m0_67769784的博客

作为准研究生，希望能趁早明白的这些事情并保持着清醒的意识。并不是大道理，而是切实可行的小tips~1、研究生阶段，导师是我们的第一负责人，辅导员是学生工作的处理者，无论你做什么事情，不管这个事情是好是坏，该告诉导师大大的一定不要藏着掖着。不然最后出问题不仅没人帮你收拾烂摊子，还会连累导师大大。( 不要害怕让导师大大知道你的事情，相反我觉得多和他沟通会更好，因为他知道多点只会对你好)。同时选导师记得看他对学生是否关心，是否愿意花时间和精力培养学生，否则他的咖位与你无关 ；另外选择导师还要看自己喜欢横向还是

从1989年伯纳斯提出万维网的概念开始到现在，已经经历了Web1.0、Web2.0、Web3.0。那么，究竟是如何从Web1.0发展到Web3.0的呢？目录一、从 Web1.0 到 Web2.0二、那么 Web3.0 呢？三、构建 Web3.0 的现实障碍四、我们将如何到达 Web3.0网络已经发展了三十多年，慢慢地将我们从Web1.0的早期静态文本和图像，一直带到Web2.0的兴起，直到我们今天所知道的互联网——一个由中心化平台主导的互联网。关于究竟什么是Web3.0，.

论文《Learning by abstraction: The neural state machine》解读，有代码！

对于深度学习的很多技巧，当你实验做得足够多的时候你就会发现，这类问题的唯一正确答案是：因为实验结果显示这样做效果更好！当然，你非要想找一个像模像样的解释，其实也能尝试一下。对于Transformer为什么用LN而不是BN/IN，我估计《Attention is all you need》的作者们当时肯定没有想那么多，而是发现当时NLP中主流就是用LN，所以就跟着用了。那么，NLP为什么用LN居多呢？非要说原因，大致上是NLP的文本本质上可以看成一个时间序列，而时间序列是不定长的，长度不同的序

IMDB Sentiment Classification from scratchAuthor: BeyondTime: 2019.04.26情感分析是上手NLP的最简单的任务之一，它就是一个简单的文本分类问题，判断一段文本的情感极性。最简单的就是二分类，判断是积极的还是消极的；更难一点的就是三分类，除了积极消极还有无情感倾向的；更加复杂的就比如情感打分，例如电影打1~5分，这就是五分类。但本质上都一样，无非类别太多更难以学习罢了。IMDB是一个专业的电影评论网站，类似国内的豆瓣，IMDB

《SSMix: Saliency-Based Span Mixup for Text Classification》深度解读。

一、翻译距离模型：【TransE】 Translating Embeddings for Modeling Multi-relational Data 全文链接：文献全文 - 学术范 (xueshufan.com)【这个网站上边大部分都有，链接太多似乎不能过审，只能辛苦大家自己复制粘贴搜一下，并且还可以一键翻译摘要了解哦！】【TransH】 Knowledge Graph Embedding by Translating on Hyperplanes【TransR】 Learning Ent

最近研究生复试结束，首先恭喜许多小朋友，要进入人生新的篇章啦！很多研一刚入学的小朋友不知道从何下手，从未接触过神经网络，python也是才开始学。提前联系导师，导师可能要大家做LSTM（或者其他），那作为刚入学的萌新应该去学什么呢，除了看python的基础教学视频以外，还需要去学哪些内容呢？也会好奇，可以上手去做LSTM需要多久的时间呢？首先，应该努力为自己争取最大的时间用来学习和coding——合理跟导师描述自己的基础，承受导师对自己的diss，抓紧时间学习（基础差是自己的原因不是导师的原因，那必

今天，和大家分享一篇文章的解读与复现——随机森林与人工神经网络联合诊断心衰模型的构建与分析，顺便安利近期遇到的一个神奇的社区。目录Part1文献解读1摘要2前言3方法&结果4讨论5总结亮点：不足：Part2文章复现step1 start GEOstep2 group idstep3 pcastep4 DEGstep5 random foreststep6 neuralnetstep7 auc开始之前，插入一个...

本文受众聚焦在本科大四以及硕士研究生的范畴。然后，本文只是提供一些切身的思考，并不一定全对，也会存在考虑不全的地方，希望读者能持开放包容的心态进行阅读😘so，enjoy：劝退先行这个我拿手，先劝退一波作为目睹过2021年算法岗灰飞烟灭，看这激烈的求职过程，不但脑海中蹦出三个字：卷！卷！还是xxx卷！并且还咽了一下口水，接下来有条不紊地进行劝退：2021年，发生了意想不到的疫情，加上本身AI红利消退以及CV算法岗位严重供大于需，可以说CV算法岗竞争的激烈程度上升到了一个前所未有的高度。并且

主要原因是涉及到序列的东西都不好做。CV那边搞视频一样头疼结果上不去。而且另外一方面，个人理解cv目前做的东西更多的是extraction和generation，understanding的很多好，大量论文集中在前两点。如果设计understanding更多的是image caption和inpainting那些。而且，个人理解understanding得到的东西必须是不能通过边缘一步一步不全得到的（比如style-transfer在我看来更像step-by-step generation的过程）。