weixin_44012667的博客

原创 jsonString = json.dumps(partition_dict, indent=4)

这个字符串是 JSON 格式，并且各层级按照缩进格式化。转换为格式化后的 JSON 字符串，并存储在变量。这段代码的作用是将一个 Python 字典对象。

原创 训练集（train)、验证集（validation）和测试集（test）

训练集（train)、验证集（validation）和测试集（test）

原创 计算机视觉领域（CV）论文中“圈加”、“圈乘”和“点乘”的解释以及代码示例（⊕、⊙、⊗、广播、广播机制、element-wise、矩阵、乘法、矩阵乘法、向量）

计算机视觉领域（CV）论文中“圈加”、“圈乘”和“点乘”的解释以及代码示例（⊕、⊙、⊗、广播、广播机制、element-wise、矩阵、乘法、矩阵乘法、向量）_圈×-CSDN博客。

原创 5G三大应用场景: eMBB、uRLLC和mMTC

5G三大应用场景: eMBB、uRLLC和mMTC_三大应用场景典型应用-CSDN博客。

原创 Windows常用快捷键（效率、组合键、文字编辑、文件、Home、End、Delete）

Windows常用快捷键（效率、组合键、文字编辑、文件、Home、End、Delete）_windows快捷键-CSDN博客。

原创 高平均交并比 (MIoU) | a high mean intersection over union (MIoU) score

因此，MIoU 越高，模型的分割性能越好。简而言之，高 MIoU 分数表示模型在图像分割任务中表现优异，准确地识别并分割出图像中的不同类别区域。在图像分割中，模型的任务是将图像中的每个像素分类到一个特定的类别，比如分割出图像中的道路、汽车、行人等对象。平均交并比 (MIoU) | mean intersection over union (MIoU) score是一种常用的图像分割评估指标，用来衡量模型在图像分割任务中的性能。IoU=(分割出的区域∩真实区域)/(分割出的区域∪真实区域)

原创 吞吐量 评估指标

吞吐量（Throughput）是指在特定时间内系统、网络或设备可以处理的工作量。吞吐量的单位可以是每秒处理的数据量（如比特/秒、字节/秒）、每秒钟处理的事务数量、或每单位时间内完成的任务数量。在优化系统性能时，提升吞吐量常常是一个重要目标，因为它直接关系到系统的处理能力和效率。：在网络环境中，吞吐量通常指网络在单位时间内成功传输的数据量。：在计算系统或数据库中，吞吐量指系统在一定时间内能够完成的任务或处理的请求数量。：在制造业或生产过程中，吞吐量指生产线在一定时间内可以完成的产品数量。

原创 95-percentile prediction errors 和 average prediction errors

和是两种不同的误差度量方式，分别用于描述模型预测误差的分布特征。

原创 CDF图 累积分布函数

CDF 累积分布函数(cumulative distribution function)_cdf图-CSDN博客。累积分布函数 - 维基百科，自由的百科全书 (wikipedia.org)

原创 WN18RR、FB15k-237 和 Cross3domain 数据集

主要针对可逆关系问题，提供更具挑战性的任务以提高模型的泛化能力。强调跨域的知识图谱嵌入，测试模型的跨域学习能力和知识迁移能力。

原创 NIPS改名NeurIPS，出于平等公正的价值观考虑

虽然 “NIPS” 的使用在学术领域是中性的，但在某些特定的社会和文化语境中，它确实可能被解读为对女性不尊重或具有性别歧视的含义。因此，了解并避免使用可能产生误解的缩写或术语是重要的。“NIPS” 原本是**神经信息处理系统会议（Neural Information Processing Systems Conference）**的缩写，该会议是机器学习和人工智能领域的一个顶级学术会议。虽然“NeurIPS”的新名称依旧保留了 “NIPS” 的发音，但更换缩写的行动旨在减少歧视性解读的可能性。

原创 跨域（迁移学习）的形式化定义

原创 “Counterfactual Invariance” 反事实不变性

变量不变性（Variable Invariance）：某些关键变量的值在不同输入下保持不变。因果关系不变性（Causal Relationship Invariance）：因果关系的结构在不同输入下保持不变。决策不变性（Decision Invariance）：决策过程在不同输入下保持不变。

