- 博客(20)
- 收藏
- 关注
RSS订阅原创 TF2.1学习
池化用于减少特征数据量：最大池化可提取图片纹理(tf.keras.layers.MaxPool2D(pool_size=池化核尺寸，strides=池化步长，padding=valid/same))，均值池化可保留背景特征（tf.keras.layers.AveragePooling2D(pool_size=池化核尺寸，strides=池化步长，padding=valid/same)）数学四则运算：tf.add(),tf.subtract(),tf.multiply(),tf.divide()
2022-10-26 20:33:25
675
1
原创 推荐系统实践-推荐系统实例(7)
用户有不同的行为，不同行为产生的结果不同，有些行为产生后需要实时做出反映，例如用户购买商品等，在点击购买后，用户的购买列表中会出现商品，而浏览物品的行为不需要实时存储，根据是否需要实时存储以及数据规模将不同的数据存储在不同的媒介中，需要实时存储的数据存储在数据库和缓存中，大规模的非实时存取数据存储在分布式文件系统中。
2022-10-21 17:42:06
764
原创 Linux服务器环境配置-Pytorch
之后会提示很多，一般输入yes即可，到最后会提示是否安装vscode，根据自己的需求选择即可。到此已经安装完毕，安装完成之后输入conda相关指令时可能会提示：conda: command not found，此时代表初始化未成功，输入指令：source anaconda3/bin/activate即可进入base环境，然后输入conda deactivate退出base环境就可以正常使用。
2022-10-19 22:33:01
787
原创 推荐系统实践-利用社交网络数据(6)
社交网络中包含着丰富的信息，例如电子邮件，用户注册信息，位置数据，qq等，若两个人经常通过电子邮件联系，则代表两人可能有相同的兴趣。社交图谱(social graph，facebook和qq等(好友一般认识))和兴趣图谱(interest graph(twitter等 好友一般不认识))。社交网络也可以用图来定义，G(V,E,w)其中V是顶点集合，E是边集合，w是边的权重，分为有向图和无向图，对于twitter这种社交网站加边为有向边，若为qq，facebook这种则添加边为无向边。
2022-10-14 22:20:46
766
原创 推荐系统实践-利用上下文信息(5)
在进行推荐时，我们还需要考虑到用户所处的时间，季节，地点，心情等上下文信息来进行推荐(比如我们不能在冬天给用户推荐T恤等)。
2022-10-14 11:26:34
436
原创 推荐系统实践-利用用户标签数据(4)
标签应用一般分为两种，一种是作者或者专家来给物品打标签，另外一种是让普通用户打标签即UGC(User Generated Content),当用户给物品打标签时，一方面描述了用户的兴趣，一方面表示了物品的语义，将用户和物品联系起来。
2022-10-12 15:07:52
516
原创 推荐系统实践-推荐系统冷启动问题(3)
如何在没有 大量用户数据的情况下设计个性化推荐系统并且让用户对推荐结果满意从而愿意使用推荐系统， 就是冷启动的问题。冷启动问题主要分为三类：用户冷启动：新用户到来时如何给新用户推荐物品冷启动：当系统中添加新的物品时，如何将新物品推荐给可能感兴趣的用户系统冷启动：新开发的网站没有用户和物品时怎么设计个性化推荐系统。
2022-10-10 17:20:10
310
2
原创 推荐系统实践-利用用户行为数据(2)
用户行为在推荐系统中一般分为两种，显性反馈行为（explicit feedback）和隐性反馈行为（implicit feedback），显性反馈行为包括用户明确表示对物品喜好的行为，隐性反馈行为指的是那些不能明确反应用户喜好的行为：用户行为的统一表示为：无上下文信息的隐性反馈数据集：每一条行为记录仅仅包含用户ID和物品无上下文信息的显性反馈数据集：每一条记录包含用户ID、物品ID和用户对物品的评分。有上下文信息的隐性反馈数据集：每一条记录包含用户ID、物品。
2022-10-10 15:25:42
436
原创 推荐系统实践-好的推荐系统(1)
推荐系统的任务就是联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢。和搜索引擎不同，个性化推荐系统需要依赖用户的行为数据，个性化推荐系统的主要作用是通过分析大量用户行为日志，给不同用户提供不同的个性化页面展示，来提高网站的点击率和转化率。
2022-10-07 23:37:45
450
1
原创 机器学习笔记5(Transformer)
1.Batch Normalization问题引入：当function为y=w1*x1+w2*x2+b时，若输入x1很小x2很大，则当w1和w2变化相同的Δw时，体现在y上的变化量却很不相同，这不利于我们的参数学习优化因此我们需要使用normalization将输入进行正则化来消除由于参数差距过大带来的影响，normalization即将每一个输入减去均值后除标准差，即当batch normalization运用到deep learning时，一般会在activation funct..
