<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[echo245的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/echo245</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; echo245]]></copyright><item><title><![CDATA[【测试开发】【postman】按顺序循环执行接口]]></title><link>https://blog.youkuaiyun.com/echo245/article/details/140170610</link><guid>https://blog.youkuaiyun.com/echo245/article/details/140170610</guid><author>echo245</author><pubDate>Thu, 04 Jul 2024 10:30:39 +0800</pubDate><description><![CDATA[在Collection Runner界面上，选择你的环境，然后点击“Start Run”按钮。也可以在Iterations设置循环次数，每次循环的延迟时间Delay。这会按顺序执行集合中的所有请求，根据每个请求中的postman.setNextRequest()设置的顺序来执行。点击右侧的“Run”按钮，这将打开Collection Runner界面。点击Postman界面左侧的你的集合名称。]]></description><category></category></item><item><title><![CDATA[【论文阅读记录】代码的可学习语义表示]]></title><link>https://blog.youkuaiyun.com/echo245/article/details/124019160</link><guid>https://blog.youkuaiyun.com/echo245/article/details/124019160</guid><author>echo245</author><pubDate>Thu, 07 Apr 2022 17:11:52 +0800</pubDate><description><![CDATA[论文标题：Neural Code Comprehension: A Learnable Representation of Code Semantics
原文链接：Neural Code Comprehension: A Learnable Representation of Code Semantics
说明：在读研究生为方便记忆梳理学习，手敲论文笔记，概括论文的主要思想


背景

在代码学习表示领域，大多数试图直接处理代码或使用句法树表示。但是，由于功能调用，分支和可互换的语句顺序等结构...]]></description><category></category></item><item><title><![CDATA[【论文阅读笔记】使用结构代码嵌入检查智能合约]]></title><link>https://blog.youkuaiyun.com/echo245/article/details/124006595</link><guid>https://blog.youkuaiyun.com/echo245/article/details/124006595</guid><author>echo245</author><pubDate>Thu, 07 Apr 2022 11:13:01 +0800</pubDate><description><![CDATA[论文标题：Checking Smart Contracts With Structural Code Embedding
原文链接Checking Smart Contracts With Structural Code Embedding | IEEE Journals &amp; Magazine | IEEE Xplore
说明：在读研究生为方便记忆梳理学习，手敲论文笔记，概括论文的主要思想


背景

智能合约指是一个程序，当满足特定的预定义条件时，可以触发执行任何任务。智能合约越来越...]]></description><category></category></item><item><title><![CDATA[【论文阅读笔记】自动化开发者聊天挖掘]]></title><link>https://blog.youkuaiyun.com/echo245/article/details/123839204</link><guid>https://blog.youkuaiyun.com/echo245/article/details/123839204</guid><author>echo245</author><pubDate>Wed, 30 Mar 2022 11:49:39 +0800</pubDate><description><![CDATA[论文标题：Automating Developer Chat Mining
原文链接：Automating Developer Chat Mining | IEEE Conference Publication | IEEE Xplore
说明：在读研究生为方便记忆梳理学习，手敲论文笔记，概括论文的主要思想


背景

在开源软件 (OSS) 项目，聊天室中的大多数讨论线程都遵循问答格式，一些开发人员（提问者）提出最初的问题，而其他人（受访者）加入提供答案。这些讨论线程嵌入了丰富的信息，可以满...]]></description><category></category></item><item><title><![CDATA[【论文阅读笔记】用于二进制代码相似性检测的语义感知神经网络]]></title><link>https://blog.youkuaiyun.com/echo245/article/details/123418655</link><guid>https://blog.youkuaiyun.com/echo245/article/details/123418655</guid><author>echo245</author><pubDate>Sat, 12 Mar 2022 16:54:12 +0800</pubDate><description><![CDATA[论文标题：Order Matters: Semantic-Aware Neural Networks for Binary Code Similarity Detection
原文链接：https://ojs.aaai.org/index.php/AAAI/article/view/5466
说明：在读研究生为方便记忆梳理学习，手敲论文笔记，概括论文的主要思想和内容。

背景


二进制代码相似性检测，其目的是在不访问源代码的情况下检测相似的二进制函数，是计算机安全的一项基本任务。
利用二进制代码的流程..]]></description><category></category></item><item><title><![CDATA[【论文阅读笔记】NLP预训练语言模型综述]]></title><link>https://blog.youkuaiyun.com/echo245/article/details/123028075</link><guid>https://blog.youkuaiyun.com/echo245/article/details/123028075</guid><author>echo245</author><pubDate>Fri, 04 Mar 2022 22:12:00 +0800</pubDate><description><![CDATA[论文标题：Pre-trained Models for Natural Language Processing: A Survey
原文链接：https://arxiv.org/pdf/2003.08271.pdf
说明：在读研究生为方便记忆梳理学习，手写论文笔记，概括论文的主要思想和内容。


