如forwhile）、函数定义等编程结构。MATLAB的编程基础涵盖了许多与其他编程语言相似的概念，包括变量声明、控制流语句、函数以及脚本和函数的编写。
2024-03-25 09:06:20
14784
原创 【复杂网络建模】——XGI库进阶学习：生成随机超图
XGI（eXtensible Graphs and Hypergraphs）是一个Python库，专注于超图（hypergraphs）的创建、操作和分析。它提供了一个灵活的框架来处理超图结构，包括无向和有向超图。XGI扩展了现有图处理库的功能，如NetworkX，通过引入对超边（hyperedges）的支持，这些超边可以连接两个以上的顶点，为研究者和开发者提供了一种强大的工具来探索超图理论以及在各种领域中的应用，如社会网络分析、生物信息学和复杂系统研究。输出XGI的版本。
2024-03-24 06:40:13
15550
1
原创 【复杂网络建模】——通过python的XGI库构建超图
XGI（eXtensible Graphs and Hypergraphs）是一个Python库，专注于超图（hypergraphs）的创建、操作和分析。它提供了一个灵活的框架来处理超图结构，包括无向和有向超图。XGI扩展了现有图处理库的功能，如NetworkX，通过引入对超边（hyperedges）的支持，这些超边可以连接两个以上的顶点，为研究者和开发者提供了一种强大的工具来探索超图理论以及在各种领域中的应用，如社会网络分析、生物信息学和复杂系统研究。
2024-03-23 10:58:24
16216
原创 【复杂网络建模】——建模工具Matlab入门
MATLAB的产生是与数学计算紧密联系在一起的。1980年，美国新墨西哥州大学计算机系主任Cleve Moler在给学生讲授线性代数课程时，发现学生在高级语言编程上花费很多时间，于是着手编写供学生使用的Fortran子程序库接口程序，取名为MATLAB（即Matrix Laboratory的前三个字母的组合，意为“矩阵实验室”）。
2024-03-22 11:15:22
17891
1
原创 【全网最简单】1分钟搭建幻兽帕鲁私有服务器教程
刚刚迈入2024，1月都还没有过完，游戏圈就给我们玩家整了个大的。这两周，《幻兽帕鲁》突然就爆火了，截止今天，《幻兽帕鲁》已经在steam上发售800万份，同时这款游戏达成了24小时以内Steam峰值在线人数200万人的成就！在帕鲁的世界，你可以选择与神奇的生物「帕鲁」一同享受悠闲的生活，也可以投身于与偷猎者进行生死搏斗的冒险。帕鲁可以进行战斗、繁殖、协助你做农活，也可以为你在工厂工作。你也可以将它们进行售卖，或肢解后食用。游戏有单人游戏和多人联机两种模式。
2024-02-08 13:12:22
31404
原创 【复杂网络分析与可视化】——通过CSV文件导入Gephi进行社交网络可视化
Gephi具有强大的网络分析功能，可以进行各种网络度量，如度中心性、接近中心性、介数中心性等。它还支持社区检测算法，可以帮助用户发现网络中的群组和社区结构。此外，Gephi还提供了一组布局算法，用于在可视化时自动调整网络结构的位置，以便更好地展示网络的特征。
2023-12-17 21:58:08
33702
1
原创 【复杂网络分析与可视化】——Gephi的安装及基本功能介绍
Gephi具有强大的网络分析功能，可以进行各种网络度量，如度中心性、接近中心性、介数中心性等。它还支持社区检测算法，可以帮助用户发现网络中的群组和社区结构。此外，Gephi还提供了一组布局算法，用于在可视化时自动调整网络结构的位置，以便更好地展示网络的特征。
2023-12-17 17:18:13
32716
原创 【复杂网络建模】——基于Graph Convolutional Networks (GCN)进行链接预测
复杂网络是一种由大量相互连接的元素（节点或顶点）组成的网络结构，这些连接通常是非常复杂和动态的。这些网络可以在各种领域中发现，包括社交网络、生物学系统、信息技术和交通系统等。