2022-03-31 00:46:46
1359
原创 机器学习笔记4(self attention)
Self attention1.Input问题引入：由于对于不同的问题，我们输入的序列长度不同，比如输入是一个句子，那么就需要将句子中的每个单词当作一个vector，输入即为set of vector，还有声信号，graph等输入也为set of vector。2.Output对于输出分为以下几种情况：1.每个输入均有一个输出，若输出是一个数值，则为回归问题，若输出是一个class则为分类问题。2.输出只有一个label，比如Sentiment analysis即输入一段话只需要
2022-03-30 11:34:33
989
原创 机器学习笔记3
1.Convolutional Neural Network卷积神经网络主要用于图像视觉识别方面，例如输入一张图片，判断是什么东西，图片在电脑中存储的格式是tensor，channel*width*height，channel一般为RGB的三个通道，当图片进行输入时，一般将维度为3的tensor展平为维度为1的tensor，作为一个向量输入：但是这样参数数量太多，我们一般不使用fully connected。Method 1：receptive对于影像来说，其实在过程中需要检测到有没有出
2022-03-29 18:31:18
3109
原创 机器学习笔记2
2.模型问题判断与改进2.1 model bias一般是由于模型设计太过简单，此时再进行训练也无法找到更好的参数来使loss降低，解决办法为引入更多的参数，或换用神经网络进行模型设计。2.2 optimization当loss过大的时候也有可能是由于Local optimal solution，判断是model bias的问题还是optimization的问题方法：如果一个模型变的更为复杂，但是training error反而更高，就是optim.
2022-03-29 12:46:55
362
原创 机器学习笔记1
1.问题模型：1.1回归问题(Regression):eg:房价预测，温度预测；1.2分类(Classification):eg:邮件分类，输入图片输出预测；2.问题求解2.1建立模型一般根据domain knowledge建立模型，例如y=w*x+b，x为输入,y为输出,w和b为参数2.2定义损失函数MAEloss/MSEloss/Cross-entropy:2.3优化参数优化的目标是找到使L最小的参数，即找到使得loss最小的参数w和b优化方法
2022-03-28 23:10:59
97
原创 dp【最长公共子序列问题】
1.穷举法O(n*2^m)对于每一个Xm的子序列,验证它是否是Yn的子序列. Xm有2m个子序列 每个子序列需要o(n)的时间来验证它是否是Yn的子序列. 从Yn的第一个字母开始扫描下去,如果不是则从第二个开始.2.DP动态规划法O(n^2)用f[i][j]表示比较到a[i]和b[j]时最长公共子序列的长度，状态转移方程为f[i][j]=max(f[i-1][j],f[i][j-1]),if(a[i]==b[j]) f[i][j]=max(f[i][j],f[i-...
2021-11-07 16:50:52
51
原创 樱花(多重背包）
注意耗费时间有可能为0！！！！#include<iostream>#include<algorithm>using namespace std;int tsh,tsm,teh,tem;int n,m;const int N=30000010;int v[N],w[N];int f[N];int main(){ scanf("%d:%d %d:%d %d",&tsh,&tsm,&teh,&tem,&n); m=tem-
2021-11-05 22:53:44
59
原创 背包问题总结
1.01背包二维状态转移方程为 f[i][j]=max(f[i-1][j],f[i-1][j-v[i]]+w[i]);(j从0-m)利用滚动数组优化后一维转移方程为 f[j]=max(f[j],f[j-v[i]]+w[i]);(j从m~0)2.完全背包二维状态转移方程为 f[i][j]=max(f[i][j],f[i][j-k*v[i]]+k*w[i]);(j从0-m)利用滚动数组优化后一维转移方程为 f[j]=max(f[j],f[j-v[i]]+w[i]);(j从0~m)3.多重
2021-11-05 22:30:14
122
原创 【dp】The King‘s Ups and Downs
题目描述：给一个n,求n个高矮不同的人排成一排使得高、矮依次排列的种数。考虑状态转移，由于从n-1到n个人多增加了一个身高最高的人，又要求高矮依次排列，因此新加入的这个人只能放在前两个人为高矮，后两个人为矮高的地方；参考The King’s Ups and Downs_WhileTrue-CSDN博客考虑dp数组的含义，创建二维数组，dp[i][j]表示考虑前i个人时的方案数量 j=0or1 为0表示第i-1到第i个为下降得到 为1表示开始的1到2为上升得到，因此考虑前n个人总方案数量为ans[
2021-09-30 10:57:24
59
原创 【dp】教主的花园
考虑dp数组含义首先想创建二维数组dp[i][j]表示考虑前i颗树时,第i颗树种j时的最大价值，发现状态转移方程不容易写出，故将数组增加一维变为dp[i][j][k]，dp[i][j][k]表示前i个树,第i颗树种j,k=0or1 代表下降或上升趋势时获得的最大价值，此时状态转移方程如下：dp[i][0][0]=max(dp[i-1][1][1],dp[i-1][2][1])+value[i][0];//代表这棵树种高度10，由于10为高度最小的树此时状态只能为下降，而考虑i-...
2021-09-30 09:57:42
90
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