MIIEo

inst2vec的实验中，有许多难以理解的数据处理操作比如，对数据进行shuffle，对参数进行l2正则化，截断地产生正态分布随机数，对bias置为0，代码难以理解的原因：采样上的策略，对为何采用这样的策略不是很清楚各种参数的影响：FLAGS的锅TensorFlow API的影响：TensorFlow中Tensor的形状疑点：在从rec文件中读取文件内容之后，进行map可以理解，之后进行shuffle时，传入的参数int(1e5)是什么含义？之后，使用dataset.apply方法将大数据

TensorFlow APItf.decode_raw参考博客decode单词含义，解码、译码tf.io.decode_raw函数，别名：tf.decode_raw，tf.io.decode_rawtf.io.decode_raw( bytes, out_type, little_endian=True, name=None)作用：将字符串的字节重新解释为数字向量参数：bytes：一个string类型的Tensor。所有元素必须具有相同的长度out_type：tf.Dtype

Contenttrain_skip_gram()参数解析vocabulary_sizedata_folder & data_foldersnum_data_pairsreverse_dictionaryparamvalid_exampleslog_dirv_metadata_file_nameembeddings_pickleckpt_saver_fileckpt_saver_file_initckpt_saver_file_finalrestore_tf_variables_from_ckptt

construct_xfg(data_folder)函数功能：预处理raw LLVM IR code，生成XFGs（conteXtual Flow Graphs）参数：data_folder，要处理的raw LLVM IR code所在父目录的位置返回值data_folders，包含raw LLVM IR code的子目录列表输入文件：data_folder/*/*.ll生成的文件：data_folder/*/data_read_pickledata_folder/*_prepro

文章目录深度学习模型基本要素模型模型训练训练数据损失函数优化算法模型预测深度学习模型表示方法深度学习的本质逻辑，我的观点再回到线性回归问题（关于自变量、因变量表述不合理的讨论）深度学习模型基本要素模型输入和输出之间的函数关系。比如房屋价格预测作为例子，房屋面积、房龄这两个自变量，与售出价格这个因变量，自变量与因变脸之间的数学关系，就是一个模型（model）。中学数学上，一般假设自变量和因变量之间的关系为函数关系，书中假设是线性关系，是一种特殊的函数关系。中学数学中，涉及到的函数有一次函数、二次函数

目录实验代码：实验代码的大致流程第一次运行出现的问题实验代码：从github直接clone的代码，对数据获取部分的代码进行了修改，删除了wget下载的过程，保留unzip解压的阶段实验代码的大致流程解压缩构建xfg构建词汇表vocabulary训练embedding评估embedding第一次运行出现的问题2020年12月25日晚上8点对polybenchGpu.zip这个最小的样本进行了训练，解压缩过程，构建xfg过程，构建vocabulary过程，训练过程都很顺利，耗时大概10分钟左

环境准备Pycharm + Anaconda3Python，Anaconda，Pycharm的区别Python是个解释器Anaconda是一个Python的发行版，包括了Python和很多常见的软件库，和一个包管理器conda。常见的科学计算类的库都包含在其中Pycharm是为Python语言专门打造的IDE，就像IDEA Intelij和Java的关系一样Pycharm和Anaconda的关联解释器的设置第一次进入Pycharm之后，需要先创建一个工程才能进入主界面，之后菜单栏选择fil