- 博客(20)
- 收藏
- 关注
RSS订阅原创 【一文梳理】CUDA Toolkit版本，pytorch版本，硬件支持的最高CUDA Toolkit的关系
其中我们要选择的就是CUDA Toolkit的版本，这里我选择了11.8，高于我现在安装的CUDA Toolkit的版本11.2，所以这样是不可以的，我需要选择一个可以适配低于CUDA Toolkit 11.2的torch。在使用GPU进行深度学习的过程中，我们免不了与pytorch打交道，这时候就需要根据我们现有的硬件，选择版本合适的CUDA Toolkit，进而选择版本合适的pytorch。实际安装的CUDA Toolkit的版本要低于或者等于硬件支持的最高的CUDA Toolkit的版本。
2024-10-07 18:56:59
947
原创 GNU Make utility和 Makefile 的关系
简而言之，GNU Make 是一个构建工具，而 Makefile 是指导这个工具如何工作的脚本。两者密切相关，共同作用于项目的自动化构建过程。
2024-09-24 19:04:54
298
原创 CMakeLists.txt文件与MakeFile文件的区别与联系
CMakeLists.txt 文件是 CMake（跨平台构建系统）的项目配置文件。它告诉 CMake 如何生成构建系统（例如 Makefile、Visual Studio 项目文件等）。Makefile 是 Make 工具使用的文件，用于控制编译和链接程序的过程。
2024-09-24 17:16:00
467
原创 【算法基础，简单易懂】对边际收益与次模函数的理解
**"the marginal gain"（边际收益）** 是指在向一个集合 $S$ 中添加一个元素 $v$ 所带来的函数值 $f$ 的增加量。是添加元素 $v$ 前后函数值的差异。因此，边际收益就是添加元素 $v$ 前后函数值的差异。在描述中，函数 $f$ 被称为**次模函数（submodular function）**，如果它满足一种自然的"收益递减"性质：对于任何一个元素 $v$ 和任意两个满足 $S \subseteq T$ 的集合 $S$ 和 $T$，向较小的集合 $S$ 中添加元素 $
2024-08-12 22:45:46
681
原创 【集合基础】集合中2^V（幂集）的含义
在数学和计算机科学中，$2^V$ 表示集合 $V$ 的**幂集**。幂集是指 $V$ 的所有子集的集合，包括空集和 $V$ 本身。
2024-08-12 22:40:32
818
原创 【英文论文写作】“表示”一词的同义词或者同义词组
在英文论文写作中，“表示”一词可以用多种不同的词语来表达，来避免重复用词与提升文章可读性，以下是一些常见的替代词：RepresentDenoteSignifyRefer toStand for具体的例子如下，下面的句子是对有向图的一些描述：:另外，在英文论文写作中,表示“B伴随着A”的词组有：
2024-08-12 22:37:53
405
原创 【通俗易懂】集合与集合进行笛卡尔积的结果
集合与集合进行笛卡尔积的结果是一个新的集合，其中包含所有可能的有序对。对于两个集合 A 和 B，它们的笛卡尔积 A×B是由所有可能的有序对 (a,b) 组成的集合，其中 a 属于集合 A， b 属于集合 B。
2024-08-11 15:37:13
345
原创 【一学就会！】计算机科学中常说的dot-then-exponentiate是什么运算
dot-then-exponentiate” 是一种运算顺序，首先进行点积运算（dot product），然后对结果进行指数运算（exponentiation）。在数学和计算机科学中，尤其是机器学习和深度学习中，这种运算顺序经常出现。在某些情况下，softmax 函数也会使用类似的点积然后指数运算的步骤，将输入转化为概率分布。这种运算在神经网络的激活函数和概率模型中经常出现。例如，在逻辑回归模型中，线性组合。：对点积的结果进行指数运算，例如自然指数函数。本文还用softmax函数举例说明点积--指数运算
2024-08-11 15:30:44
420
原创 【通俗易懂】计算机术语中trivial和non-trivial是什么意思
计算机科学的术语中，non-trivial是“非平凡”，用来形容任何有意义的、非零的参数或者因子。trivial是“平凡的”，在计算机科学中，通常用来形容那些没有实际意义或非常容易实现的参数或者因子。
2024-08-11 15:27:03
557
原创 解释⊊的含义（包含于加下斜杠，直观上像不包含于）
比如A⊊B,即A是B的真子集，A中所有元素B中都有且A不可能是B本身。另外 ⫋ 也是真包含于的意思，现在普遍使用这个符号。比如A⊆B,即A是B的子集，A有可能是B本身。⊊ ：真包含于（阅读论文的时候有可能出现）
2024-08-05 15:57:52
1385
原创 【计算理论，全面整理】P问题、NP问题、Sharp-P（#P）问题、Sharp-P-complete（#P-complete）问题、NP-complete问题和NP-hard问题
