xml的博客

原创 pip安装出现的问题之SSL，一大堆WARNING问题

起源是上边这张截图，使用pip安装scikit-learn这个库的时候始终不成功。结果都不行，试着把梯子，也就是vpn给关掉，再试一次就好了。

原创 Pytorch安装教程，防止以后忘记

pytorch

原创 conda创建环境出现错误Http error!

condarc文件的路径在：C:\Users\你的用户名\。保存，然后重新试一下，我就好了。

原创 anaconda创建虚拟环境报错！

你们可以试一下,希望有帮助,我看还有其他解决办法,我的问题就是这样了.第二次重新安装anaconda的时候又出现这个问题了,特此记录一下.错误: 然后出现一大堆,还有乱码什么的.这里就不展示了.我的就这么神奇的好了!

原创 科研：如何租用服务器来训练自己的模型？

root是服务器的根目录，autodl-tmp是数据盘，可以在该目录新建一个文件夹，用来存放项目文件。这里选择自动上传项目文件到服务器，如果你的项目里边有数据集的话，建议单独拖拽到服务器，你可以光上传代码。进入算力市场，这里边有各种各样的机器，选择你需要的配置。价格可以按照小时收费，如果增加GPU的数量，价格也会成倍增加。你可以配置自己的conda下环境，安装pytorch，pip一系列的库。将pycharm的文件右键，可以上传到服务器的同步目录下。租用之后，可以在容器实例里边看到租用的机器。

原创 错误处理:IndexError: index out of range in self

按理论来说，这里的只需要扩大一些num_embeddings就好了，但是我觉得根本原因在于你输入的张量为什么会比num_embeddings大，你可以试着debug一下。这是我定义嵌入层的地方，n_quadkey就是上边的num_embeddings，这里我们调大一些，应该不会有啥影响吧，反正我就这么干的，你可以试试，运行一下就好了！首先你要找到什么时候定义嵌入层的，一般是model内部，我采用的方法是在定义嵌入层的时候将num_embeddings开大一点。那么如何解决这个问题呢，

原创 将Foursquare：dataset_TSMC2014_NYC 数据集处理成gowalla格式，赶紧收藏！！！

本文主要提供了，将Foursquare ：dataset_TSMC2014_NYC数据集处理成gowalla数据集格式的代码，如果需要可以收藏！

原创 python使用pip安装模块出错 Retrying (Retry(total=0, connect=None, read=None, redirect=None, status=None))

看他：python使用pip安装模块出错 Retrying (Retry(total=0, connect=None, read=None, redirect=None, status=None)) - shimmernight - 博客园 (cnblogs.com)

原创 Python之文件的读写操作（数据处理系列）

实际读文件过程中，你可能需要一行一行读进来，然后split分割啊len计算长度啊strip去掉前后空格啊，这些都是需要你看别人优秀的代码，一点一点积累的。文件的读写操作就这么多知识，重点是你需要在实战中积累技巧，别人怎么搞的，然后形成自己的代码模板。我相信，你看完这篇文章，已经能对文件进行简单的读写操作了，那么接下来请找个实战项目，去看看优秀的编程者如何使用技巧的吧 ~ 下期可能开始更新Python数据预处理相关的知识，或者机器学习的知识了。

原创 字符编码（计算机知识理解篇）

其实每个计算机专业的人都应该知道：计算机中存储的都是01的二进制数字，每个bit位存一个二进制数字0或者1，每个字节Byte由8个bit位组成，就像2个bit能存储4个数字一样：00，01，10，11；字符编码就是将字符集中的字符映射成一些数字，只不过这些数字是二进制表示而成的。计算机通过存储这些数字的二进制表示，来存储相应的字符。好了，这讲就这么多知识，如果你想要了解的更详细一些，可以去查一下相关资料，记得一键三连哦~计算机中存储的基本单位，以及单位之间的换算是什么样的呢？

原创 模型的保存和加载（pytorch方法学习系列）

pytorch模型的保存和加载

原创 SASRec论文代码复现讲解（教你如何读代码）倾囊相授！

本文是我个人的学习总结，我也是初学者，但是我有很认真在思考做笔记，如果你也是初学者，我相信这对你的帮助很大，因为下面是作为刚入门的我的思考过程，这次先讲代码中部分函数，后边我会在本文慢慢更新，记得关注。可以先试着看看下边的内容，或许对你有所帮助！目前，我比较喜欢一个模块一个模块 or 一个函数一个函数去解决，我可能先看数据怎么处理划分的，每个模块我会用代码测试一下，可以看一下输出结果跟自己想的一不一样，遇到不会的函数就去百度+自己写代码测试，非常好用。