]]></description><category></category></item><item><title><![CDATA[【论文阅读笔记】Post2Vec：学习StackOverflow帖子的分布式表示]]></title><link>https://blog.youkuaiyun.com/echo245/article/details/123232947</link><guid>https://blog.youkuaiyun.com/echo245/article/details/123232947</guid><author>echo245</author><pubDate>Wed, 02 Mar 2022 22:09:29 +0800</pubDate><description><![CDATA[论文标题：Post2Vec: Learning Distributed Representations of Stack Overflow Posts
原文链接：https://ieeexplore.ieee.org/abstract/document/9469219
说明：在读研究生为方便记忆梳理学习，手敲论文笔记，概括论文的主要思想和内容。

背景

利用深度学习的方法与模型对StackOverflow帖子进行分布式表达的学习，然后将这些向量用于不同的下游任务。
StackOverflow帖子主要包..]]></description><category></category></item><item><title><![CDATA[【论文阅读笔记】从在线开发者聊天中自动提取基于意见的问答]]></title><link>https://blog.youkuaiyun.com/echo245/article/details/123127548</link><guid>https://blog.youkuaiyun.com/echo245/article/details/123127548</guid><author>echo245</author><pubDate>Tue, 01 Mar 2022 22:25:41 +0800</pubDate><description><![CDATA[论文标题：Automatic Extraction of Opinion-based Q&amp;A from Online Developer Chats
原文链接：https://ieeexplore.ieee.org/abstract/document/9402078
说明：在读研究生为方便记忆梳理学习，手敲论文笔记，概括论文的主要思想和内容。

背景

早期的对话助手专注于简短的、面向任务的对话（例如：播放音乐；查找附近的餐馆）。
而针对于软件开发人员的对话助手的开发，更加复杂（例如：询问意见与..]]></description><category></category></item><item><title><![CDATA[【Tensorflow2.0】去掉不足一个batch的多余数据]]></title><link>https://blog.youkuaiyun.com/echo245/article/details/121898542</link><guid>https://blog.youkuaiyun.com/echo245/article/details/121898542</guid><author>echo245</author><pubDate>Mon, 13 Dec 2021 09:41:07 +0800</pubDate><description><![CDATA[需要在数据的的batch中添加drop_remainder=True即可
类似，如：
train_dataset = tf.data.Dataset.from_tensor_slices((train_data, train_labels))
train_dataset = train_dataset.shuffle(buffer_size=1024).batch(BATCH_SIZE, drop_remainder=True)


]]></description><category></category></item><item><title><![CDATA[利用dockerfile生成镜像]]></title><link>https://blog.youkuaiyun.com/echo245/article/details/120275167</link><guid>https://blog.youkuaiyun.com/echo245/article/details/120275167</guid><author>echo245</author><pubDate>Mon, 13 Sep 2021 20:57:35 +0800</pubDate><description><![CDATA[1.在虚拟机安装docker
1、检查内核版本，必须是3.10及以上
uname -r
2、安装docker
yum install docker
3、输入y确认安装
4、启动docker
[root@localhost ~]# systemctl start docker
[root@localhost ~]# docker -v
Docker version 1.12.6, build 3e8e77d/1.12.6
5、开机启动docker
[root@localhost ~]# systemctl e]]></description><category></category></item><item><title><![CDATA[【深度强化学习笔记】--第二节：马尔可夫决策过程]]></title><link>https://blog.youkuaiyun.com/echo245/article/details/119812897</link><guid>https://blog.youkuaiyun.com/echo245/article/details/119812897</guid><author>echo245</author><pubDate>Fri, 20 Aug 2021 16:34:06 +0800</pubDate><description><![CDATA[1.马尔可夫性质
马尔可夫决策过程（Markov Decision Process, MDP）独有性质即当前时刻的状态仅与前一时刻的状态和动作有关，与其他时刻的状态和动作条件独立。

等式右侧的条件概率被称为MDP的状态间的转移概率   。马尔可夫性质是所有马尔可夫模型共有的性质，但相比于马尔可夫链，MDP的转移概率加入了智能体的动作，其马尔可夫性质也与动作有关
2.MDP基本组成部分
状态集合

动作集合

状态转移概率函数

奖励函数

策略函数


...]]></description><category></category></item><item><title><![CDATA[【深度强化学习笔记】--第一节：强化学习模型]]></title><link>https://blog.youkuaiyun.com/echo245/article/details/119812762</link><guid>https://blog.youkuaiyun.com/echo245/article/details/119812762</guid><author>echo245</author><pubDate>Thu, 19 Aug 2021 22:47:56 +0800</pubDate><description><![CDATA[1.强化学习
强化学习（Reinforcement Learning, RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题 [1]  。
强化学习的常见模型是标准的马尔可夫决策过程（Markov Decision Process, MDP）。按给定条件，强化学习可分为基于模式的强化学习（model-based RL）和无模式强化学习（model-free RL） [1]  ，以及主动强]]></description><category></category></item><item><title><![CDATA[【k8s】节点无法调度]]></title><link>https://blog.youkuaiyun.com/echo245/article/details/119011043</link><guid>https://blog.youkuaiyun.com/echo245/article/details/119011043</guid><author>echo245</author><pubDate>Thu, 22 Jul 2021 22:59:38 +0800</pubDate><description><![CDATA[【问题】部署pod任务，报错
0/3 nodes are available: 1 node(s) were unschedulable, 2 node(s) didn’t match node selector.
【解决方法】
1.查看节点是否可调度
kubectl get nodes

