- 博客(38)
- 收藏
- 关注
RSS订阅
原创 卷积神经网络 convolution neural network
1.数学卷积：滑动窗口2.图像具有局部相关性和平移不变性，有许多冗余的特征点，如果用全连接的神经网络会很浪费时间。3.卷积nn：减少参数，滑动提取特征，特征作为下层卷积的输入，然后放到全连接层进行分类，再反向传播更新卷积核参数。但需要大量数据，可解释性不强。4.卷积核 ：一个卷积层上有多个卷积核，每个卷积核的权重参数不同，因此每个卷积核能提取一个特征，即生成不同的结果（对应元素相乘再求和）。每个卷积核能覆盖到一样大小的输入数据，通过滑动进而遍历整个输入数据。
2024-06-10 15:21:16
340
1
原创 JavaWeb期末知识点复习
其他：在接受name参数页面-->stirng a = new string(request.getp("name").getBytes("ISO-8859-1"),"UTF-8")request：跳转后保存，地址栏不能变--服务器跳转-------------------------forward不变，redirect变。id="a" class=""> //创建一个class的对象a。DOM：文件对象----document---一个页面就是一个文件，每个标签是元素，
2024-06-10 15:19:53
891
4
原创 Uniapp学习笔记
当点击 表单中 formType 为 submit 的 组件时，会将表单组件中的 value 值进行提交，需要在表单组件中加上 name 来作为 key。表单，将组件内的用户输入的 提交。box-sizing：定义如何计算一个元素的总宽度和总高度，主要设置是否需要加上内边距(padding)和边框等。1.子组件中与data同级，props数组中写标签中要绑定的值。
2024-05-12 11:05:00
1205
原创 Vue学习笔记
1.将复杂的 {{ }}中的表达式写到 computed对象中，作为计算属性，computed对象和data，methods平齐。遍历对象：v-for="(value, name,index) in obj". value对应值，name对应键。//这样可以改变ui。如：<div v-bind:id = "" v-bind:class = ""></div>5.json变量："name" : values(数组，对象，字符串，数字)。简写为：<div :id = "" :class = "">,加冒号。
2024-05-12 11:02:29
1271
1
原创 可信推荐系统论文分享-1
《Debiasing Recommendation by Learning Identifiable Latent Confounders》
2024-07-22 21:59:09
155
原创 GCN知识总结
第二，GCN在训练时需要知道整个图的结构信息(包括待预测的节点), 这在现实某些任务中也不能实现(比如用今天训练的图模型预测明天的数据，那么明天的节点是拿不到的)。r_inv[np.isinf(r_inv)] = 0.#由于原本为0的数求倒数后可能会产生极大值，这里设置极大值为0。adj = normalize(adj + sp.eye(adj.shape[0])) #对应论文中公式，加上了I矩阵。r_inv = np.power(rowsum, -1).flatten() ##求和的倒数。
2024-07-22 21:57:38
486
原创 git命令学习分享
git所在的目录是工作区，将修改的代码 git add 添加到暂存区，再通过git commit 提交到被本地仓库。在a分支上执行 git rebase b，就是把自己分支多长出来的一截，摘下来接到b分支上面，构成一条直线。git commit -m "提交信息，解释你提交的啥"：将暂存区的文件全部提交到仓库。查看3个区之间的差异，查看不同版本之间的差异，查看不同分支之间的差异。正常将文件放到回收站只是将工作区的文件删除了，而暂存区的还在。分支之间是独立的，自己开发自己的，然后再整合到main。
2024-07-21 23:34:29
428
原创 GNN学习笔记
我们将在 GNN 层中构建更精细的消息传递变体，从而产生具有更高表现力和功率的 GNN 模型。GNN的研究前沿在于“如何构建图”，为图注入额外的结构或关系。添加更多的消息传递的属性。类比体会感受野和特征学习的过程，gnn比较随意 但也是针对某点的邻居进行学习。通过池化，聚集各部分特征（sum，mean，avg），信息传递？1.对于每个结点，收集所有邻接点的embedding。2.图的整体，节点，边都能代表一个分类/回归问题。最后对图结果的处理比较多样，比较自由。消息传递的属性越多，模型性能越好。
2024-07-18 23:01:48
275
原创 生成式AI的未来：对话系统还是自主代理？
