u013602059的专栏

解决：一般是装的老版anaconda自带了老版本的matplotlib，会有一些兼容性问题，直接卸载重装最新版本就可以解决。问题：import matplotlib.pyplot as plt 时导致程序一直无反应。

在截面上的垂足即为空间中圆的圆心。假设圆上的任意三点的坐标分别为。方程1满足点在球面上，方程2满足点在截面上，方程3满足点到垂足。，则该点的坐标满足以下的方程组。该截面为一个空间中的圆，球心。，对应的圆上的点的坐标为。到空间圆上的最短距离为。三点均在截面上，则有。，该点到截面的距离为。

论文链接：https://arxiv.org/abs/2205.14217代码链接：https://github.com/XiangLi1999/Diffusion-LM无需重训模型控制语言模型的表现是自然语言生成（NLG）的一个重要开放问题，近期工作已经在简单句子属性控制生成上取得了一定的进展，但是在复杂的、细粒度的控制上的进展还远远不够。作者指的更复杂，更细粒度的控制：为了解决这一挑战，我们提出了一个基于连续扩散模型的非自回归语言模型，我们称之为Diffusion-LM。Diffusion-LM是

我们已经明确了要训练pΘ(Xt−1∣Xt)p_{Θ}(X_{t-1}|X_t)pΘ​(Xt−1​∣Xt​)，那要怎么确定目标函数呢？有两个很直接的想法，一个是负对数的最大似然概率，即−log⁡pΘ(X0)-\log p_{Θ}(X_0)−logpΘ​(X0​)，另一个是真实分布与预测分布的交叉熵，即−Eq(X0)log⁡pΘ(X0)-E_{q(X_0)}\log p_{Θ}(X_0)−Eq(X0​)​logpΘ​(X0​)，然而，类似于VAE，由于我们很难对噪声空间进行积分，因此直接优化−log⁡pΘ(X0

假设在一个贝叶斯模型中，xxx为一组观测变量，zzz为一组隐变量（参数也看做随机变量，包含在zzz中），则推断问题为计算后验概率密度P=(z∣x)P=(z|x)P=(z∣x)。根据贝叶斯公式，有：p(z∣x)=p(x,z)p(x)=p(x,z)∫p(x,z)dzp(z|x)=\frac{p(x,z)}{p(x)}=\frac{p(x,z)}{\int p(x,z)dz}p(z∣x)=p(x)p(x,z)​=∫p(x,z)dzp(x,z)​但是在实际应用中，可能由于积分没有闭式解，或者是指数级的计算复杂度

（适用于服务器上管理员已安装好显卡驱动或已安装的CUDA版本无法满足自己要求）1、准备工作首先查看自己服务器系统的信息uname -a lsb_release -a这是我的服务器的信息然后根据版本去官网选择对应版本下载CUDA接着下载cudnn（网址）,选择CUDA11.1对应的版本 (需登录nvidia账号，无法用wget，我只能采取本地下载上传到服务器)。选择 “cuDNN Library for Linux”，下载下来是一个tgz的压缩包。最后，提前建好cuda的自定义目录，我

RuntimeError: CUDA error: no kernel image is available for execution on the device安装适用于GeForce RTX 3090显卡的pytorch卸载当前版本的pytorch, 重新按照以下安装pip uninstall torchpip install torch==1.7.0+cu110 torchvision==0.8.1+cu110 torchaudio===0.7.0 -f https://download.p

代码中存在累加loss，但每步的loss没加item()。pytorch中，.item()方法 是得到一个元素张量里面的元素值具体就是 用于将一个零维张量转换成浮点数，比如计算loss，accuracy的值就比如：loss = (y_pred - y).pow(2).sum()print(loss.item())for epoch in range(100): index=np.arange(train_sample.shape[0]) np.random.shuffle(i

Linux adduser命令Linux adduser命令用于新增使用者帐号或更新预设的使用者资料。adduser 与 useradd 指令为同一指令（经由符号连结 symbolic link）。使用权限：系统管理员。adduser是增加使用者。相对的，也有删除使用者的指令，userdel。语法:userdel [login ID]语法adduser [-c comment] [-d home_dir] [-e expire_date] [-f inactive_time] [-g initi

论文链接：https://arxiv.org/pdf/2006.15437.pdf代码链接：https://github.com/acbull/GPT-GNN论文来源：KDD 2020参考文档：https://blog.csdn.net/c9yv2cf9i06k2a9e/article/details/1082313221、简介本文研究如何利用图生成作为自监督任务来预训练 GNN。我们将图的生成概率分解成两个模块：1）节点特征生成；2）图结构生成。通过对这两个模块建模，GPT-GNN 可以捕捉图.

论文链接：https://arxiv.org/abs/2002.02126代码链接：https://github.com/gusye1234/LightGCN-PyTorch论文来源：SIGIR 2020摘要图卷积网络(GCN)已经成为协同过滤的最新技术。然而，对于推荐的有效性的原因却没有很好地解释。现有的将GCN用于推荐的工作缺乏对GCN的深入消融分析，GCN最初是为图分类任务而设计的，并配备了许多神经网络操作。然而，我们实证发现，两种最常见的设计-特征转换和非线性激活-对协同过滤的性能贡献很小.

