<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[蓦然回首]]></title><description><![CDATA[梦想遥远，道阻且长。]]></description><link>https://blog.youkuaiyun.com/jichangzhen</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; jichangzhen]]></copyright><item><title><![CDATA[图神经网络（GNN）总结]]></title><link>https://blog.youkuaiyun.com/jichangzhen/article/details/107042881</link><guid>https://blog.youkuaiyun.com/jichangzhen/article/details/107042881</guid><author>jichangzhen</author><pubDate>Tue, 30 Jun 2020 15:08:57 +0800</pubDate><description><![CDATA[使用GNN的原因：图结构数据的表示一般是不规则，传统的CNN等模型无法直接运用在图数据上，所以需要在图上重新定义卷积操作。其中要着重考虑感受野如何定义，节点的顺序性如何定义，如何进行池化操作。

具体有以下三点：

CNN无法处理Non Euclidean Structure的数据，学术上的表达是传统的离散卷积在Non Euclidean Structure的数据上无法保持平移不变性。通俗理解就是在拓扑图中每个顶点的相邻顶点数目都可能不同，那么当然无法用一个同样尺寸的卷积核来进行卷积运算
	由于CNN无法处]]></description><category></category></item><item><title><![CDATA[在文件夹下检索多个文件内容]]></title><link>https://blog.youkuaiyun.com/jichangzhen/article/details/107042798</link><guid>https://blog.youkuaiyun.com/jichangzhen/article/details/107042798</guid><author>jichangzhen</author><pubDate>Tue, 30 Jun 2020 15:07:03 +0800</pubDate><description><![CDATA[import os
import re


# 遍历指定目录，显示目录下的所有文件名
def eachFile(filepath):
	pathDir = os.listdir(filepath)
	for allDir in pathDir:
		child = os.path.join('%s\%s' % (filepath, allDir))
		if os.path.isfile(child):
			readFile(child)
			print(child.decode('gbk')) 
		]]></description><category></category></item><item><title><![CDATA[曾经难忘的经历1--保研路]]></title><link>https://blog.youkuaiyun.com/jichangzhen/article/details/78156200</link><guid>https://blog.youkuaiyun.com/jichangzhen/article/details/78156200</guid><author>jichangzhen</author><pubDate>Wed, 13 Nov 2019 17:06:11 +0800</pubDate><description><![CDATA[本科软件工程专业，专业排名1/281，绩点4.21。
   大学期间在班级担任学习委员，学院ACM协会会长，竞赛集训队队长，多次参与校内外程序设计赛事命题工作。      
   多次获校一等奖学金，校三好学生，优秀团干部。 
   学科竞赛在ACM，蓝桥杯，数学建模，互联网+，电子商务三创赛等竞赛中共计获得国家（国际）级奖项三项，省级奖项七项，校级奖项十余项。]]></description><category></category></item><item><title><![CDATA[Rouge的安装与使用]]></title><link>https://blog.youkuaiyun.com/jichangzhen/article/details/99852883</link><guid>https://blog.youkuaiyun.com/jichangzhen/article/details/99852883</guid><author>jichangzhen</author><pubDate>Tue, 20 Aug 2019 16:11:01 +0800</pubDate><description><![CDATA[这个坑实在太深了，总结几位大佬博客，汇总了可能出现的问题。愿为后人照福吧。

步骤

1. 需要安装perl解释器(ubuntu 系统已自带, 通过perl -v可查看当前版本)；

2. 需要额外安装perl解释器的XML::DOM模块以及DB_File模块，而XML::DOM的安装又需要XML::RegExp、XML::Parser、LWP::UserAgent和XML::Parser::Pe...]]></description><category></category></item><item><title><![CDATA[生成模型和判别模型]]></title><link>https://blog.youkuaiyun.com/jichangzhen/article/details/82940751</link><guid>https://blog.youkuaiyun.com/jichangzhen/article/details/82940751</guid><author>jichangzhen</author><pubDate>Thu, 04 Oct 2018 21:44:17 +0800</pubDate><description><![CDATA[输入变量与输出变量均为连续变量的预测问题成为回归问题;

