如果你也是看准了Python,想自学Python,在这里为大家准备了丰厚的免费学习大礼包,带大家一起学习,给大家剖析Python兼职、就业行情前景的这些事儿。
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
二、学习软件
工欲善其必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
三、全套PDF电子书
书籍的好处就在于权威和体系健全,刚开始学习的时候你可以只看视频或者听某个人讲课,但等你学完之后,你觉得你掌握了,这时候建议还是得去看一下书籍,看权威技术书籍也是每个程序员必经之路。
四、入门学习视频
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
四、实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
五、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
成为一个Python程序员专家或许需要花费数年时间,但是打下坚实的基础只要几周就可以,如果你按照我提供的学习路线以及资料有意识地去实践,你就有很大可能成功!
最后祝你好运!!!
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
代码:
import torch
import torch.nn.functional as F
class Aggregator(torch.nn.Module):
'''
Aggregator class
Mode in ['sum', 'concat', 'neighbor']
'''
#最后一个 neighbor 的聚合器直接就是利用邻域表示来代替 v 结点的表示
def __init__(self, batch_size, dim, aggregator):
super(Aggregator, self).__init__()
self.batch_size = batch_size #输入样本的批量大小
self.dim = dim #向量的维度
#根据 aggregator 的值初始化不同的权重。如果是 'concat',则使用一个线性变换将维度从 2 * dim 减少到 dim;否则,使用维度为 dim 到 dim 的线性变换。
if aggregator == 'concat':
self.weights = torch.nn.Linear(2 * dim, dim, bias=True)
else:
self.weights = torch.nn.Linear(dim, dim, bias=True)
self.aggregator = aggregator
def forward(self, self_vectors, neighbor_vectors, neighbor_relations, user_embeddings, act):
#当前节点的向量(self_vectors),邻居节点的向量(neighbor_vectors),邻居关系(neighbor_relations),以及用户嵌入(user_embeddings),act(激活函数
batch_size = user_embeddings.size(0) #获取当前批次的大小
if batch_size != self.batch_size:
self.batch_size = batch_size #如果不同,它会更新 batch_size 属性以反映这一变化。这确保了模型可以灵活地处理不同批量大小的输入。
neighbors_agg = self._mix_neighbor_vectors(neighbor_vectors, neighbor_relations, user_embeddings) #聚合邻居节点的信息
#结合了邻居向量、邻居关系和用户嵌入,生成一个聚合后的邻居向量(neighbors_agg)
if self.aggregator == 'sum': #将当前节点的向量(self_vectors)与聚合后的邻居向量(neighbors_agg)相加,然后调整形状以符合维度要求
output = (self_vectors + neighbors_agg).view((-1, self.dim))
elif self.aggregator == 'concat': #则将当前节点的向量和聚合后的邻居向量沿最后一个维度(dim=-1)拼接起来,之后再调整形状以确保向量的维度是 2 * self.dim
output = torch.cat((self_vectors, neighbors_agg), dim=-1)
output = output.view((-1, 2 * self.dim))
else: #直接使用聚合后的邻居向量,调整其形状以符合维度要求
output = neighbors_agg.view((-1, self.dim)) #自动计算新形状的第一个维度的大小,以便总的元素数量与原始张量相匹配
output = self.weights(output) #通过在初始化时定义的线性层(self.weights)对输出向量进行变换
return act(output.view((self.batch_size, -1, self.dim))) #使用传入的激活函数(act)对线性变换后的输出进行处理,并调整形状,使其符合 (batch_size, -1, self.dim) 的格式。
def _mix_neighbor_vectors(self, neighbor_vectors, neighbor_relations, user_embeddings):
'''
This aims to aggregate neighbor vectors
'''
# [batch_size, 1, dim] -> [batch_size, 1, 1, dim] #将 user_embeddings 的形状从 [batch_size, 1, dim] 调整为 [batch_size, 1, 1, dim]
user_embeddings = user_embeddings.view((self.batch_size, 1, 1, self.dim))
# [batch_size, -1, n_neighbor, dim] -> [batch_size, -1, n_neighbor]
#通过将 user_embeddings 与 neighbor_relations 相乘并沿着最后一个维度(dim = -1)求和,计算每个邻居对当前用户的关系得分。结果是一个形状为 [batch_size, -1, n_neighbor] 的张量,表示每个邻居对当前节点的重要性得分
user_relation_scores = (user_embeddings * neighbor_relations).sum(dim = -1)
user_relation_scores_normalized = F.softmax(user_relation_scores, dim = -1)
# [batch_size, -1, n_neighbor] -> [batch_size, -1, n_neighbor, 1]
#在得分张量的最后添加一个维度,将其形状从 [batch_size, -1, n_neighbor] 调整为 [batch_size, -1, n_neighbor, 1]
user_relation_scores_normalized = user_relation_scores_normalized.unsqueeze(dim = -1)
# [batch_size, -1, n_neighbor, 1] * [batch_size, -1, n_neighbor, dim] -> [batch_size, -1, dim]
#将标准化后的关系得分与邻居向量进行元素级乘法,然后沿第二个维度(dim = 2,即 n_neighbor 维度)求和。这个操作实际上是对每个节点的所有邻居向量进行加权平均,权重由邻居的重要性得分确定。
neighbors_aggregated = (user_relation_scores_normalized * neighbor_vectors).sum(dim = 2)
return neighbors_aggregated
Aggregator类:
__init__:
1.self.batch_size
输入样本的批量大小
2.self.dim
向量的维度
3.self.weights
根据 aggregator 的值初始化不同的权重。如果是 ‘concat’,则使用一个将维度从 2 * dim 减少到 dim的线性变换;否则,使用维度为 dim 到 dim 的线性变换。
4.self.aggregator
聚合方法:sum / concat / neighbor(利用邻域表示来代替 v 结点的表示)
学好 Python 不论是就业还是做副业赚钱都不错,但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
二、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
三、全套PDF电子书
书籍的好处就在于权威和体系健全,刚开始学习的时候你可以只看视频或者听某个人讲课,但等你学完之后,你觉得你掌握了,这时候建议还是得去看一下书籍,看权威技术书籍也是每个程序员必经之路。
四、入门学习视频
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
五、实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
六、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!