原创 拓扑斯理论（Topos Theory）

（Topos Theory）是数学逻辑的一个分支，起源于对集合论和拓扑学概念的概括和推广。它由亚历山大·格罗滕迪克（Alexander Grothendieck）在20世纪60年代引入，后来由其他数学家如威廉·劳维尔（William Lawvere）和迈尔斯·提尔尼（Myles Tierney）进一步发展。拓扑斯理论的核心思想是提供一个统一的框架，将许多数学结构和概念纳入其中。拓扑斯理论是一个强大且灵活的数学工具，它将不同领域的概念统一在一个抽象的框架中，为解决复杂的数学问题提供了新的视角和方法。

原创 TokenEmbedding、PositionalEmbedding、TemporalEmbedding

将离散标记（如单词、子词）映射为连续向量，常用于 NLP 模型。：将序列中的位置信息编码为向量，常用于 Transformer 模型中。：将时间特征（如小时、天、星期等）嵌入为向量，主要用于时间序列分析和预测。这些嵌入层通过将离散输入转换为连续表示，帮助模型捕捉输入数据的语义、位置和时间相关的模式。

原创 self.register_buffer(‘pe‘, pe)

这段代码是 PyTorch 中用于注册持久缓冲区（buffer）的一个方法。具体地，将张量pe作为模型的一部分进行注册，但它不会被视为模型的可学习参数。

原创 self.tokenConv = nn.Conv1d(in_channels=c_in, out_channels=d_model, kernel_size=3, padding=padding, p

这段代码定义了一个一维卷积层（nn.Conv1d），在 PyTorch 中常用于处理序列数据，例如时间序列、文本或音频信号。

原创 AttributeError: ‘NoneType‘ object has no attribute ‘f_lineno‘

报错]深析AttributeError: ‘NoneType‘ object has no attribute ‘xxx‘（持更）_nonetype object has no attribute-CSDN博客。

原创 深度学习若干小问题

这种拼接通常用于模型的自回归生成任务，尤其是在序列到序列（Seq2Seq）任务中。）结合在一起，为模型的下一步预测提供输入。这可以帮助模型在生成序列时更好地利用已知的信息。分支中，模型的输出可能包含多个部分，例如主输出和注意力权重。时，模型可能返回两个部分（如预测和注意力权重），因此需要。中的最后一个维度（特征维度）将用于选择所有特征的最后部分。，模型只返回一个输出，即主预测输出。的前一部分）与当前模型生成的预测结果（用于选择第一个部分，通常是主预测输出。这意味着从特征维度的开头选择数据。

原创 for i, (batch_x, batch_y, batch_x_mark, batch_y_mark) in enumerate(train_loader)

这段代码是一个典型的 PyTorch 训练循环的一部分，用于从中迭代地获取训练批次（batch）。具体来说，是一个数据加载器，通常是 PyTorch 中的DataLoader对象，用于将数据分成多个批次并在训练过程中逐批提供给模型。

原创 train_loader enumerate迭代示例

这段代码用于训练深度学习模型，它使用PyTorch框架，通过迭代训练数据的批次来优化模型的参数。代码结构包含了标准的训练循环，并处理了使用混合精度训练的情况（

原创 train_loss.append(loss.item())

是 PyTorch 中用于记录训练过程中每个批次的损失值的代码片段。train_loss是一个，用于存储多个损失值，而不是一个单独的数值。

原创 深度学习模型f_dim参数

f_dim通常在深度学习模型中用作特征维度（feature dimension）的参数，它指定了输入数据或模型中某一层的特征向量的维度。

原创 args.output_attention

是一个在某些深度学习模型（尤其是那些基于注意力机制的模型，如 Transformer 或一些时序预测模型）中可能存在的参数。它控制模型在前向传播时是否输出注意力权重或注意力矩阵。

原创 args.use_amp

是一个在深度学习训练中常用的参数，特别是在使用 PyTorch 或其他支持混合精度训练（Automatic Mixed Precision, AMP）框架的情况下。use_amp通常是一个布尔值参数，用于指示是否在训练过程中启用混合精度。