论文链接：http://keg.cs.tsinghua.edu.cn/jietang/publications/ACL20-Yu-Luo-et-al-MOOCCube.pdf数据链接：http://moocdata.cn/data/MOOCCube导读MOOCCube是一个服务于MOOC相关研究的开源大规模数据仓库。和已有类似的教育资源数据库相比它的规模庞大，数据丰富且多样。其中的学生行为记录包括学习时长、学习次数、学习视频的区间等非常完善的学生行为。包含近20万名学生的、总计将近500万人次的视频.

论文链接：https://arxiv.org/abs/2006.09963论文来源：KDD 2020摘要图表示学习已经成为解决现实问题的一种强大的技术。节点分类、相似度搜索、图分类和链接预测等各种下游图学习任务都受益于它的最新发展。然而，现有的图表示学习技术侧重于特定领域的问题，并为每个图训练专用的模型，这些模型通常不能转移到域外数据。受最近自然语言处理和计算机视觉的预训练进展的启发，我们设计了图对比编码(GCC)——一个无监督图表示学习框架——来捕获跨多个网络的通用网络拓扑属性。我们将GCC的预训.

论文链接：http://keg.cs.tsinghua.edu.cn/jietang/publications/Sigir20-Gong-et-al-MOOC-concept-recommendation.pdf摘要大规模的在线公开课程（MOOC）正在成为一种流行的教育方式，为学生掌握知识提供了大规模的开放式学习机会。为了吸引学生的兴趣，MOOC提供商使用推荐系统向学生推荐课程。但是，由于一门课程通常包含许多视频讲座，每个讲座都涵盖一些特定的知识概念，因此直接推荐课程会忽略学生对某些特定知识概念的兴趣.

论文链接：https://arxiv.org/pdf/2003.05753.pdf代码链接：https://github.com/xiangwang1223/kgpolicy摘要合理的处理缺失数据在推荐系统中是的一个根本挑战。 目前的大多数工作都是从未观察到的数据中进行负采样，以提供带有负信号的推荐模型训练 。 然而，现有的负采样策略，无论是静态的还是自适应的，都不足以产生高质量的负样本-这既有助于模型训练，也有助于反映用户真实的需求。在这项工作中，我们假设项目知识图(KG)，它提供了项目和KG实.

论文链接：https://arxiv.org/pdf/2007.04032.pdf代码链接：https://github.com/RUCAIBox/KGSF1、摘要会话推荐系统（CRS）旨在通过交互式对话向用户推荐高质量的项目。尽管已为CRS做出了一些努力，但仍有两个主要问题有待解决。首先，对话数据本身缺少足够的上下文信息，无法准确地了解用户的偏好。第二，自然语言表达与项目级用户偏好之间存在语义鸿沟。为了解决这些问题，我们结合了面向单词和面向实体的知识图谱（KG）以增强CRS中的数据表示，并采用互.

论文链接：https://www.ijcai.org/Proceedings/2019/0592.pdf代码链接：https://github.com/jennyzhang0215/STAR-GCN论文来源：IJCAI 2019摘要文章针对推荐系统提出了一种新的堆叠和重构图卷积网络(STAR-GCN)结构来学习节点的表征，提高推荐系统的效率，特别是在冷启动场景。STAR-GCN采用一堆GCN编码器/解码器与中间监督相结合，以提高最终预测性能。同图卷积矩阵分解模型用one-hot节点作为输入不同，S.

论文链接：https://arxiv.org/pdf/1803.03467.pdf代码链接：https://github.com/qibinc/RippleNet-PyTorch参考文档：https://zhuanlan.zhihu.com/p/73716930

参考文档：https://mp.weixin.qq.com/s/0DArJ4L9jXTQr0dWT-350Q在第三篇文章中，我们介绍了 pytorch 中的一些常见网络层。但是这些网络层都是在 CNN 中比较常见的一些层，关于深度学习，我们肯定最了解的两个知识点就是 CNN 和 RNN。那么如何实现一个 RNN 呢？这篇文章我们用 RNN 实现一个分类器和一个回归器。本文需要你最好对 RNN 相关的知识有一个初步的认识，然后我会尽可能的让你明白在 pytorch 中是如何去实现这一点的。1、pytor

参考文档：https://mp.weixin.qq.com/s/kmed_E4MaDwN-oIqDh8-tg上篇文章我们完成了一个 vgg 网络的实现，那么现在已经掌握了一些基础的网络结构的实现，距离一个入门炼丹师还有两个小问题需要注意一下：GPU 和保存模型。提起炼丹大家经常可以听到显卡如何如何的，也就是 GPU 在炼丹的过程中起到重要的作用。另一方面，训练了一个模型后，我们肯定要用它来进行一些预测，前面的代码中都是将训练好的模型直接进行预测，但是如果代码每次预测都要训练一次岂不是麻烦死了，所以将训练