输出变量为有限个离散变量的预测问题称为分类问题;

输入变量与输出变量均为序列的预测问题称为标注问题。

1生成模型

    生成模型估计的是联合概率分布（joint probability distribution），p(y, x)=p(y|x)*p(x)，由数据学习联合概率密度分布P(X,Y)，然后求出条件概率分布P(Y|X)作为预测...]]></description><category></category></item><item><title><![CDATA[正则化]]></title><link>https://blog.youkuaiyun.com/jichangzhen/article/details/82940744</link><guid>https://blog.youkuaiyun.com/jichangzhen/article/details/82940744</guid><author>jichangzhen</author><pubDate>Thu, 04 Oct 2018 21:42:56 +0800</pubDate><description><![CDATA[通过降低复杂模型的复杂度来防止过拟合的规则称为正则化。

L1正则化，即原损失函数 + 所有权重的平均绝对值 * λ ，其中λ &amp;gt;0
	L2正则化，即原损失函数 + 所有权重平方和的平均值 * λ / 2 , λ&amp;gt;0
L1 正则化可以理解为每次从权重中减去一个常数。

L2 正则化可以理解为每次移除权重的 x%。

本质都是为了降低模型的复杂度，防止过拟合。...]]></description><category></category></item><item><title><![CDATA[梯度消失和梯度爆炸]]></title><link>https://blog.youkuaiyun.com/jichangzhen/article/details/82940739</link><guid>https://blog.youkuaiyun.com/jichangzhen/article/details/82940739</guid><author>jichangzhen</author><pubDate>Thu, 04 Oct 2018 21:42:19 +0800</pubDate><description><![CDATA[1.梯度爆炸

1）原因

在深层网络或递归神经网络中，误差梯度在更新中累积得到一个非常大的梯度，这样的梯度会大幅度更新网络参数，进而导致网络不稳定。在极端情况下，权重的值变得特别大，以至于结果会溢出（NaN值，无穷与非数值）。当梯度爆炸发生时，网络层之间反复乘以大于1.0的梯度值使得梯度值成倍增长。

 

2）现象

模型无法在训练数据上收敛（比如，损失函数值非常差）；
	模型不稳定，在更新的...]]></description><category></category></item><item><title><![CDATA[GRU]]></title><link>https://blog.youkuaiyun.com/jichangzhen/article/details/82940728</link><guid>https://blog.youkuaiyun.com/jichangzhen/article/details/82940728</guid><author>jichangzhen</author><pubDate>Thu, 04 Oct 2018 21:40:38 +0800</pubDate><description><![CDATA[GRU：有两个有两个门，即重置门reset gate、更新门update gate。这两个门控机制的特殊之处在于，它们能够保存长期序列中的信息，且不会随时间而清除或因为与预测不相关而移除。从直观上来说，重置门决定了如何将新的输入信息与前面的记忆相结合，更新门定义了前面记忆保存到当前时间步的量。如果我们将重置门设置为 1，更新门设置为 0，那么我们将再次获得标准 RNN 模型。

 

网络理解：重...]]></description><category></category></item><item><title><![CDATA[Bi-LSTM-CRF（二）--tensorflow源码解析]]></title><link>https://blog.youkuaiyun.com/jichangzhen/article/details/82940716</link><guid>https://blog.youkuaiyun.com/jichangzhen/article/details/82940716</guid><author>jichangzhen</author><pubDate>Thu, 04 Oct 2018 21:38:34 +0800</pubDate><description><![CDATA[CRF

对于序列标注问题，通常会在LSTM的输出后接一个CRF层：将LSTM的输出通过线性变换得到维度为[batch_size, max_seq_len, num_tags]的张量，这个张量再作为一元势函数（Unary Potentials）输入到CRF层。