在科技飞速发展的今天，生成式AI技术的进步无疑是最引人瞩目的话题之一。但是，随着这项技术的快速发展，一个核心问题逐渐浮现在我们的讨论中：生成式AI的未来究竟是在对话系统（Chat）中展现智慧，还是在自主代理（Agent）中体现能力？在生成式AI的加持下，这些代理不仅能够执行预设的任务，还能够根据环境的变化做出新的决策，甚至在遇到未知情况时也能够找到合理的解决方案。因此，当我们站在这个技术变革的十字路口时，让我们以喜悦和友好的心态面对未来的无限可能，共同期待生成式AI为我们带来的美好未来。
2024-07-18 01:17:11
299
原创 python文件
eg. f = open("python.txt", 'r', encoding="UTF-8") , f是文件对象，拥有属性和方法。mode是访问模式：r（只读），w（如果文件已存在则覆盖写入，不存在则新建文件），a（文件已存在则追加写入，不存在则新建）1.文件对象.read(num) 表示从文件中读取的数据长度，没有传num默认读取全部。2.文件对象.readlines() 所有内容按行读取，返回列表。f.flush() 刷新写入。4.关闭 f.close()操作完成后自动关闭文件。
2024-07-12 20:16:31
241
原创 python类 学习笔记
是类对象拥有的方法，用@classmethod修饰。可以用对象和类调用。静态方法：存放逻辑类的代码，只是名义上写在类里面，但是和类本身没有关系。def method(self) : //类内的方法第一个参数必须是self。对象.属性 = ... //可以直接在类外赋值，就自动在类内定义了。实例属性在init中定义，如果init没有初始化属性，那实例属性就和类属性一样。多继承：继承多个父类，如果多个父类中有重名的方法，就调用先继承的父类方法。重写：子类和父类重名的方法/属性，会覆盖父类的。
2024-07-12 20:15:55
243
原创 transformer
相比于RNN和CNN等序列模型，它更容易在GPU和TPU等硬件上进行高效的训练和推理。是对于相同的维度进行归一化，但是咱们NLP中输入的都是词向量，一个300维的词向量，单独去分析它的每一维是没有意义地，在每一维上进行归一化也是适合地，因此。3.Softmax得到output的概率分布（softmax层会把向量变成概率），然后通过词典，输出概率最大的对应的单词作为我们的预测输出。是在同一个样本中不同神经元之间进行归一化，而BN是在同一个batch中不同样本之间的同一位置的神经元之间进行归一化。
2024-07-08 22:58:03
869
原创 自编码器笔记
首先、假设输入数据是符合正态分布的（大部分正常的数据都集中在99.7%中），即不同的数据都能提取出不同的σ和μ这两个正态分布特征值。然后在这2个参数构成的正态分布函数中进行抽样sample再解码，就能得到和原来输入中其他数据相似的数据。为了让隐空间的新分布和原分布很相似，然后再对拟合出的新分布抽样出新的数据（这些数据包含了原数据的大量特征），就可以当作是原数据了。它的用途是“深度学习”的核心-学习数据的特征并简化数据表示形式以寻找模式。KL散度：衡量两个分布的相似度。编码器+解码器=自编码器。
2024-06-25 20:22:30
241
原创 nuc马原复习资料
导致经济全球化迅猛发展的因素主要有三点一是科学技术的进步和生产力的发展，为经济全球化提供了坚实的物质基础和根本的推动力二是跨国公司的发展为经济全球化提供了适宜的企业组织形式三是各国经济体制的变革和国际经济组织的发展，是经济全球化的体制与组织保障。静止是相对的、暂时的、有条件的，是物质运动的一种特殊形态。社会意识是具体的、历史的，随着社会存在的发展，社会意识也相应的或早或迟的变化和发展社会意识既依赖于社会存在，又有其相对独立性，社会意识在从根本上受到社会存在决定的同时，还具有自身特有的发展形式和发展规律。
2024-06-23 17:17:21
1007
原创 nuc算法设计与分析 ppt总结
随机化快速排序(Randomized Quicksort)算法是一种基于“分治”的排序算法，其基本思路是选取一个随机元素(pivot)，将待排序序列分为两个子序列：比pivot小的在左侧，比pivot大的在右侧，然后递归地对两个子序列进行排序，最终将所有子序列合并为一个有序序列。归并排序是一种稳定的算法，在最坏情况下的时间复杂度为O(nlog n)，但是空间复杂度为O(n)，使用时需要注意空间的限制。有一个背包，容量为C；贪心算法的优点是速度快，时间复杂度为 O(nlogn)，其中 n 是字符集的大小。
2024-06-20 13:41:21
776
原创 nuc软件工程导论期末
由于张老师对系统功能有了明确的认识，且本身对软件开发有一定程度的了解，与小明的沟通也非常顺利，因此选用瀑布模型（Waterfall Model）是合适的。在这个例子中，由于要开发的是一个突破性的产品，规模很大，所需的开发技术先进，风险较大，且市面上尚未有类似产品，用户尚未对其形成完整的预期，因此螺旋模型的风险驱动特性非常适合这种情况。由于当前项目的需求已经以文档形式存在，且项目与之前的项目类似（只是规模更大、复杂性更高），因此可以认为项目的需求是预知的，并且可能已经有成熟的软件实现方法可以参考。