2023-12-08 15:27:58
32277
1
原创 【复杂网络建模】——基于代理的社会网络建模（Agent-Based Modeling，ABM）[Python实现]
复杂网络是一种由大量相互连接的元素（节点或顶点）组成的网络结构，这些连接通常是非常复杂和动态的。这些网络可以在各种领域中发现，包括社交网络、生物学系统、信息技术和交通系统等。
2023-11-30 19:42:52
32697
2
原创 【复杂网络建模】——ER网络度分布、无标度网络度分布
ER网络（Erdős-Rényi网络）和SF网络（Scale-Free网络）是两种常见的网络模型，它们分别代表了随机网络和无标度网络两个重要的极端。在复杂网络中，节点的度分布是指节点具有不同度值的频率分布。对于无向单层网络，度分布可以用表示，表示度为的节点在网络中出现的概率。这个度分布通常遵循幂律分布（power-law distribution）。幂律分布的概率密度函数（Probability Density Function，PDF）可以用以下形式表示：其中，是节点的度，
2023-11-28 16:50:10
29163
15
原创 【复杂网络建模】——基于关联矩阵构建超图网络
复杂网络是指由大量相互连接的元素或节点构成的网络，这些节点之间的连接关系通常是非常复杂和多样化的。这种网络结构通常用图论来表示，其中节点表示网络中的个体或元素，边表示它们之间的连接或关系。
2023-11-12 10:56:05
28561
2
原创 【复杂网络建模】——Hypergraphx: 用于高阶网络分析的库（构建、存储、分析和可视化超图）
在这里，我们提出了一个开源的python库，hypergraphx (HGX)，为高阶网络的分析提供了一个全面的算法和函数集合。其中包括跨不同高阶表示转换数据的不同方法，在局部和中尺度上对高阶组织的各种度量，用于稀疏高阶数据的统计过滤器，广泛的静态和动态生成模型，以及具有高阶交互作用的不同动态过程的实现。我们的计算框架是通用的，并允许分析具有加权、有向、有符号、时间和多重群交互的超图。我们为代码提供了一个扩展的高阶数据存储库，并通过对具有高阶交互的社交网络的系统分析，展示了HGX分析现实世界系统的能力。
2023-11-08 13:24:57
28522
2
原创 【复杂网络建模】——基于节点相似性的社团划分算法
社团划分是指将网络中的节点分成若干个子集，每个子集内的节点之间有着更密切的连接，而不同子集之间的连接相对稀疏。
2023-09-15 13:41:13
28327
1
原创 【复杂网络建模】——链路预测算法及其应用
GNNs可以有效地捕获复杂网络中节点之间的关系，并用于预测未来的连接。在生物信息学中，链路预测可以用于预测蛋白质相互作用、基因调控网络和疾病蛋白质相互作用，有助于理解生物系统的功能和疾病机制。基于机器学习的方法：这些方法使用机器学习算法，如分类器或回归模型，从网络的拓扑结构和节点属性中学习链路预测模型。基于时间序列的方法：对于动态网络，可以使用时间序列数据来预测链路的变化。基于深度学习的模型，如深度神经网络，可以用于链路预测任务，特别是在大规模和高维网络中。链路预测的方法通常依赖于网络的特性和可用的数据。
2023-09-14 16:24:22
28836
1
原创 使用ECS和RDS部署WordPress，搭建个人博客并使用域名访问
通过使用阿里云的ECS和RDS，我成功地搭建了个人博客，积累了宝贵的经验。这个过程不仅让我更加了解了云计算和服务器管理，还提升了我解决问题的能力。我将继续努力改进博客，分享我的思考和经验，希望能够对其他人有所帮助。如果你也想搭建自己的博客，我鼓励你积极尝试并不断学习，相信你也会有类似的收获。人生不是轨道，而是无边的旷野。
2023-09-06 14:01:29
29946
19
