- 博客(8)
- 收藏
- 关注
RSS订阅原创 推荐系统-召回-向量召回
1. 离散特征 步骤： 建立字典：把类别映射成序号 向量化：把序号映射成向量 a. one-hot 编码：把序号映射成高纬稀疏向量 b. embedding：把序号映射成低维稠密向量 one-hot 编码 embedding 2.矩阵补充模型 matrix completion 每次更新矩阵a和b的一列，学出矩阵a和b 每一列是一个物品 每一行是一个用户 用绿色位置训练模型，预估出灰色位置的分数，也就是把矩阵元素补全 补全之后可以做推荐，把较高的物品推荐给用户
2022-05-10 05:51:25
579
原创 推荐系统2-召回1usercf
说明：笔记记录来自B站大佬的视频 大佬主页：https://space.bilibili.com/1369507485?spm_id_from=333.788.b_765f7570696e666f.1 up主：shusenwang 视频链接：https://www.bilibili.com/video/BV1mA4y1Q7RN/?spm_id_from=333.788.recommend_more_video.1 基于物品的协同过滤（item CF） 原理 a. 知识图谱，两个书的作者相同 b. 用户行为，
2022-05-10 04:54:45
256
原创 推荐系统1-基本概念
说明：笔记记录来自B站大佬的视频 大佬主页：https://space.bilibili.com/1369507485?spm_id_from=333.788.b_765f7570696e666f.1 up主：shusenwang 1. 小红书推荐系统转化流程： 2. 消费指标 点击率越高：推荐越精准 f(笔记长度)：归一化函数 推荐越符合用户兴趣，点赞收藏转发会越多 多样性：不能一味追求用户段时间内的兴趣 3. 衡量推荐系统好坏：北极星指标（最重要的指标） a. 用户规模 DAU：一天内不管
2022-05-10 04:21:03
264
原创 1.链表问题：链表增删改查+快慢指针
1）定义链表节点 //Listnode含有三种初始化列表（无参，单参，双参） struct ListNode { int val; ListNode* next; ListNode():val(0),next(nullptr){} ListNode(int x) :val(x), next(nullptr) {} ListNode(int x,ListNode * next):val(x),next(next){} }; 2）链表增删改查 class MyLinked
2022-03-06 12:06:51
560
原创 Unsupervised learning of digit recognition using spike-timing-dependent plasticity
2.Methods 为了模拟我们的SNN，我们使用了Python和BRIAN模拟器。 在这里，我们描述单个神经元和单个突触的动力学，然后描述网络体系结构和使用的机制，最后我们解释MNIST的训练和分类过程。 2.1 神经元和突触模型 为了建模沈金元动力学模型，我们选择LIF模型。其膜电位V描述如下： ：静息膜电位 ：兴奋性突触的平衡电位 ：抑制性突触的平衡电位 ：兴奋性突触的电导 ：抑制性突触的电导 ：时间常数 正如在生物学中观察到的，我们使用时间常数τ，对于兴奋性神经元而言，其.
2020-09-27 08:58:28
2219
13
原创 Real-World Super-Resolution via Kernel Estimation and Noise Injection ---2020.08.10
介绍：2020 cvpr real world SR challenge NO.1 内容：论文翻译+实验细节 摘要： 不管blur和noise如何，最新的超分辨率方法在理想数据集上均具有出色的性能。但是，这些方法在现实世界中的图像超分辨率中始终会失败，因为它们大多数都从高质量图像采用简单的bicubic降采样来构造低分辨率（LR）和高分辨率（HR）对进行训练，这可能会丢失与频率相关的轨迹细节。为了解决这个问题，我们专注于通过估计各种模糊内核以及真实的噪声分布，为现实世界的图像设...
2020-08-10 10:32:14
1803
原创 sPyNNaker: A Software Package for Running PyNN Simulations on SpiNNaker
摘要： 这项工作介绍了sPyNNaker 4.0.0，这是用于在SpiNNaker神经形态平台上模拟PyNN定义的尖刺神经网络（SNN）的软件包的最新版本。 提出了支持实时SNN执行的操作，包括一个基于事件的操作系统，该系统有助于高效的时间驱动神经元状态更新和pipelined event-driven spike processing。 讨论了预处理，实时执行和神经元/突触模型的实现，所有这些都在一个简单的示例SNN的上下文中进行。 演示了仿真结果以及性能分析，可深入了解软件如何与底层硬件交互以实
2020-06-30 14:10:57
512
翻译 Feedback Network for Image Super-Resolution（SRFBN）---翻译
attention ：只详细翻译了重点部分 摘要 图像超分辨率（SR）的最新进展展现了深度学习的力量，可以实现更好的重建性能。然而，现有的基于深度学习的图像SR方法尚未充分利用人类视觉系统中常见的反馈机制。在本文中，我们提出了一个图像超分辨率反馈网络(SRFBN)来改进具有高级信息的低级表示。具体而言，我们在具有约束的RNN中使用隐藏状态来实现这种反馈方式。反馈模块旨在处理反馈连接并生成强大的高级...
2019-04-14 12:56:23
1772
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人