qq_26623993的博客

转载于集市平台：https://mp.weixin.qq.com/s/GkiV_KMWLcxiFnqFavtuwA1. cross entropy loss       用于图像语义分割任务的最常用损失函数是像素级别的交叉熵损失，这种损失会逐个检查每个像素，将对每个像素类别的预测结果（概率分布向量）与我们的独热编码标签向量进行比较。二分类情况下称为BCELoss：2. weighted loss  &nbs

windows环境下cuda报错：nvcc fatal : Unsupported gpu architecture ‘compute_86‘向系统环境变量中添加一项：TORCH_CUDA_ARCH_LIST，值为7.5。重启pycharm或者cmd，再进行相关操作即可。

最小生成树算法C++语言实现1. Prim思想：选择离当前树最近的点来扩充当前树，直至边数为n-1。因为要从候选点中选择距离最近的点，直接实现比较困难，不如转换一下，选择当前最小生成树中的点向外延伸的边中最短的那条边，使用优先队列来维护向外延伸的边，实现起来比较简单。#include <bits/stdc++.h>using namespace std;int n,m,a,b,v;struct Edge{ int fr,to,l; explicit Edge(int

1. 动机与贡献1.1. 动机知识图谱的特征有许多，包括结构信息、实体属性、实体名称及描述等。目前的实体对齐方法仅仅只利用了其中部分特征，没有将这些特征全部利用起来。将所有特征有效利用起来能够提高模型的准确率和稳定性。对齐任务往往需要种子实体对作为正样本，但是种子实体对的获取成本高导致其数量少。事实上，从多种特征中学习实体的嵌入能够自动补货对齐特征并且减轻对种子实体对的依赖。1.2. 贡献          \,\,\,\,\,\,\,\,\,\,从以上两个动机出发，作者提出MultiKE方.

论文简读-BERT-INT-《 A BERT-based Interaction Model For Knowledge Graph Alignment》IJCAI 20201. 动机(1). 在实体对齐任务中，知识图谱的side information（边缘信息：包括名称、描述和属性）比structural information（结构信息：知识图谱的图结构）更有用。(2). 由于知识图谱的异构性，对齐的实体往往不具有2. 方法3. 实验...

BootEA论文简读《Bootstrapping Entity Alignment with Knowledge Graph Embedding》引用：Zequn Sun, Wei Hu, Qingheng Zhang, and Yuzhong Qu. 2018. Bootstrapping entity alignment with knowledge graph embedding. In Proceedings of the 27th International Joint Conference o

linux环境下找不到自定义python包的简单解决办法         \,\,\,\,\,\,\,\,\,简单解决办法：将自定义python包所在目录添加至‘~/.bashrc’配置文件的PYTHONPATH变量中。比如自定义python包myreader的绝对路径为‘/home/usr_name/documents/projects/Openea/src/myreader’，打开~/.bashrc配置文件并将如下代码添加到文件末尾：# add python runtime pathex

linux系统conda安装graph-tool          \,\,\,\,\,\,\,\,\,\,在已有的conda环境中安装graph-tool存在包冲突，无法完成安装过程，在这种情况下需要新建一个纯的conda虚拟环境，然后再直接安装graph-tool。创建新的虚拟环境：>>> conda create -n gt python=3.6安装graph-tool>>> conda install -c conda-forge graph-

Pysyft 实现联邦学习python3代码示例(非完整示例)1. 技术背景          \,\,\,\,\,\,\,\,\,\,联邦机器学习又名联邦学习，联合学习，联盟学习。联邦机器学习是一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模[百度百科]。简单的说就是在分布的数据不公布的情况下共同训练第三方模型，如图1所示。图1. 联邦学习示意图2. 运行环境          \,\,\,\,\,\,\,\,\,\,本文使用纯py

COTSAE: CO-Training of Structure and Attribute Embeddings for Entity Alignment1. 摘要实体对齐是知识图构建和融合中的一项基本而重要的任务。以往的工作主要是通过学习关系三元组上的实体嵌入(entity embeddings)和预先对齐的种子实体来获取实体的结构语义(structural semantic)。有些工作还试图合并属性信息来帮助细化实体嵌入。然而，在实体对齐中仍存在许多未考虑到的问题，极大地限制了属性信息的利用。不同

TransE: Translating Embeddings for Modeling Multi-relational Data1. introduction本文研究的是将知识图谱中实体和关系嵌入(embedding)至低维向量空间的问题，提出了名为TransE的实体与关系表示方法，该方法将实体与实体的关系看成是翻译操作。2. Translation-based model给出一个知识图谱中的三元组(h,r,t)(h, r, t)(h,r,t),其中h,t∈E,r∈Rh,t \in E, r \