原创 Transformer代码（Pytorch实现和详解）！！！

这个是第一版，有些代码如果不对，欢迎在评论指正，后续会慢慢改，我也是刚接触transformer，若有些地方理解不对还请指正。

原创 pytorch深度学习入门 第9讲（多分类问题）

那么该如何使得我们输出的分布能够满足这两个条件呢？只需要在最后一层的输出使用softmax函数，其他地方仍然使用sigmoid函数，这样输出的就是一个分布了。这里处理图象数据集的时候需要使用transform进行一个转换，将28 x 28 转换为 1 x 28 x 28的张量，多增加了一个channel维度。，拿手写体数字识别来说，也就是说对于一个样本x，输出10个概率值，就是一个分布。3）新引入了CrossEntropyLoss（包含了softmax操作）、ReLu函数。这是其中一个样本的图象。

原创 pytorch深度学习入门 第8讲（加载数据集DataLoader使用）

之前讨论过随机梯度下降的时候，有的用一整个batch更新 or 有的用一个一个样本更新，为了平衡两者，现在每次用的是mini-batch来更新。原理： 将数据集送入Dataloader中，会自动(shuffle = True) 随机打乱样本，然后生成Iterable Loader对象，其中包含多个Batch。dataloader主要作用是把给定的数据集，生成一个一个mini-batch。迭代：多少次迭代意味着多少个batch ，每次迭代就是用一个batch的数据集训练，然后更新。

原创 pytorch深度学习入门 第7讲（处理多维度特征的输入）

在神经网络中，我们的目标是将一个多维空间非线性地映射到一个1维空间，为了使我们的模型更加复杂，可以将模型进行多次线性变换，并在每个linear后边加一个sigmoid激活函数引入非线性。注意：这里并没有做mini-batch的操作，而是把所有数据都放到model了，后面会讲如何做mini-batch操作。这里训练1000，loss还是很大，应该是要训练更多epoch，所以这里先不写测试了，麻烦。对于每个样本xi->yi的计算过程如上图，x的每个特征都要乘以一个w。还是以二分类问题为例，输入转换为多个维度。

原创 pytorch深度学习入门 第6讲（Pytorch实现逻辑斯蒂回归）

给定输入x，然后判断x属于y集合中的哪个类别，分类任务的model输出的是一个概率分布（包括每个类别的概率，所有概率加合为1），认定概率最大的类别为预测结果。下面看一个简单例子。线性模型中的loss，计算的是两个标量之间的差值。逻辑回归中的loss计算的是两个分布之间的差异，这个损失函数叫“注：并不是logistic function能够进行概率转换，而是保证概率的输出值保持在[0,1]之间，之后讨论。注：计算概率的时候，只需要计算P(y=1)一个值就行，因为P(y=0) = 1 - P(y=1)

原创 pytorch深度学习入门 第5讲（Pytorch实现线性回归）

比如：1) 设计model的时候，在init中定义forward中需要用到的linear层，在forward中调用定义好的层进行前向传播，同时也在构建计算图，最后求出输出值y_pred.感觉就是优化器管理参数的值，反向传播求参数的梯度。而且一定记住是对loss进行的反馈传播，整个计算图的过程，是从输入x经过model 的多层得到y_pred,再进行Loss(y_pred,y_data)计算得到loss。包括两个部分，首先通过model求得y_pred ,然后通过y_pred和y—_data求loss。

原创 pytorch深度学习入门 第4讲（反向传播）

之前我们的梯度是根据公式求导得到的，但是实际神经网络中，每两层之间都有权重，而且权重的数量不再是一个w，所以我们需要一种方法来自动求Loss对w的导数。所以我们在每个线性变化之后都做一个非线性变换。如果张量只有一个值，可以使用w.grad.item()转化为python中的标量，总结:张量不要轻易做计算，否则会产生计算图。原理：将神经网络看作是一个计算图，在图上传播梯度，最后根据链式法则求得：Loss对w得导数。Backward：就是从后往前求梯度，最后求出 loss对w的导数，然后就能用这个做更新。

原创 pytorch深度学习入门 第3讲（梯度下降）

因为纯随机梯度下降算法和梯度下降算法各有不好的地方，所以在这两者取个平衡。在深度学习中随机梯度下降算法，采用的是Batch梯度的方法。更新的方式：权重w沿着当前梯度的反方向前进，w更新的公式如上图，即。小结：这讲主要引入了随机梯度下降算法，在pytorch中使用的随机梯度下降算法，原理就是Batch方法。随机梯度与之前方法不同：每次w的更新只需要计算一个样本的loss值就可以，而需要计算loss的总和。注：在训练过程中，随着epoch的增加，loss逐渐减小，并趋于一定值，说明我们的训练是有效的。

原创 pytorch深度学习入门 第2讲（线性模型）

pytorch深度学习实践 b站刘二大人

原创 TypeError: Student() takes no arguments

TypeError: ****() takes no arguments

原创 冒泡排序模板搞定啦~

原创 选择排序模板搞定啦

原创 二分查找学习