<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[sinat_40624829的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/sinat_40624829</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; sinat_40624829]]></copyright><item><title><![CDATA[PythonLibs(12) - sys, os, glob]]></title><link>https://blog.youkuaiyun.com/sinat_40624829/article/details/129572105</link><guid>https://blog.youkuaiyun.com/sinat_40624829/article/details/129572105</guid><author>sinat_40624829</author><pubDate>Wed, 15 Mar 2023 22:49:04 +0800</pubDate><description><![CDATA[sys._getframe() 输出代码位置信息，方便调试-定位。]]></description><category></category></item><item><title><![CDATA[PaperNotes(21)-Safety-compliant Generative Adversarial Networks for Human Trajectory Forecasting]]></title><link>https://blog.youkuaiyun.com/sinat_40624829/article/details/128491314</link><guid>https://blog.youkuaiyun.com/sinat_40624829/article/details/128491314</guid><author>sinat_40624829</author><pubDate>Wed, 04 Jan 2023 22:53:29 +0800</pubDate><description><![CDATA[人群中人类轨迹预测的主要难点：建模社会交互(social interactions) 和 生成无碰撞的多模态轨迹。随着SGAN(Social Generative Adversarial Networks)的成功，其后有许多‘人群中人类运动的建模’工作是基于GAN展开的。虽然这些工作在减少距离度量方面表现良好，但是都很难产生社会能够接受的轨迹；因为这些轨迹一般都会造成很高的碰撞风险。为了解决人类轨迹预测无法实际使用的问题(碰撞风险太高了)，本文提出了SGANv2模型。]]></description><category></category></item><item><title><![CDATA[PythonLibs(11) - Time]]></title><link>https://blog.youkuaiyun.com/sinat_40624829/article/details/127763724</link><guid>https://blog.youkuaiyun.com/sinat_40624829/article/details/127763724</guid><author>sinat_40624829</author><pubDate>Sat, 12 Nov 2022 09:58:15 +0800</pubDate><description><![CDATA[python 中 time, json 魔模块简单使用]]></description><category></category></item><item><title><![CDATA[ML(15)- RNN-LSTM-tf.nn.rnn_cell]]></title><link>https://blog.youkuaiyun.com/sinat_40624829/article/details/123679112</link><guid>https://blog.youkuaiyun.com/sinat_40624829/article/details/123679112</guid><author>sinat_40624829</author><pubDate>Sat, 26 Mar 2022 21:53:48 +0800</pubDate><description><![CDATA[RNN-LSTM
RNN-Recurrent Neural Network-循环神经网络
LSTM-Long Short-Term Memory

循环神经网络xxxx，其中：
xix_ixi​ 为网络输入
hth_tht​ 为t时刻的输出
基本实验再说–
参考：
https://colah.github.io/posts/2015-08-Understanding-LSTMs/

