weixin_44039930的博客

原创 python 参数**和*用法

无

原创 关于scp上传文件到远程服务器失败问题的解决

无

原创 【python】详解threading模块：Event类的使用

python 线程 event

原创 a,b,c,d=map(np.stack,zip(*f))

Map np.stack zip

原创 查看环境显卡占有情况并清除相应占有

转载 pytorch - item()函数

https://blog.csdn.net/weixin_43560675/article/details/108413229

原创 【图神经网络】GNN从入门到精通

https://www.bilibili.com/video/BV1K5411H7EQ?from=search&seid=2296849687435810499&spm_id_from=333.337.0.0

原创 Linux关机 重启命令

Linux 立即关机：poweroffLinux立即重启：shutdown -r now

转载 conda 虚拟环境命令

https://blog.csdn.net/u010821666/article/details/82351042

原创 Ubuntu做Linux内网穿透 pycharm外网提交代码到内网Linux服务器

放假了，在家写代码跑实验。Linux服务器部署在学校，服务器使用的网络为校园内网，家里用的是公网，现演示如何利用花生壳内网穿透软件将代码提交到学校内网Linux服务器进行调试代码。Step 1使用命令下载花生壳软件网址：https://hsk.oray.com/downloadStep 2安装，根据不同位数的系统输入下面的命令进行安装，安装完成会自动生成SN码与登录密码。运行命令：dpkg -i phddns_5.2.0_amd64.debStep 3浏览器访问：http://b.o

原创 Rdkit安装

https://github.com/rdkit/rdkit/blob/master/Docs/Book/Install.md

原创 解决apt-get install E: 无法定位软件包问题

https://blog.csdn.net/beizhengren/article/details/77678603https://blog.csdn.net/gezongbo/article/details/121056781https://tieba.baidu.com/p/4856244750

转载 pip install第三方包 下载失败解决

https://blog.csdn.net/qq_37344125/article/details/102649897

转载 泛化能力的概念generalization ability

https://blog.csdn.net/snow19940204/article/details/88899926

原创 AUC（ROC曲线下方的面积大小）

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。...

转载 回归问题与分类问题的区别与联系

https://book.51cto.com/art/201712/560906.htm

转载 多层感知机(MLP)

http://www.360doc.com/content/15/0414/14/12067640_463128216.shtml

转载 图嵌入（Graph embedding）

https://blog.csdn.net/qq_34197944/article/details/104952171

转载 深度学习_知乎

https://www.zhihu.com/column/c_135985394

转载 深度学习中Attention Mechanism详细介绍：原理、分类及应用

https://blog.csdn.net/u010417185/article/details/83090766

转载 Self-supervised Learning

https://zhuanlan.zhihu.com/p/381354026#:~:text=Self-Supervised%20Learning%20%EF%BC%8C%E5%8F%88%E7%A7%B0%E4%B8%BA%E8%87%AA%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0%EF%BC%8C%E6%88%91%E4%BB%AC%E7%9F%A5%E9%81%93%E4%B8%80%E8%88%AC%20%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9

转载 监督学习、无监督学习

这个问题可以回答得很简单：是否有监督（supervised），就看输入数据是否有标签（label）。输入数据有标签，则为有监督学习，没标签则为无监督学习。首先看什么是学习（learning）？一个成语就可概括：举一反三。此处以高考为例，高考的题目在上考场前我们未必做过，但在高中三年我们做过很多很多题目，懂解题方法，因此考场上面对陌生问题也可以算出答案。机器学习的思路也类似：我们能不能利用一些训练数据（已经做过的题），使机器能够利用它们（解题方法）分析未知数据（高考的题目）？最简单也最普遍的一类机器学习算

转载 迁移学习、负转移

要理解负迁移，首先要理解什么是迁移学习。迁移学习指的是，利用数据和领域之间存在的相似性关系，把之前学习到的知识，应用于新的未知领域。迁移学习的核心问题是，找到两个领域的相似性。找到了这个相似性，就可以合理地利用，从而很好地完成迁移学习人物。比如，之前会骑自行车，要学习骑摩托车，这种相似性指的就是自行车和摩托车之间的相似性以及骑车体验的相似性。这种相似性在我们人类看来是可以接受的。所以，如果这个相似性找的不合理，也就是说，两个领域之间不存在，或者基本不相似，那么，就会大大损害迁移学习的效果。还是拿骑自行车来