2024-06-20 13:18:47
606
原创 nuc算法期末复习资料
第一章 算法概述与算法分析基础第一部分 算法概述第二部分 算法分析基础幻灯片2第一部分 算法概述算法的基本概念为什么学习和研究算法重要的问题类型现代算法概览幻灯片3１ 算法的基本概念算法是对特定问题求解步骤的一种描述，是指令的有限序列。算法的特性幻灯片4算法的五大特性：⑴ 输入：一个算法有零个或多个输入。⑵ 输出：一个算法有一个或多个输出。⑶ 有穷性：一个算法必须总是在执行有穷步之后结束，且每一步都在有穷时间内完成。⑷ 确定性：算法中的
2024-06-20 13:00:15
926
原创 RNN-循环神经网络
零中心性质：tanh函数的输出范围在-1到1之间（可以更好的表示两种相反意思的数据），具有零中心性质，即均值为0，这有助于减少梯度消失问题，使得神经网络的训练更加稳定和快速。输出范围有限：虽然tanh函数的输出范围在-1到1之间，但与ReLU等激活函数相比，它的输出范围相对较小，可能会限制神经网络的表达能力。梯度饱和：当输入值较大或较小时，tanh函数的梯度会接近于零，可能会导致梯度消失问题，使得训练过程变得缓慢或停滞。1.前者的输出作为后者的输入（循环），有先后关系的信息，前影响后，时间序列。
2024-06-14 15:21:34
281
原创 计网复习资料
在下图中，某学院的以太网交换机有三个接口分别与学院三个系的以太网相连，另外三个接口分别连接万维网服务器、电子邮件服务器、路由器（和互联网连接），各系的交换机A、B、C、都是100Mbit/s的以太网交换机。在下图中，某学院的以太网交换机有三个接口分别与学院三个系的以太网相连，另外三个接口分别连接万维网服务器、电子邮件服务器、路由器（和互联网连接），各系的交换机A、B、C、都是100Mbit/s的以太网交换机。1、（12分）以太网交换机有6个接口，分别接到5台主机和一个路由器，如下图1所示。
2024-06-05 13:49:59
1184
原创 软件测试题
因为在软件开发的需求分析和设计阶段，还没有实际的软件代码可供测试，因此也没有测试的必要性。D、 确认测试中首先要进行的功能测试是在实际使用的环境下进行的测试，目的是验证被测软件是否满足软件需求规格说明中列出的需求。关于对第三方测试的描述，正确的观点是（第三方测试也称为独立测试，是由相对独立的组织进行的测试）B、 制定测试计划----测试设计和开发-----实施软件测试----版本发布----评审。A、 制定测试计划----评审----测试设计和开发-----实施软件测试----版本发布。
2024-06-04 11:35:44
593
原创 string 和 int 互相转换
i++){采用标准库中的to_string函数。是下划线num123;stringnum_strto_stringnum。
2024-05-12 11:09:35
379
3
原创 降维方法笔记
分解后将对角矩阵中的特征值递减存放，且减少的很快。前10%的值就能占总数的99%。特征值越大代表相对应的矩阵的操作越重要。所以只需要选取较小的一部分矩阵就能近似的描述之前的矩阵。基于SVD分解的PCA：将协方差矩阵用SVD分解，得到的对角矩阵中的特征值就是主成分。协方差：描述二维数据的相关关系 -1 ~ 1。把n维数据两两之间的协方差组成协方差矩阵。定义loss函数，梯度下降。Z值化，标准正态分布，T分布。将数据投影在分布较广的轴上。分别代表旋转拉伸旋转。描述n维数据的相关关系。
2024-05-12 11:07:21
265
原创 集成学习 迁移学习
先用默认权重分类，和真实值对比后，将分错的（更弱的）数据的权重变大，后面分类的时候就会更加关注它 同时计算模型的权重，权重大的代表效果好。1.boosting:串行组合，前后依赖。（数据集复用，改变权重）2.bagging:并行组合，互相独立。训练完成后得到的权重，越大就代表了哪个数据更不好分类。将现有的数据训练 已有的模型，变成新的模型。一·集成学习 1+1>2 组合与公平。Model选择弱分类器模型。
2024-05-12 11:05:43
318
原创 有监督学习-神经网络算法
激活函数，输入输出隐藏层。输出的是预测值，然后通过损失函数判断损失，再反向传播，根据梯度下降的公式（根据之前的值优化现在的值。输出的是预测值，然后通过损失函数判断损失，再反向传播，根据梯度下降的公式（根据之前的值优化现在的值。1.广义线性模型实现非线性函数映射。）调参（权重/偏置）， 进行优化。）调参（权重/偏置）， 进行优化。激活函数，输入输出隐藏层。，将原输出乘以g()联系函数。，将原输出乘以g()联系函数。w为权重，b为偏置，x为输入。w为权重，b为偏置，x为输入。2.感知机：BP神经网络。