...]]></description><category></category></item><item><title><![CDATA[PaperNotes(20)-Attention Is All You Need]]></title><link>https://blog.youkuaiyun.com/sinat_40624829/article/details/123418239</link><guid>https://blog.youkuaiyun.com/sinat_40624829/article/details/123418239</guid><author>sinat_40624829</author><pubDate>Sat, 19 Mar 2022 14:08:44 +0800</pubDate><description><![CDATA[2017 - self-attention -《Attention is all you need》- Transformer-谷歌CAttentionQKVsoftmaxdk​QKT​∗Vdk​为 scaling factorQsizePF: QueryKsizePF: KeyVsizePF: Value当QKV同一个集合特征PF′。]]></description><category></category></item><item><title><![CDATA[PaperNotes(19)-TGAN、DeliGAN]]></title><link>https://blog.youkuaiyun.com/sinat_40624829/article/details/105465304</link><guid>https://blog.youkuaiyun.com/sinat_40624829/article/details/105465304</guid><author>sinat_40624829</author><pubDate>Sat, 19 Mar 2022 14:06:49 +0800</pubDate><description><![CDATA[T-GAN1.从RS-GAN说起2.T-GANAbstract1 Reviews of GANs4 Experiments4.1 Design of Discriminator5.Conclusion
1.从RS-GAN说起
SGAN 就是标准的 GAN（Standard GAN）。
这个建模过程似乎对判别器的要求过于苛刻了，因为判别器是孤立运作的：训练生成器时，真实样本没有参与，所以判别器必须把...]]></description><category></category></item><item><title><![CDATA[TensorFlow(4)-tfrecord数据存储、读取]]></title><link>https://blog.youkuaiyun.com/sinat_40624829/article/details/123584684</link><guid>https://blog.youkuaiyun.com/sinat_40624829/article/details/123584684</guid><author>sinat_40624829</author><pubDate>Sat, 19 Mar 2022 11:42:04 +0800</pubDate><description><![CDATA[TFRecord1. tf.train.Example1.1 tfrecord 数据范式转化1.2 demo 数据集构建2. TFRecord 读写2.1 写入1-tf.io.TFRecordWriter()2.3 读取-tf.data.TFRecordDataset()2.3 data -&gt; dataset -&gt; 存储-tf.data.experimental.TFRecordWriter()
tfrecord 用于存储二进制序列数据的一种范式，按顺序存，按顺序取。里面存的每一条数据都是一个 ]]></description><category></category></item><item><title><![CDATA[TensorFlow(3)-与训练相关的操作]]></title><link>https://blog.youkuaiyun.com/sinat_40624829/article/details/123168848</link><guid>https://blog.youkuaiyun.com/sinat_40624829/article/details/123168848</guid><author>sinat_40624829</author><pubDate>Sun, 27 Feb 2022 19:39:22 +0800</pubDate><description><![CDATA[与训练相关的操作1. tf.control_dependencies(update_ops)
如果你的模型训练出不了效果，可能的原因太多了，没搞清tf 中各个函数的具体作用可能就是其中一个原因。本文记录【如果不理清，会造成无法解释的训练现象的操作】。
1. tf.control_dependencies(update_ops)

tf.control_dependencies()–保证其作用域内的操作必须要在该函数所传递的参数中的操作完成后再进行。 如下Code Demo,只有在update_ops 操作完]]></description><category></category></item><item><title><![CDATA[TensorFlow(2)-tf.data.Dataset训练数据集构建]]></title><link>https://blog.youkuaiyun.com/sinat_40624829/article/details/123154582</link><guid>https://blog.youkuaiyun.com/sinat_40624829/article/details/123154582</guid><author>sinat_40624829</author><pubDate>Sun, 27 Feb 2022 17:09:34 +0800</pubDate><description><![CDATA[tensorflow 数据载入1. tf.data.Dataset2. dataset 创建数据集的方式2.1 tf.data.Dataset.from_tensor_slices()2.2 tf.data.TextLineDataset()2.3 tf.data.FixedLengthRecordDataset()2.4 tf.data.TFRecordDataset()3. dateset 迭代操作iterator3.1 make_one_shot_iterator()3.2 make_initiali]]></description><category></category></item><item><title><![CDATA[Tensorboard--模型可视化工具]]></title><link>https://blog.youkuaiyun.com/sinat_40624829/article/details/123128207</link><guid>https://blog.youkuaiyun.com/sinat_40624829/article/details/123128207</guid><author>sinat_40624829</author><pubDate>Fri, 25 Feb 2022 19:59:49 +0800</pubDate><description><![CDATA[Tensorboard1.tensorboard in tensorflow1.1 tensorboard的启动过程1.2 tf.summary 可视化类型1.3 tf.summary 使用demo2.tensorboard in pytorch2.1 SummaryWriter 使用demo
tensorboard  in tensorflow ：tensorboard 是一套用于tensorflow训练过程可视化工具，能够可视化模型的结构，参数，损失函数等。最常用于记录训练过程中参数和损失函数值的变化，]]></description><category></category></item><item><title><![CDATA[TensorFlow(1)-模型相关基础概念]]></title><link>https://blog.youkuaiyun.com/sinat_40624829/article/details/122874482</link><guid>https://blog.youkuaiyun.com/sinat_40624829/article/details/122874482</guid><author>sinat_40624829</author><pubDate>Tue, 15 Feb 2022 21:07:31 +0800</pubDate><description><![CDATA[TensorFlow1

