自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(29)
  • 收藏
  • 关注

原创 java 第14周

分割文件import java.io.*;public class abs { public static void main(String[] args) throws Exception { // Check usage if (args.length != 2) { System.out.println("Usage: java Exercise17_10 SourceFile numberOfPieces");

2021-06-07 09:32:02 122

原创 tensorflow 存模型——指定存几个模型

If you use your own tf.Session() for the training:In order to keep the intermediate checkpoints and not the last 5, you need to change 2 parameters in the tf.train.Saver():max_to_keep - indicates the maximum number of recent checkpoint files to keep. As

2021-06-05 12:32:32 159

原创 java 13周

public class Hello{ private double realPart; private double imaginPart; public Hello(double r,double i){ this.realPart = r; this.imaginPart = i; } public Hello(){ realPart = 0; imaginPart = 0; } publ.

2021-05-31 09:32:31 97

原创 java 第十二周

import java.text.SimpleDateFormat;import java.util.ArrayList;import java.util.Date;import java.util.Iterator;class Account{ private int id = 0; //账户名 private double balance = 0; //余额 static private double annualInterestRate = 0; ..

2021-05-17 09:24:00 74

原创 java 算法 第六周 类和对象

// **8.9class RegularPolygon { private int n = 3; private double side = 1; private double x = 0, y = 0; final static double PI = 3.1415926; // 默认无参构造方法 public RegularPolygon() {} // 指定边数和边长,中心在(0, 0)的构造方法 public RegularPoly

2021-04-26 08:54:04 96

原创 java第五周算法题

Luhn算法实现信用卡验证import java.util.Scanner;public class Hello{ public static void main(String[] args) { System.out.println("Please input your credit card number:"); Scanner input = new Scanner(System.in); int sumOdd

2021-04-12 09:12:28 42

原创 java 第四周

/** * Created by SiceLab on 2021/3/29. */import java.util.Scanner;public class SN { public static void main(String[] args) { Scanner sc = new Scanner(System.in); while (true) { System.out.println("Ente

2021-03-29 09:34:14 29

原创 allenNLP使用手册

安装1、下载GitHub文件git clone https://github.com/allenai/allennlp.git2、创建环境conda create -n allennlp python=3.63、激活环境,并下载依赖文件1)激活环境source activate allennlp2)进入下载GitHub下载的文件夹3)下载依赖文件pip install -r dev-requirements.txt4、测试allennlp运行allennlp train [-h]

2021-03-22 15:02:31 335

原创 研究生java实验课第三周

题目:You are playing the following Bulls and Cows game with your friend: You write down a number and ask your friend to guess what the number is. Each time your friend makes a guess, you provide a hint that indicates how many digits in said guess match your

2021-03-22 09:13:51 66

原创 RAHP 复现细节 用于电子商务问答领域判断答案是否正确

整体模型图1. emb使用字符级嵌入(CNN)和词嵌入(Glove)获得每个词的低维表示2. 双向LSTM编码 emb注意:每个word都保留LSTM每个中间结果的隐藏层 hi,并非只用最后的ht,如图中的黄色方块。(以下用c表示h)3. QA 交互,双向AttentionQ->A将question 的每一个词和answer的所有词做Attention:(公式的La是answer句子长度)sim是两向量的内积整合权重得到,question的每个词的向量表示。同理将

2021-03-10 12:05:15 216

原创 谷歌采样修正的双塔模型

贡献提出In-batch loss function 和 流数据频率估计方法。双塔网络算法原理利用双塔模型构架推荐系统,首先建立两个参数embedding函数,把query和候选item映射到k维向量空间,模型的输出为二者的embedding内积。模型结构如图所示:In-batch loss function推荐问题可以看作是,给定query X,从M个item中得到y的概率可以利用softmax函数计算:考虑反馈 ri, 加权对数似然损失函数为:当M非常大(样本总数很大)时,我们通常可

2021-03-02 19:55:27 447 1

原创 推荐好文

Emotion-based Movie Recommender Systemhttp://www.ptidej.net/courses/ift6251/fall06/article/Projet%20Ai%20-%20Ilusca%20-%20Yousra.doc.pdf情感检测,协同过滤,基于内容的过滤,推荐系统。在本文中,介绍了一个基于情感的电影推荐系统(E-MRS)正是为了解决这一问题。EMRS的目标是结合协同过滤和基于内容的技术,为用户提供适应性和个性化的建议。该建议是基于用户的情绪和偏好的推