2024-05-11 12:58:34
283
1
原创 二进制枚举+memcpy备份+pair acwing116
/创建一个pair对象，它的两个元素分别是T1和T2类型，其中first成员初始化为v1，second成员初始化为v2。// 两个pair对象间的小于运算，其定义遵循字典次序：如 p1.first < p2.first 或者!//创建一个空的pair对象（使用默认构造），它的两个元素分别是T1和T2类型，采用值初始化。之后在循环中通过右移相应的位数，获取到每一位上的1/0，每个1/0都能代表一种枚举的情况。// 以v1和v2的值创建一个新的pair对象，其元素类型分别是v1和v2的类型。
2024-04-26 22:17:14
121
1
原创 双指针笔记
作用：利用已有的性质，从O(n ^ 2) --> O(n), 双重循环变成一重循环(一个指针必须遍历全部)+O(1)(另一个指针只遍历一次数组)2指针的顺序是单调的，不走回头路。单调性 （先找到2指针移动的条件，再判断条件下移动时是否单调）while(第二指针的边界 && 是否该改变第二指针？while(第三指针的边界 && 是否该改变第三指针？类型：快慢指针（都从头开始 ），对撞指针（一头一尾）。必须保证只有1指针能动，2指针-->跟随移动。先根据题，选择双指针类型--》谁动谁定？
2024-04-26 22:10:09
246
1
原创 Pandas
how：默认为 ‘any’ 如果一行（或一列）里任何一个数据有出现 NA 就去掉整行，如果设置 how=‘all’ 一行（或列）都是 NA 才去掉这整行。json和字典格式相似：key对应为df的列索引，value对应行的值，行索引还是0123或者得自定义。- inplace：如果设置 True，将计算得到的值直接覆盖之前的值并返回 None，修改的是源数据。如果对应的数据是重复的，duplicated() 会返回 True，否则返回 False。a.head(n) a.tail(n)：显示前后n行。
2024-04-25 09:37:02
514
2
原创 Numpy
切片：1.同list 2.用slice函数设置，s = slice(start, end, step) print(a[s])a = np.insert(a, obj, values, axis =?2.数学函数：np.aroud()：四舍五入 np.floor() np.ceil()：上下取整。a = np.spilt(a, [b, c, d, e, .....])：按照位置分割。)，obj是删除位置。拼接数组：a = np.concatenate((a, b), axis =?
2024-04-25 09:33:57
1381
2
原创 python 类
是类对象拥有的方法，用@classmethod修饰。可以用对象和类调用。静态方法：存放逻辑类的代码，只是名义上写在类里面，但是和类本身没有关系。对象.属性 = ... //可以直接在类外赋值，就自动在类内定义了。继承多个父类，如果多个父类中有重名的方法，就调用先继承的父类方法。类中被双下划线前后包围的方法，在某一特定操作时会被自动调用。实例方法就是普通def定义的方法，至少包含一个self参数。) : //类内的方法第一个参数必须是self。重写：子类和父类重名的方法，会覆盖父类的方法。
2024-04-25 09:31:57
248
1
原创 python语法基础
切片功能：a[startindex, endindex, step]：取 [si, ei) 的所有字符，step是索引移动的距离，默认为1。常用函数：max() min() abs() random()：import random random.random() 返回0-1的实数。拆分：a = spilt(" a ") //以a为分界拆分，返回一个["", "", ""] 列表。占位符输出：print("%d %s" %(1, "string"))最大值，最小值：min / max(list)
2024-04-25 09:28:40
415
2
原创 Anaconda的快速入门
conda remove -n env_name --all 或 conda remove --name env_name --all。conda uninstall dill 或 pip uninstall dill。conda env list 或 conda info --envs。conda --version 或 conda -V。(2)更新conda（将conda自身更新到最新版本）(8)列出当前环境的所有包。(1)查看conda版本。(7)列出所有虚拟环境。(10)卸载第三方包。
2024-04-25 09:26:43
143
2
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人