泡泡龙的泡泡

如果你需要处理大量图像并进行计算机视觉任务（如目标检测、图像分类等），推荐使用 cv2.imread()，因为它的性能更高，且能够更好地处理不同格式的图像。如果你需要进行图像加载和简单的图像处理（如格式转换、显示等），可以使用 PIL.Image.open()，因为它的 API 更加简洁。

get_clones 是一个实用函数，目的是创建一个模块的深拷贝（deep copy）。深拷贝意味着复制模块及其所有内部参数、状态等，使得每个副本相互独立，互不影响。你可以对每个副本进行不同的操作，而不会修改其他副本的权重和状态。

lru_cache() 是 Python 中 functools 模块提供的一个装饰器，用于实现 最近最少使用（LRU）缓存。它会缓存函数的返回值，以提高重复调用相同输入时的性能，避免重复计算。

【代码】设置种子控制可重复性。

【代码】冻结深度学习参数。

image2.contiguous() 是 PyTorch 中的一个方法，通常用于将张量变成内存中连续存储的格式。背景在 PyTorch 中，张量可以通过不同的方式在内存中存储。通常，张量的存储是以行优先（row-major）或列优先（column-major）的顺序排列。但某些操作（例如切片或转置）可能会创建一个 非连续（non-contiguous）张量，尽管它看起来和原始张量形状一致。连续张量：在内存中，张量的元素是按其索引顺序存储的，且没有跳跃。

list[1::2] 将返回从列表中每隔一个元素选取的元素，起始位置是第二个元素。1 是起始索引，表示从列表的第二个元素（索引为1的元素）开始。list[::2] 将返回从列表中每隔一个元素选取的所有元素。: 后面的部分为空，表示切片将一直进行到列表的末尾。2 是步长，表示每次选择一个元素后跳过下一个元素。

【代码】python图像处理。

将需要解密的PDF文档输入进去，即可快速完成解密。

在 Python 中，deepcopy 是用来进行深度拷贝的。深度拷贝会递归地复制对象以及对象内部所有嵌套的对象，确保原对象和新对象之间完全独立，不共享内存。

Co-Attention、Self-Attention 和 Bi-Attention

Mathtype公式位置偏上

软注意力机制就是虽然词语权重不同，但是在训练模型的时候雨露均沾，每个词语都用到，焦点词语的权重大。软性注意力（Soft Attention）机制是指在选择信息的时候，不是从N个信息中只选择1个，而是计算N个输入信息的加权平均，再输入到神经网络中计算。硬注意力机制是从存储的多个信息中只挑出一条信息来，可能是概率最大的那个词向量...

random.seed()方法改变随机数生成器的种子，可以在调用其他随机模块函数之前调用此函数。import randomrandom.seed ( [x] )调用 random.random() 生成随机数时，每一次生成的数都是随机的。但是，当我们预先使用 random.seed(x) 设定好种子之后，其中的 x 可以是任意数字，如10，这个时候，先调用它的情况下，使用 random() 生成的随机数将会是同一个。参数：x – 改变随机数生成器的种子 seed。如果你不了解其原理，你不必特别去设

GRU（Gate Recurrent Unit）是循环神经网络（Recurrent Neural Network, RNN）的一种。和LSTM（Long-Short Term Memory）一样，也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。GRU和LSTM在很多情况下实际表现上相差无几，那么为什么我们要使用新人GRU（2014年提出）而不是相对经受了更多考验的LSTM（1997提出）呢。我们在我们的实验中选择GRU是因为它的实验效果与LSTM相似，但是更易于计算。相比LSTM，使用GRU能

使用特征缩放的作用是：使不同量纲的特征处于同一数值量级，减少方差大的特征的影响，使模型更准确。加快学习算法的收敛速度。缩放过程可以分为以下几种：缩放到均值为0，方差为1（Standardization——StandardScaler()）缩放到0和1之间（Standardization——MinMaxScaler()）缩放到-1和1之间（Standardization——MaxAbsScaler()）缩放到0和1之间，保留原始数据的分布（Normalization——Normalizer

saver()与restore()只是保存了session中的相关变量对应的值，并不涉及模型的结构。Saver的作用是将我们训练好的模型的参数保存下来，以便下一次继续用于训练或测试；Restore则是将训练好的参数提取出来。Saver类训练完后，是以checkpoints文件形式保存。提取的时候也是从checkpoints文件中恢复变量。Checkpoints文件是一个二进制文件，它把变量名映射到对应的tensor值 。一般地，Saver会自动的管理Checkpoints文件。我们可以指定保存最近的N个

代码链接：https://github.com/zhougr1993/DeepInterestNetwork论文数据下载：http://snap.stanford.edu/data/amazon/productGraph/categoryFiles/reviews_Electronics_5.json.gzhttp://snap.stanford.edu/data/amazon/productGraph/categoryFiles/meta_Electronics.json.gz在代码DeepInte

缓冲区的刷新方式：flush()刷新缓存区缓冲区满时，自动刷新文件关闭或者是程序结束自动刷新。当我们打印一些字符时，并不是调用print函数后就立即打印的。一般会先将字符送到缓冲区，然后再打印。这就存在一个问题，如果你想等时间间隔的打印一些字符，但由于缓冲区没满，不会打印。就需要采取一些手段。如每次打印后强行刷新缓冲区。参考：https://blog.csdn.net/zh54b5n64vn64654/article/details/89079164...

模型评估指标AUC 、AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。AUC越接近1.0，检测方法真实性越高;等于0.5时，则真实性最低，无应用价值。AUC在机器学习领域中是一种模型评估指标。根据维基百科的定义，AUC(area under the curve)是ROC曲线下的面积。所以，在理解AUC之前，要先了解ROC是什么。而ROC的计算又需要借助混淆