# 将两个LSTM的输出合并

output_fw, output_bw = outputs

output = tf.concat([...]]></description><category></category></item><item><title><![CDATA[Bi-LSTM-CRF（一）--tensorflow源码解析]]></title><link>https://blog.youkuaiyun.com/jichangzhen/article/details/82940695</link><guid>https://blog.youkuaiyun.com/jichangzhen/article/details/82940695</guid><author>jichangzhen</author><pubDate>Thu, 04 Oct 2018 21:37:13 +0800</pubDate><description><![CDATA[1.1.核心代码：

cell_fw = tf.contrib.rnn.LSTMCell(num_units=100)

cell_bw = tf.contrib.rnn.LSTMCell(num_units=100)

(outputs, output_states) = tf.nn.bidirectional_dynamic_rnn(cell_fw, cell_bw, inputs, sequ...]]></description><category></category></item><item><title><![CDATA[json &amp; pickle &amp; shelve]]></title><link>https://blog.youkuaiyun.com/jichangzhen/article/details/80733614</link><guid>https://blog.youkuaiyun.com/jichangzhen/article/details/80733614</guid><author>jichangzhen</author><pubDate>Tue, 19 Jun 2018 14:40:23 +0800</pubDate><description><![CDATA[1. json的序列化与反序列化json的使用需要导入该模块，一般使用import json即可。json的序列化方法1：json.dumps(obj)
例如：f = open('file.txt','w')
     json.dumps(f.write([1,2,3,]))
     f.close()
#使用该方法把内存数据以字符串的格式存储到文件中。
方法2：json.dump(obj,f...]]></description><category></category></item><item><title><![CDATA[数学的重要性]]></title><link>https://blog.youkuaiyun.com/jichangzhen/article/details/80159603</link><guid>https://blog.youkuaiyun.com/jichangzhen/article/details/80159603</guid><author>jichangzhen</author><pubDate>Tue, 01 May 2018 21:01:34 +0800</pubDate><description><![CDATA[高等数学有什么用？其实大多数人在问这个问题的时候，心里已经预设了否定的答案。确实，对于大多数人来说，已经发展到了连数字都基本很少用了的一些高等数学分支，是过于虚无飘渺了。但是实际上，今天我们的生活已经完全离不开数学。甚至可以这么说，没有高等数学的发展，就不会有今天的现代社会。 也许很多人会怀疑这点。初等数学就不说了，一些如离散数学、运筹学、控制论等纯粹就是为了应用而发展起来的分支也不说了，重点介绍...]]></description><category></category></item><item><title><![CDATA[欠的债迟早要还]]></title><link>https://blog.youkuaiyun.com/jichangzhen/article/details/80159582</link><guid>https://blog.youkuaiyun.com/jichangzhen/article/details/80159582</guid><author>jichangzhen</author><pubDate>Tue, 01 May 2018 20:59:16 +0800</pubDate><description><![CDATA[读书就是这样，你努力的东西，不一定都有回报；但由于你不努力欠下的债，都一定会成为你未来发展的绊脚石。做科研更是这样，因为研究得越深入，对一个人的知识深度考验越大。对于很多人来说，科研就是在还债的过程中涅槃重生的过程。有的人，从小英语不好，靠突击刷题考了个雅思或者GRE高分，就算拿到offer，出国以后和导师同事的交流，阅读文献的速度和理解度，写出的文章的质量都会受到严重限制。同样是雅思7.5分，人...]]></description><category></category></item><item><title><![CDATA[Road and dream]]></title><link>https://blog.youkuaiyun.com/jichangzhen/article/details/80159567</link><guid>https://blog.youkuaiyun.com/jichangzhen/article/details/80159567</guid><author>jichangzhen</author><pubDate>Tue, 01 May 2018 20:57:31 +0800</pubDate><description><![CDATA[                                                                                                 纽约时间比加州时间早三个小时New York is 3 hours ahead of California, 但加州时间并没有变慢。 but it does not make California slow...]]></description><category></category></item><item><title><![CDATA[部分处理文件格式代码]]></title><link>https://blog.youkuaiyun.com/jichangzhen/article/details/79510640</link><guid>https://blog.youkuaiyun.com/jichangzhen/article/details/79510640</guid><author>jichangzhen</author><pubDate>Sat, 10 Mar 2018 18:59:02 +0800</pubDate><description><![CDATA[
1.转换编码：


