littlemichelle

两个特征在经过L2归一化之后的矩阵的内积=它们的余弦相似度余弦相似度与两个特征在经过L2归一化之后的矩阵内积等价_Might_Guy.的博客-CSDN博客_余弦相似度归一化ReferenceL2范数归一化概念和优势余弦距离比对对的几种写法 cos距离pytorch计算两个特征的余弦相似度https://blog.csdn.net/weixin_46474546/article/details/121121958L2范数归一化概念和优势 余弦距离比对对的几种写法 cos距离 pytorch计算

CTR平滑​​​​​​CTR问题的贝叶斯平滑转化率 - it610.com点击率贝叶斯平滑该用那部分数据进行计算？ - 知乎

协同过滤核心：人以群分、物以类聚。

无

论文中解释是：向量的点积结果会很大，将softmax函数push到梯度很小的区域，scaled会缓解这种现象。怎么理解将sotfmax函数push到梯度很小区域？还有为什么scaled是维度的根号，不是其他的数？答案：q，k向量点积后的结果数量级变大，经历过softmax函数的归一化之后，后续反向传播的过程中梯度会很小，造成梯度消失。进行scaled能够缓解这种情况。Multi-head Attention为什么要做scaled - 卷王李狗蛋的文章 - 知乎目录为什么会梯度消失的原因？

无

Faiss提供了针对不同场景下应用对Index的封装类，这里我们针对Index基类进行说明。我所关心的pointsIndexIVFPQ、IndexIVFFlat 支持Gpu； IndexFlatIP（内积距离） 支持Gpu； CPU支持并发搜索（batch search），GPU不支持、Fiass - 常见问题总结 - 一小撮人的文章 - 知乎 https://zhuanlan.zhihu.com/p/107241260index选择考虑因素：候选向量的数量级、index所占.

【深度学习】Batch Normalization_littlemichelle-CSDN博客与BN的原理一致，只是归一化的对象不同。目录NormalizationBatch NormalizationBatch Normalization的优势、劣势Layer NormalizationCNN为什么要用BN， RNN为何要用layer Norm？ - 子不语的回答 - 知乎Normalization不管是Batch Normalization还是Layer Norm

一、理论回顾前期理论铺垫：【机器学习】GBDT梯度提升树_littlemichelle-CSDN博客二、回归vs. 分类问题GBDT用回归树来处理分类问题例子GBDT用于分类问题 - 1直在路上1 - 博客园机器学习算法GBDT的面试要点总结-上篇 - ModifyBlog - 博客园三、QAQ1、GBDT分类问题中还有残差的概念吗？A1、GBDT处理回归or分类问题都使用CART回归树，CART回归树的loss是平方差损失函数；所以GBDT不论处...

参考代码：力扣算法学习笔记(5)：匈牙利算法 - Pecco的文章 - 知乎二分图匹配之匈牙利算法（超级详细，看完不懂都难）二分图最大匹配：匈牙利算法的python实现 - JamesPei - 博客园KM算法 · Issue #34 · nhjcacmt/acm · GitHub...

BERT是一个多任务模型，它的任务是由两个自监督任务组成，即MLM和NSP。紫色是没找到答案的，黄色是重点关注的。BERT0、为什么要随机Mask？在BERT的实验中，15%的WordPiece Token会被随机Mask掉。在训练模型时，一个句子会被多次喂到模型中用于参数学习，但是Google并没有在每次都mask掉这些单词，而是在确定要Mask掉的单词之后，80%的时候会直接替换为[Mask]，10%的时候将其替换为其它任意单词，10%的时候会保留原始Token。80%：my d

持续更新，直到写出每个环节的关系。【spark广播】一、使用广播变量的好处1、Driver每次分发任务的时候会把task和计算逻辑的变量发送给Executor。不使用广播变量，在每个Executor中有多少个task就有多少个Driver端变量副本。这样会导致消耗大量的内存导致严重的后果。2、使用广播变量的好处，不需要每个task带上一份变量副本，而是变成每个节点的executor才一份副本。这样的话， 就可以让变量产生的副本大大减少；二、广播变量的原理广播变量，初始的时候，就在Dr

spark dataframe与pandas dataframe

今天又学了一招，pandas将str类型的类别特征，转为one-hot。注意一定要是str类型，int类型报错。pandas.get_dummies 的用法_数据分析-CSDN博客get_dummies 是利用pandas实现one hot encode的方式。详细参数请查看官方文档官方文档在这里pandas.get_dummies(data, prefix=None, prefix_sep='_', dummy_na=False, columns=None, sparse=Fals

说明此时需要float型数据，但识别到long型数据,此时需要对入参和出参做一下类型转换output=output.to(torch.float32)target=target.to(torch.float32)举例output =net(input)target = variable(t.arange(0,10))#the pointoutput=output.to(torch.float32)target=target.to(torch.float32)criterion

1、GC首先确定是map阶段gc，还是reduce阶段gc。reduce阶段gc，则set mapreduce.reduce.cpu.vcores=当前值*2;set mapreduce.reduce.memory.mb=当前值*2;set mapreduce.reduce.java.opts=当前值*2;map阶段gc，则mapreduce.map.cpu.vcores=当前值*2；mapreduce.map.memory.mb=当前值*2；mapreduce.map.ja

一、排列问题46.全排列（middle）给定一个不含重复数字的数组nums，返回其所有可能的全排列。你可以按任意顺序返回答案输入：nums = [1,2,3]输出：[[1,2,3],[1,3,2],[2,1,3],[2,3,1],[3,1,2],[3,2,1]]https://leetcode-cn.com/problems/permutations/solution/dai-ma-sui-xiang-lu-dai-ni-xue-tou-hui-s-mfrp/这里和...

121. 买卖股票的最佳时机（easy）122. 买卖股票的最佳时机 II（easy）309.最佳买卖股票时机含冷冻期（middle）714.买卖股票的最佳时机含手续费（middle）901.股票价格跨度（middle）fucking-algorithm/动态规划系列/团灭股票问题.mdleetcode 买卖股票合集 - 木吉子的文章 - 知乎leetcode股票买卖题目汇总...

目录一、表二、列三、分区一、表1、重命名表重命名表的语句如下：ALTER TABLE table_name RENAME TO new_table_name2、修改表属性：ALTER TABLE table_name SET TBLPROPERTIES (property_name = property_value, property_name = property_value,... )3、修改表注释ALTER TABLE table_name SET TBL

python的 and 操作如果最后结果为真，返回最后一个表达式的值，or 操作如果结果为真，返回第一个结果为真的表达式的值。剑指offer 面试题64. 求 1 + 2 + … + n（逻辑符短路，清晰图解）class Solution: def sumNums(self, n: int) -> int: return n and (n + self.sumNums(n-1))...