首先P问题、NP问题、NP-complete问题和NP-hard问题属于一条基础线上的几个问题，应该一起讲述（第一部分）。Sharp-P（#P）问题常常与NP问题放到一起讨论，应该在第二部分讲述。本博客旨在总结计算机研究中可能遇到的几类问题，以便已经学习过计算理论的同学在回顾知识的时候查阅。如果未学过计算理论，本博客对您的帮助可能不大。如果总结有错误，欢迎指出。
2024-08-05 15:50:38
588
原创 英文论文中的英文缩写
w.r.t. 是with respect to的缩写。意思是关于……方面，谈到……，提及……。i.e.意思是即，也就是。e.g.意思是举个例子来说。s.t.是subject to 的缩写。意思是使得...满足...，受...约束。resp. 单独用意思是分别的；放在括号里意思是相应的。
2024-07-29 19:30:42
384
原创 集合中{}的上标和下标表示什么
花括号\{\}表示这是一个集合。集合中的元素是⟨VqFq⟩⟨V_q,F_q⟩⟨VqFq⟩，其中每个元素都是一个二元组（或叫做配对，pair）。VqV_qVq和FqF_qFq分别是与qqq相关的两个实体或对象，具体内容取决于问题的背景。通过上标和下标的使用，可以更加精确地描述集合的特性和元素的构成，尤其在数学和计算机科学中，使用这种方式可以更清晰地表达复杂的概念和结构。
2024-07-29 10:22:48
719
原创 自我网络（Ego-Networks）的定义 - 通俗易懂
自我网络（Ego-Networks）是指以一个特定节点（称为“自我”或“ego”）为中心的子图，包含与该节点直接相连的所有节点（称为“alter”）以及这些节点之间的所有连接。自我网络通常用于分析特定节点在网络中的局部结构和关系。假设有一个社交网络，其中节点代表用户，边代表用户之间的友谊关系。某个用户A的自我网络将包括用户A（自我节点）、与用户A直接相连的所有朋友（替代节点），以及这些朋友之间的所有友谊关系。通过研究自我网络，可以了解特定用户的直接社交圈，分析用户的社交行为和影响力等。
2024-07-29 00:17:18
568
原创 图论基础 - Self-loop 对于度计算的影响
节点4的度为3：一条正常边（度为1）+一条self-loop边（度为2）节点1的度为4：两条正常边（度为1）+一条self-loop边（度为2）
2024-07-28 16:21:15
119
原创 无向图与有向图的平均度求解
无向图：计算总度数（即边的两倍），再除以节点数。公式为dˉ2mndˉn2m。有向图：分别计算平均入度和平均出度，然后相加。总度数等于边的数量，入度和出度的平均值相同。公式为dˉ2mndˉn2m。虽然两个公式在形式上看起来相似，但它们的计算方法和概念上的理解是不同的。无向图的度数直接计为连接的边数，而有向图的度数分为入度和出度两个部分。
2024-07-28 15:32:46
440
原创 对于诱导子图的理解
在图论中，“由某个集合诱导的子网络”指的是由给定集合中的顶点及其在原图中的所有边构成的子图。这一概念有助于研究图中某些特定顶点及其相互关系，而不考虑图中其他部分的复杂性。
2024-07-24 19:46:54
185
原创 Revisiting Citation Prediction with Cluster-Aware Text-Enhanced Heterogeneous Graph Neural Networks
这个定理展示了在异质网络中，通过组合简单的函数，我们能够构建出一个强大的模型来近似复杂的oracle函数，从而实现对目标节点标签的准确预测。定理中提到的神经网络结构（深度和宽度）以及1-Wasserstein距离的近似进一步说明了这种近似的有效性。：这个组合函数可以被视为一个前馈神经网络的梯度函数。这表明前馈神经网络具有强大的表示能力，可以通过足够深和宽的网络结构来近似任何复杂的函数。这意味着我们可以通过这些简单函数的组合来近似复杂的oracle函数。，通过这些函数的组合，可以构建一个新的组合函数。
2024-07-23 15:33:44
515
原创 权重矩阵W(l) 在图神经网络（GNN）中的意义
权重矩阵 \( W^{(l)} \) 在每一层中执行线性变换，将输入特征 \( H^{(l)} \) 转换为新的特征表示 \( H^{(l+1)} \)。权重矩阵 \( W^{(l)} \) 在图神经网络中扮演着至关重要的角色，通过选择和变换节点特征，捕捉特征间的关系，并生成与任务相关的特征表示。- **节点分类**：在节点分类任务中，权重矩阵会学习到能够区分不同类别节点的特征。- **特征融合**：通过线性变换和激活函数，权重矩阵使得节点特征不仅仅是简单的邻居特征求和，而是通过复杂的融合产生新的表示。
2024-07-22 22:25:44
367
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