原创 【复杂网络建模】——ER网络和SF网络的阈值分析
在复杂网络理论中，ER网络（Erdős-Rényi网络）和SF网络（Scale-Free网络）是两种常见的网络模型，它们在结构和特性上有很大的差异。分析它们的阈值涉及到不同的方法和概念。ER网络（Erdős-Rényi网络）： ER网络是一种随机图模型，其中有N个节点，每对节点以概率p相连。ER网络的阈值分析通常涉及到一个相对简单的阈值，即当平均度（每个节点的平均连接数）超过某个阈值时，网络中就会出现一个巨大的联通成分，即基本上所有节点都可以彼此到达。这个阈值通常被称为临界点，表示为p_c。
2023-08-29 16:22:00
28483
3
原创 【从0开始离线数仓项目】——数据仓库的环境搭建（1）
Linux的环境变量可在多个文件中配置，如/etc/profile，/etc/profile.d/*.sh，~/.bashrc，~/.bash_profile等，下面说明上述几个文件之间的关系和区别。
2023-08-07 13:33:30
30047
20
原创 【数据挖掘竞赛】——科大讯飞：锂离子电池生产参数调控及生产温度预测挑战赛
锂离子电池材料的主要生产设备是电炉，研究烧结过程的数字化建模，通过电炉空间温度推测产品内部温度，设计烧结过程的温度场和浓度场的最优控制律，搭建产品制备过程运行平台，有望最终实现该过程的效率提升和协同优化，达到提高产品一致性，降低生产能耗的目标。
2023-07-31 14:18:46
29922
32
原创 【从0开始离线数仓项目】——新能源汽车数仓项目介绍
数据仓库（Data Warehouse）是为企业提供数据支持，用以协助企业制定决策、改进业务流程和提高产品质量等方面的工具。它可以接收多种类型的输入数据，如业务数据、日志数据和爬虫数据等。然而，在本项目中，我们只对日志数据进行统计和分析。
2023-07-07 08:20:46
19140
14
原创 【复杂网络建模】——使用fsove求解非线性方程和导数
当使用fsolve函数时，首先需要导入scipy.optimize模块。然后，定义一个函数，该函数表示要求解的方程。最后，调用fsolve函数并传入该函数以及方程的初始猜测值作为参数。
2023-06-27 15:18:08
14398
5
原创 【数据挖掘基础】——常见算法对比和选择（9）
算法固然重要，但好的数据却要优于好的算法，设计优良特征是大有裨益的。假如你有一个超大数据集，那么无论你使用哪种算法可能对分类性能都没太大影响（此时就可以根据速度和易用性来进行抉择）。
2023-06-26 06:11:09
785
2
原创 【强化学习】——Q-learning算法为例入门Pytorch强化学习
强化学习（Reinforcement Learning，RL）是一种机器学习方法，其目标是通过智能体（Agent）与环境的交互学习最优行为策略，以使得智能体能够在给定环境中获得最大的累积奖励。
2023-06-22 09:41:04
3949
83
原创 【复杂网络建模】——使用PyTorch和DGL库实现图神经网络进行链路预测
链路预测是指在一个给定的网络中，根据已有的网络结构信息，尝试预测两个节点之间是否存在连接或者可能会建立连接的概率。这在社交网络分析、生物信息学、推荐系统等领域中都有广泛的应用。在复杂网络中，链路预测可以帮助我们理解网络的演化过程、发现隐藏的关系和未知的连接，以及预测未来的网络演化趋势。
2023-06-16 19:25:23
4523
119
Full Page Screen Capture
2023-07-17
谷歌视频加速插件+Video Speed Controller
2023-07-11
C#推箱子小游戏C#推箱子小游戏
2022-07-12
C#飞机大战程序设计
2020-12-06
Hugging Face下载NLP模型出错
2022-07-21
TA创建的收藏夹 TA关注的收藏夹
TA关注的人