原编码\xe7\x97\x85\xe7\x90\x86\xe5\x8f\x8d\xe5\xb0\x84

转换为中文编码：”引出”

import re

def unicodetostr( s ):
    strTobytes = []
    for i in s.split('\\x'):
        if i != '':
            num = i...]]></description><category></category></item><item><title><![CDATA[别让烦恼影响心情]]></title><link>https://blog.youkuaiyun.com/jichangzhen/article/details/78937142</link><guid>https://blog.youkuaiyun.com/jichangzhen/article/details/78937142</guid><author>jichangzhen</author><pubDate>Sat, 30 Dec 2017 13:19:36 +0800</pubDate><description><![CDATA[有人天生聪慧，有人天生丽质，生命造就一个独一无二的你。有人中年夭折，有人天生残疾，和他们相比该是多么幸福。
  人各有志，各有所好，有人喜欢安逸，他们与世无争过得很快乐；有人胸怀大志，他们每天忙忙碌碌也很幸福。
  人生总会在不经意的一瞬间发生决定性的改变。这也不是自己所能左右的。不要抱怨任何人，任何事，那都是命中注定。
  谋事在人，成事在天，千千万万人再怎么去努力，NO.1也只能有一个，用心去争]]></description><category></category></item><item><title><![CDATA[TensorFlow训练神经网络解决二分类问题]]></title><link>https://blog.youkuaiyun.com/jichangzhen/article/details/78922624</link><guid>https://blog.youkuaiyun.com/jichangzhen/article/details/78922624</guid><author>jichangzhen</author><pubDate>Thu, 28 Dec 2017 15:23:19 +0800</pubDate><description><![CDATA[import tensorflow as tf
from numpy.random import RandomState
#### 1. 定义神经网络的参数，输入和输出节点。
batch_size = 8
w1= tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2= tf.Variable(tf.random_normal([3, 1]]></description><category></category></item><item><title><![CDATA[感知器--代码实现]]></title><link>https://blog.youkuaiyun.com/jichangzhen/article/details/78922608</link><guid>https://blog.youkuaiyun.com/jichangzhen/article/details/78922608</guid><author>jichangzhen</author><pubDate>Thu, 28 Dec 2017 15:22:14 +0800</pubDate><description><![CDATA[import numpy as np
from functools import reduce
class Perceptron(object):
    def __init__(self, input_num, activator):
        self.activator = activator
        self.weights = [0.0 for _ in range(inp]]></description><category></category></item><item><title><![CDATA[线性单元和梯度下降--代码实现]]></title><link>https://blog.youkuaiyun.com/jichangzhen/article/details/78922536</link><guid>https://blog.youkuaiyun.com/jichangzhen/article/details/78922536</guid><author>jichangzhen</author><pubDate>Thu, 28 Dec 2017 15:18:14 +0800</pubDate><description><![CDATA[import numpy as np
from functools import reduceclass Perceptron(object):
    def __init__(self, input_num, activator):
        self.activator = activator
        self.weights = [0.0 for _ in range(inpu]]></description><category></category></item><item><title><![CDATA[长短时记忆网络--代码实现]]></title><link>https://blog.youkuaiyun.com/jichangzhen/article/details/78922463</link><guid>https://blog.youkuaiyun.com/jichangzhen/article/details/78922463</guid><author>jichangzhen</author><pubDate>Thu, 28 Dec 2017 15:12:55 +0800</pubDate><description><![CDATA[import matplotlib.pyplot as plt
import numpy as npclass IdentityActivator(object):
    def forward(self, weighted_input):
        return weighted_input    def backward(self, output):
        return 1
c]]></description><category></category></item></channel></rss>