原创 机器学习之下游任务

下游任务是该领域称为那些利用预训练模型或组件的监督学习任务

原创 机器学习之supervised learning

监督学习标题监督学习是指：利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象（通常为矢量）和一个期望的输出值（也称为监督信号）组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。一个最佳的方案将允许该算法来正确地决定那些看不见的实例的类标签。这就要求学习算法是在一种“合理”的方式从一种从训练数据到看不见的情况

转载 Attention注意力机制与self-attention自注意力机制

Attention注意力机制与self-attention自注意力机制https://zhuanlan.zhihu.com/p/265108616

转载 池化层、线性层、激活函数层

https://yey.world/2020/12/16/Pytorch-13/

原创 Softmax函数

Softmax函数Softmax函数，或称归一化指数函数，是逻辑函数的一种推广。它能将一个含任意实数的K维向量 z“压缩”到另一个K维实向量**σ(z)**中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1。...

原创 机器学习之监督学习、数据标签

监督学习监督学习是指：利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象（通常为矢量）和一个期望的输出值（也称为监督信号）组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。一个最佳的方案将允许该算法来正确地决定那些看不见的实例的类标签。这就要求学习算法是在一种“合理”的方式从一种从训练数据到看不见的情况下形

原创 预训练模型、迁移学习

预训练模型把迁移学习很好地用起来了，让我们感到眼前一亮。这和小孩子读书一样，一开始语文、数学、化学都学，读书、网上游戏等，在脑子里积攒了很多。当他学习计算机时，实际上把他以前学到的所有知识都带进去了。如果他以前没上过中学，没上过小学，突然学计算机就不懂这里有什么道理。这和我们预训练模型一样，预训练模型就意味着把人类的语言知识，先学了一个东西，然后再代入到某个具体任务，就顺手了，就是这么一个简单的道理。为什么要做预训练模型自然语言处理（NLP），目的是使得计算机具备人类的听、说、读、写、译、问、答、搜索、

原创 深度学习之全连接层

全连接层的每一个结点都与上一层的所有结点相连，用来把前边提 取到的特征综合起来。由于其全相连的特性，一般全连接层的参数 也是最多的。下面图1用一个简单的网络具体介绍一下推导过程：其中，x1、x2、x3为全连接层的输入，a1、a2、a3为输出，...

转载 【图神经网络】GNN从入门到精通

【图神经网络】GNN从入门到精通

转载 torch.stack()的使用

torch.stack()的使用

原创 torch.nn.Linear

torch.nn.Lineartorch.nn.Linear 类用于定义模型的线性层，即完成前面提到的不同的层之间的线性变换。torch.nn.Linear 类接收的参数有三个，分别是输入特征数、输出特征数和是否使用偏置，设置是否使用偏置的参数是一个布尔值，默认为 True ，即使用偏置。在实际使用的过程中，我们只需将输入的特征数和输出的特征数传递给 torch.nn.Linear 类，就会自动生成对应维度的权重参数和偏置，对于生成的权重参数和偏置，我们的模型默认使用了一种比之前的简单随机方式更好的参

原创 Batch 详解

mini-batch我们已知在梯度下降中需要对所有样本进行处理过后然后走一步，那么如果我们的样本规模的特别大的话效率就会比较低。假如有500万，甚至5000万个样本(在我们的业务场景中，一般有几千万行，有些大数据有10亿行)的话走一轮迭代就会非常的耗时。这个时候的梯度下降叫做full batch。 所以为了提高效率，我们可以把样本分成等量的子集。 例如我们把100万样本分成1000份， 每份1000个样本， 这些子集就称为mini batch。然后我们分别用一个for循环遍历这1000个子集。 针对每一个

原创 “++”在不同位置测试用例

不同位置