TensorFlow教程：TensorFlow快速入门教程（非常详细）
tensorflow 是什么
计算图–可以认为是详细的流程图，其包括每一步的操作[op]和变量名字。
训练一个神经网络：

定义好变量/参数，以及每一步的计算[包括输出]
建立一


...]]></description><category></category></item><item><title><![CDATA[Git(12)-stash, reflog]]></title><link>https://blog.youkuaiyun.com/sinat_40624829/article/details/121647692</link><guid>https://blog.youkuaiyun.com/sinat_40624829/article/details/121647692</guid><author>sinat_40624829</author><pubDate>Sun, 19 Dec 2021 11:53:25 +0800</pubDate><description><![CDATA[git stash1. git stash
命令概览
git stash save  "WIP:xxxxx"  # save后可以跟笔记，WIP:work in process
 

1. git stash
典型工况1: 中断工作流
典型工况2: 在脏的树中进行拉取（pull into a dirty tree）
git stash save 保存当前索引和工作目录的状态，并且将当前索引和工作目录的内容清除并匹配到当前分支的头部。git stash 命令默认就是git stash save.
git st]]></description><category></category></item><item><title><![CDATA[Git(11)-cherry-pick、reset、rebase]]></title><link>https://blog.youkuaiyun.com/sinat_40624829/article/details/120965625</link><guid>https://blog.youkuaiyun.com/sinat_40624829/article/details/120965625</guid><author>sinat_40624829</author><pubDate>Wed, 01 Dec 2021 08:58:03 +0800</pubDate><description><![CDATA[版本回退

]]></description><category></category></item><item><title><![CDATA[Git(10)-merge]]></title><link>https://blog.youkuaiyun.com/sinat_40624829/article/details/120777311</link><guid>https://blog.youkuaiyun.com/sinat_40624829/article/details/120777311</guid><author>sinat_40624829</author><pubDate>Tue, 26 Oct 2021 09:34:33 +0800</pubDate><description><![CDATA[Merge
合并操作：检出目标分支

]]></description><category></category></item><item><title><![CDATA[Git(9)-diff]]></title><link>https://blog.youkuaiyun.com/sinat_40624829/article/details/120717448</link><guid>https://blog.youkuaiyun.com/sinat_40624829/article/details/120717448</guid><author>sinat_40624829</author><pubDate>Fri, 15 Oct 2021 09:32:45 +0800</pubDate><description><![CDATA[分支diff in Linux/Unix
Linux/Unix 系统中存在diff 命令，可以用来显示两个文本/工作路径的差异。Git diff 在此基础上进行的扩展。
diff in Linux/Unix