2021-01-04 18:49:38 222

原创 迁移学习Transfer learning

旨在从一个任务上学到的特征能在新的,相似的任务上泛化。多用于少样本问题。步骤从先前训练过的模型中获取网络层固定这些网络层的参数,以免在以后的训练中被破坏在被fixed的网络的顶部添加一些新的可训练层在新的数据集上训练新的网路层(可选)以小的学习率在新的数据集上更新全量网路达到fine-tuning。在这一步前,一定要确保新的网络层在新数据上收敛。否则,大gradient会将底层预先训练好的网络破坏。还有一种方法是利用预先训练好的网络作为特征抽取,将输出作为新模型的输入。好处在于您只对新数

2020-11-17 15:34:54 106

原创 slide-4 Files Management

文件的定义:常规文件 Regular file : text etc可执行文件 Executable file : binary file , shell script设备文件 Device file : /dev/目录 Directories : file container and subdirectory文件属性

2020-09-23 20:47:24 99

原创 slide-03 File System

File System具体分为 file; directoryFile : data containerDirectory : files container重要的路径/opt/ install new application/usr/bin/ basic linux system command, file manipulation, all accessible/usr/sbin/ system administration commands. Use for root. /usr/lib

2020-09-23 20:40:14 98

原创 Linux-slide2

root$ 常规用户的shell提示符#root 用户的shell提示符,警示操作人员小心开车idid Display your user and group identifications举例$iduid=500(cll2020) gid=500(speech) groups=500(speech),501(image),502(research)‘gid’ 是首要组. 其他组在‘groups‘列出计算机识别的所有用户标识都存储在文件/etc/passwd中,而所有组标识存储在文件/et

2020-09-23 20:09:04 100

原创 GAN-abc

IntroA counterfeit-police game between two components: a generator G and a discriminator D最终目标是假币制造和真币还要真,警察分辨不出来用数学表达:GAN:本质是 min-max 的对抗模型最左边是生成器的输入(随机噪声),因为目前大部分的工作的G、D用的是神经网络,所以此图用神经网络模型代表。损失函数:前一项尽可能提高判别器对真实数据的判别;后一项尽可能降低判别器对生产数据的判别(因为又1-D,所

2020-07-13 15:35:33 165

原创 MeLU源码解读

github地址:https://github.com/hoyeoplee/MeLU综述以用户为单位封装support_set & query_set方便训练引入MAML的思想,将参数更新分为分任务更新和元更新。代码实现上应用OrderedDict()辅助分任务更新提出一种筛选新设备的商品推荐策略,item_score = popularity_value * discriminative_valuedata_generation.pydef item_converting ()

2020-06-09 15:12:30 1840 4

原创 metalearning源码之Sine-Wave-Regression

在Sine-Wave-Regression问题上复现了MAML & Reptilemeta learningK-shot learning这种方法与转移学习非常相似,在转移学习中,先在ImageNet上训练了一个网络后对该网络进行微调可以轻松地学习具有更少数据的另一个图像数据集。但二者区别在于,meta learning的训练目标是易于泛化,而迁移学习只是“偶然地”发生了作用,因此可能无法达到最佳效果。确实,找到一个其中转移学习未能学习良好初始化的方法相当容易。 为此,我们需要研究一维正弦

2020-06-08 11:13:48 467

原创 MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive Model Selection 走读

摘要推荐系统经常面对包含高度个性化的用户历史数据的异构数据集,在这些数据集中,没有哪个模型可以为每个用户提供最佳建议。我们在公共和私有数据集上都观察到了这种普遍存在的现象,并在追求优化每个用户的推荐质量的过程中解决了模型选择问题。我们提出了一个元学习框架,以促进推荐系统中对用户类型的自适应模型选择。在此框架中,将使用来自所有用户的数据来训练推荐系统集合,然后通过元学习对模型选择器进行训练,以使用用户特定的历史数据为每个用户选择最佳的单个模型。我们在两个公共数据集和一个真实世界的生产数据集上进行了广泛的实验

2020-06-05 23:25:42 651

原创 论文Meta-Learning for User Cold-Start Recommendation走读

摘要推荐系统中的最新研究强调了应对冷启动问题的重要性,即在推荐系统中建模新用户或新商品的重要性。元学习方法最近在机器学习中变得越来越流行,用于学习对各种任务有用的表示形式。受与模型无关的通用建模的元学习启发,我们设计了一个推荐框架,该推荐框架经过训练,足以满足广大用户的需求。在测试期间,为了适应特定用户,模型参数会通过一些步骤进行更新。我们对来自Movielens,Netflix和MyFitnessPal的三个不同的数据集上评估了我们的方法。通过详细的仿真研究,实验结果表明本文提出的框架比当下最先进的通用