2.如图，master被限制不可用

3.讲pod部署到其他节点或者；联系root更改master的调度限制（一般不可取）

...]]></description><category></category></item><item><title><![CDATA[【flink on k8s】部署flink-operator]]></title><link>https://blog.youkuaiyun.com/echo245/article/details/119010150</link><guid>https://blog.youkuaiyun.com/echo245/article/details/119010150</guid><author>echo245</author><pubDate>Thu, 22 Jul 2021 22:33:04 +0800</pubDate><description><![CDATA[1.准备各个配置文件
crd.yaml
apiVersion: apiextensions.k8s.io/v1beta1
kind: CustomResourceDefinition
metadata:
  name: flinkapplications.flink.k8s.io
spec:
  group: flink.k8s.io
  names:
    kind: FlinkApplication
    listKind: FlinkApplicationList
    plural: flin]]></description><category></category></item><item><title><![CDATA[【PyTorch深度学习】 第十一讲：RNN基础]]></title><link>https://blog.youkuaiyun.com/echo245/article/details/118877675</link><guid>https://blog.youkuaiyun.com/echo245/article/details/118877675</guid><author>echo245</author><pubDate>Tue, 20 Jul 2021 11:16:24 +0800</pubDate><description><![CDATA[1.概念原理

处理带有序列信息的数据
RNNCell：线性层，循环执行

2.
3.

]]></description><category></category></item><item><title><![CDATA[【PyTorch深度学习】 第十讲：CNN高阶]]></title><link>https://blog.youkuaiyun.com/echo245/article/details/118661691</link><guid>https://blog.youkuaiyun.com/echo245/article/details/118661691</guid><author>echo245</author><pubDate>Sat, 17 Jul 2021 16:26:40 +0800</pubDate><description><![CDATA[1.概念原理

1x1卷积核：改变通道数量；减少运算的数量

2.代码实现
3.结果展示

]]></description><category></category></item><item><title><![CDATA[【spark 虚拟机模式】提交maven项目的jar运行]]></title><link>https://blog.youkuaiyun.com/echo245/article/details/118787746</link><guid>https://blog.youkuaiyun.com/echo245/article/details/118787746</guid><author>echo245</author><pubDate>Fri, 16 Jul 2021 11:07:13 +0800</pubDate><description><![CDATA[1.maven项目
pom.xml
 &lt;dependencies&gt;
        &lt;dependency&gt;
            &lt;groupId&gt;org.apache.spark&lt;/groupId&gt;
            &lt;artifactId&gt;spark-core_2.12&lt;/artifactId&gt;
            &lt;version&gt;3.0.0&lt;/version&gt;
&lt;!--        ]]></description><category></category></item><item><title><![CDATA[【spark on k8s】部署问题]]></title><link>https://blog.youkuaiyun.com/echo245/article/details/118755812</link><guid>https://blog.youkuaiyun.com/echo245/article/details/118755812</guid><author>echo245</author><pubDate>Thu, 15 Jul 2021 11:33:49 +0800</pubDate><description><![CDATA[部署spark任务在Kubernetes上报错
使用官方案例部署失败
`21/07/14 02:19:14 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform… using builtin-java classes where applicable
Using Spark’s default log4j profile: org/apache/spark/log4j-defaults.properties]]></description><category></category></item><item><title><![CDATA[【PyTorch深度学习】 第九讲：CNN基础]]></title><link>https://blog.youkuaiyun.com/echo245/article/details/118654544</link><guid>https://blog.youkuaiyun.com/echo245/article/details/118654544</guid><author>echo245</author><pubDate>Sun, 11 Jul 2021 15:15:04 +0800</pubDate><description><![CDATA[1.概念原理

利用卷积盒，对数据矩阵进行相乘相加
每个通道对应一个盒

2.代码实现
import torch
from torchvision import transforms
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F
import torch.optim as optim

# prepare dataset

batch_size ]]></description><category></category></item><item><title><![CDATA[【PyTorch深度学习】 第八讲：多分类]]></title><link>https://blog.youkuaiyun.com/echo245/article/details/118641675</link><guid>https://blog.youkuaiyun.com/echo245/article/details/118641675</guid><author>echo245</author><pubDate>Sat, 10 Jul 2021 22:18:28 +0800</pubDate><description><![CDATA[1.概念

softMax：概率分布，将每个项的值/累加的值=每个结果出现的概率值
NLLLoss：就是把输出与Label对应的那个值拿出来，再去掉负号，再求均值
CrossEntropyLoss：就是把Softmax–Log–NLLLoss合并成一步

2.代码实现
import torch
from torchvision import transforms
from torchvision import datasets
from torch.utils.data import DataLoader
]]></description><category></category></item></channel></rss>