]]></description><category></category></item><item><title><![CDATA[Git(8)-分支]]></title><link>https://blog.youkuaiyun.com/sinat_40624829/article/details/120111929</link><guid>https://blog.youkuaiyun.com/sinat_40624829/article/details/120111929</guid><author>sinat_40624829</author><pubDate>Tue, 12 Oct 2021 09:41:14 +0800</pubDate><description><![CDATA[分支1. 分支名2.创建分支
分支是软件项目中启动一条单独开发线的基本方法。
**分支-**动态名字，随着每次的提交移动，跟随你持续开发的过程。
**标签-**静态名字，不随着时间的推移而改变，一旦应用不应该对它做任何改动，可用于标识拥有关键差异特征的提交点位。
可以使用同一个名字来命名分支和标签，但是不推荐。
1. 分支名
默认分支是master(正在改为main)，分支名字始终指向改分支上的最近提交版本。
使用层次分支- bug/pr-1023, bug/pr-17  这种层次分支支持通配符选择。
路径]]></description><category></category></item><item><title><![CDATA[Git(7)-Git commit]]></title><link>https://blog.youkuaiyun.com/sinat_40624829/article/details/120032652</link><guid>https://blog.youkuaiyun.com/sinat_40624829/article/details/120032652</guid><author>sinat_40624829</author><pubDate>Sat, 04 Sep 2021 11:28:35 +0800</pubDate><description><![CDATA[Git提交1.识别不同的提交1.1绝对提交名-ID1.2 引用和符号引用--HEAD2.查看提交的历史记录-git log3.提交图-gitk4.提交的范围4.1 X..Y4.1 X...Y5.查找bad 提交--git bisect6.查看代码修改者-git blame
1.识别不同的提交
在开发的过程中，能正确的区分不同的提交是十分必要的。例如，在新建分支时，必须要选择某个提交来作为分支点；当比较代码差异时，必须指明两个提交。在git中可以通过显示引用或者隐式引用来指代每一个提交。
当你要与同事讨论相同]]></description><category></category></item><item><title><![CDATA[Git(6)-Git配置文件、底层操作命令]]></title><link>https://blog.youkuaiyun.com/sinat_40624829/article/details/119964827</link><guid>https://blog.youkuaiyun.com/sinat_40624829/article/details/119964827</guid><author>sinat_40624829</author><pubDate>Sun, 29 Aug 2021 12:53:33 +0800</pubDate><description><![CDATA[Git基本命令1. 常用(迷糊)命令-冷知识2. git 配置2.1 设置 配置文件2.2 查看 配置文件--git config -l2.3 移除 配置文件设置--unset2.3 命令别名 --alias3.git 对象 （git底层操作命令）3.1 初始化一个版本库3.2 新建一个简单的blob 对象3.3 基于散列值查看文件内容 git cat-file -p xxx3.4 查看文件关联-git ls-files -s3.5 树对象创建git write-tree3.6创建提交对象 git comm]]></description><category></category></item><item><title><![CDATA[PythonLibs(10) - open (cvs, .json, .mat)]]></title><link>https://blog.youkuaiyun.com/sinat_40624829/article/details/118639407</link><guid>https://blog.youkuaiyun.com/sinat_40624829/article/details/118639407</guid><author>sinat_40624829</author><pubDate>Sat, 17 Jul 2021 20:52:26 +0800</pubDate><description><![CDATA[Ubuntu装机

ssh服务器
搜狗输入法
conda环境
pytorch–安装页面-通过previous-version of pytorch装自己想要的版本
VsCode-官网下载deb包安装
Pycharm-官网下载社区版or 专业版的tar.gz安装包。运行bin底下的./pycharm.sh 只能一次执行，看看如何做到一直执行


...]]></description><category></category></item><item><title><![CDATA[推荐系统(6)-注意力机制+深度推荐模型、强化学习推荐系统]]></title><link>https://blog.youkuaiyun.com/sinat_40624829/article/details/117163213</link><guid>https://blog.youkuaiyun.com/sinat_40624829/article/details/117163213</guid><author>sinat_40624829</author><pubDate>Mon, 24 May 2021 23:35:34 +0800</pubDate><description><![CDATA[注意力机制+深度推荐模型1.AFM -20172.DIN-20173.DIEN-2019
1.AFM -2017
浙江大学–基于模型结构的改进
引入注意力机制FM， 可视为NFM模型的改进。给特征交叉池化后的特征向量施加不同的注意力权重。
出发点：预测某一男性是否购买某一键盘。那么‘性别为男且历史行为购买过鼠标’ 这一交叉特征 很可能 比 ‘性别为男且年龄为30’这一交叉特征更为重要。
具体做法：交叉特征进全联接层，softmax输出 特征权重。全联接层的参数随网络训练
(感觉注意力机制池化层就是多加了一个]]></description><category></category></item></channel></rss>