2020-06-05 11:59:19 1560 1

原创 Learning to Recommend via Meta Parameter Partition 走读

将Reptile用于新闻推荐这一现实场景中。本文提出将模型参数分为用户不变参数(fixed)与用户自适应相关参数(adaption)解耦,线下训练不变参数,线上训练自适应相关参数。论文提出的方法不仅节省了存储和线上训练时间,而且可以在持续微调用户特定参数的同时处理灾难性遗忘。摘要在本文中,我们提出基于元学习方法解决推荐中的一个重要问题-用户冷启动。先前的元学习方法为每个新用户微调所有参数,这在计算和存储上都非常昂贵。相反,我们将模型参数分为固定部分和自适应部分,并开发了两阶段元学习算法来分别学习它们。捕

2020-06-05 11:34:18 407

原创 《MeLU:Meta-Learned User Preference Estimator for Cold-Start Recommendation 》论文走读

摘要本文提出了一种新的推荐系统,解决了基于少量样本物品来估计用户偏好的冷启动问题。为了确定用户在冷启动状态下的偏好,现有的推荐系统,如Netflix,最初向用户提供商品,我们称这些物品为候选商品。然后根据用户选择的物品提出建议。以往的推荐研究有两个局限性:(1)消费了少量商品的用户推荐不佳,(2)候选的商品过少或者不准备,不能够较好的反应用户的偏好。为了克服这两个限制,我们提出了一种基于元学习的推荐系统MeLU。在元学习中,MeLU可以通过几个样本快速适应新任务,通过几个消费商品来估计新用户的偏好。此外,

2020-06-04 12:16:49 2711

原创 博客Building powerful image classification models using very little data走读

链接:web博客论证在小数据集上利用CNN网络从头开始训练图像分类器,仍能达到良好的效果。结果在猫狗图像二分类任务上,仅用8%的数据达到80%的精度。数据集每类各1000个样本,来源于ImageNet。防止过拟合的操作利用翻转,旋转,放大,截取等手段增广数据模型参数量尽可能少,层少,过滤器少使用权重正则化,L1,L2Dropout注释,Dropout和数据增广都旨在破坏数据中发生的随机相关性从而有效避免过拟合。(不然模型学到这些随机相关性)模型验证因为我们仅使用了800个验证样

2020-06-03 23:21:59 86

原创 MAML论文走读

论文链接:https://arxiv.org/pdf/1703.03400.pdf摘要本文提出一种与模型无关的元学习算法,MAML可用于任何利用梯度下降训练的模型和运用到多种学习任务如分类、回归、强化学习。元学习的目标是在多种任务上训练模型,最终使得模型仅需少量样本就能在新任务上有好的表现。MAML使得模型参数在新任务的少量训练数据上经过几次梯度下降就能收敛。如此模型在新任务上表现出良好的泛化能力。实际上,MAML训练的模型容易完成微调(fine-tuning)。本文证明了MAML在两种少样本 few-

2020-06-02 18:16:18 1273 2

原创 collections & timestamp 库使用

collections去重import collectionsf = open("/Users/chenliangliang/Desktop/test/cvae/predict2_file10300.txt")lines = f.readlines()print([item for item, count in collections.Counter(lines).items() if count > 1])建词表import collectionscounter=collectio

2020-05-31 21:54:45 106

原创 jieba.cut 和jieba.posseg

jieba.possegimport jieba.posseg as psegwords = pseg.cut("在武汉市到苏州社保后可以补缴")# type(words) = <class 'generator'>>>> [w for w in words]>[pair('在', 'p'), pair('武汉市', 'ns'), pair('到', 'v'), pair('苏州', 'ns'), pair('社保', 'j'), pair('后', 'f'),

2020-05-31 20:44:31 8531

原创 回查BLEU函数异常

在本地前后两次运行bleu计算代码,生成结果一致。但是在服务器上两次运行结果不同。同一个代码,python2、python3不一样就算了,两次python3的结果也不一样。于是我展开一番调查。首先担心是jieba库两次分词结果不同打印pr计算阶段的jieba.lcut结果在命令行打印和linux diff命令 检查均未发现diff打印BLEU计算中间结果,pr & bpdef BLEU(candidate, references, ngram): bp = BP(cand

2020-05-29 11:52:28 121

原创 关于服务器python3 BLEU函数不对的调查

打死你复试阿福你说的你asfsad法萨法撒娇发售决定发迹史fas

2020-05-29 09:18:59 160

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

提示
确定要删除当前文章?
取消 删除