原创 sklearn.metrics中的评估指标

提供了多种评估指标，用于衡量分类、回归、聚类、排序等任务的模型性能。

原创 optim.Adam()

torch.optim优化算法理解之optim.Adam()-CSDN博客PyTorch优化算法：torch.optim.Adam 的参数详解和应用-CSDN博客optim.Adam是 PyTorch 中一种非常流行的优化器，它是 Adam（Adaptive Moment Estimation）优化算法的实现。Adam 优化器结合了动量优化和 RMSProp 的优点，以提高训练深度学习模型的效率和效果。optim.Adam。

原创 args.patience

早停的基本思想是：在训练过程中，如果模型在验证集上的表现没有显著改进，则停止训练，以防止模型在训练集上过拟合。定义: 是早停机制中的一个参数，用于指定在验证集上的性能没有提升的情况下，最多允许多少个训练周期（epochs）不改进后才停止训练。作用: 它控制了模型在验证集上的性能没有提升的宽限期。即使模型的性能在某些周期中没有改进，只要不超过指定的周期数，训练过程将继续进行。参数:假设在训练过程中， 设置为 5，这意味着如果验证集上的性能在 5 个连续的周期中没有提高，则训练将被停止。这样做是为了避免无谓的

原创 args.task_name, args.model_id, args.model, args.data, args.features, args.seq_len, args.label_len,

这些参数通常用于配置机器学习或深度学习模型的训练任务。它们可以用来定义模型的结构、训练数据的特征以及其他超参数。

原创 pd.to_datetime(df_stamp[‘date‘].values)

会包含与时间戳相关的一组特征，可能是一个 NumPy 数组或 Pandas DataFrame。作用是从时间戳或日期中提取时间特征。作用是将日期字符串转换为。

原创 self.timeenc =1

是代码中一个变量赋值的操作。在时间序列预测任务或涉及时间编码的模型中，变量可能与时间特征的编码方式有关。

原创 scaler.fit()，scaler.transform()，StandardScaler

StandardScaler — scikit-learn 1.5.1 documentation --- StandardScaler — scikit-learn 1.5.1 文档。【机器学习】详细解析Sklearn中的StandardScaler---原理、应用、源码与注意事项-CSDN博客。Sklearn之数据预处理——StandardScaler_standard scaler-CSDN博客。

原创 border1s = [0, num_train - self.seq_len, len(df_raw) - num_test - self.seq_len] border2s = [num

数据集通常会被分成训练集、验证集和测试集。num_train: 训练集的数据点数量，即模型在训练时使用的时间步数。df_raw: 原始数据集，通常是一个包含时间序列数据的 DataFrame 或类似的结构。num_test: 测试集的数据点数量，即模型在测试时使用的时间步数。: 输入序列的长度，即模型每次预测时需要参考的过去时间步数。

原创 torch.utils.data.Dataset 介绍与实战

【PyTorch】torch.utils.data.Dataset 介绍与实战-CSDN博客。

原创 Pytorch构建数据集——torch.utils.data.Dataset()和torch.utils.data.DataLoader()

Pytorch构建数据集——torch.utils.data.Dataset()和torch.utils.data.DataLoader()-CSDN博客。

原创 基于实例讲解PyTorch中的transforms类

【单点知识】基于实例讲解PyTorch中的transforms类_pytorch 透视变换-CSDN博客。

原创 基于实例讲解PyTorch中的ImageFolder类

【单点知识】基于实例讲解PyTorch中的ImageFolder类_pytorch imagefolder-CSDN博客。

原创 pytorch DataLoader（数据迭代器）参数解析与用法合集

PyTorch入门必学：DataLoader（数据迭代器）参数解析与用法合集_python dataloader-CSDN博客。

原创 python使代码运行到某一行暂时停止的多种方法

通过上述方法，我们可以根据需要在 Python 代码中设置暂停点，以便进行调试或等待用户输入。时，它会暂停并进入交互式调试模式，允许我们检查变量和执行其他调试操作。pdb.set_trace() # 只有在条件满足时设置断点。在调试复杂代码时，可能希望在满足特定条件时暂停执行。pdb.set_trace() # 设置断点。time.sleep(5) # 暂停5秒。可以使用 Python 的内置调试器。函数是设置断点的推荐方法，它是。希望代码暂停一段时间，可以使用。最简单的方法之一是使用。

原创 docker容器 apt-get update 失败、容器连接外部网络失败、ps -a 容器突然全部消失

docker容器 apt-get update 失败。