<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Firmiana1220的博客]]></title><description><![CDATA[坚持做件小事]]></description><link>https://blog.youkuaiyun.com/ting0922</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ting0922]]></copyright><item><title><![CDATA[论文笔记 | CodeXGLUE: A Machine Learning Benchmark Dataset for Code Understanding and Generation]]></title><link>https://blog.youkuaiyun.com/ting0922/article/details/114300182</link><guid>https://blog.youkuaiyun.com/ting0922/article/details/114300182</guid><author>ting0922</author><pubDate>Wed, 03 Mar 2021 10:07:08 +0800</pubDate><description><![CDATA[arxiv 2021
Shuai Lu, Daya Guo, Shuo Ren, …
Peking University, Sun Yat-sen University, Beihang University, Microsoft
keywords: program understanding, benchmark dataset

本文提出了一个代码理解领域的benchmark，其中包括10个任务，14个数据集，还有一个可以供研究者们参考和比较的平台。
文章中所有内容基本可以用下面这张表概括，主要是在讲.]]></description><category></category></item><item><title><![CDATA[论文笔记 | Type4Py: Deep Similarity Learning-Based Type Inference for Python]]></title><link>https://blog.youkuaiyun.com/ting0922/article/details/113942924</link><guid>https://blog.youkuaiyun.com/ting0922/article/details/113942924</guid><author>ting0922</author><pubDate>Tue, 23 Feb 2021 19:06:00 +0800</pubDate><description><![CDATA[arxiv 2021
Amir M. Mir, Evaldas Latoskinas, Sebastian Proksch, Georgios Gousios
Delft University of Technology（荷兰代尔夫特理工大学）
keywords: type inference of identifier, deep similarity learning-based method, large type vocabulary

研究动机
本文做的任务是动态编程语言的变量类型预测。所谓动态.]]></description><category></category></item><item><title><![CDATA[pytorch数据可视化（tensorboard的安装和使用）]]></title><link>https://blog.youkuaiyun.com/ting0922/article/details/113915096</link><guid>https://blog.youkuaiyun.com/ting0922/article/details/113915096</guid><author>ting0922</author><pubDate>Sun, 21 Feb 2021 20:19:08 +0800</pubDate><description><![CDATA[根据《深入浅出pytorch》一书中的实例进行了修改和总结

Tensorboard简介
tensorboard是一个数据可视化工具，能够展示深度学习过程中张量的变化。可视化的内容可以包括：模型训练过程中的损失、张量的分布直方图、训练过程中输出的图片和音频数据等。
Tensorboard安装
pip install tensorboard

【注意：tensorboard版本号要和tensorflow版本匹配，具体的匹配规则不太清楚，以下给出我的版本号】

使用方法
以线性模型的训练为例，以下为完整代码：.]]></description><category></category></item><item><title><![CDATA[软件工程领域国际会议列表]]></title><link>https://blog.youkuaiyun.com/ting0922/article/details/113897959</link><guid>https://blog.youkuaiyun.com/ting0922/article/details/113897959</guid><author>ting0922</author><pubDate>Sat, 20 Feb 2021 21:45:18 +0800</pubDate><description><![CDATA[学术期刊




CCF
期刊名称
影响因子
出版商




CCF A
IEEE Transactions on Software Engineering (TSE)
4.778
IEEE


CCF A
ACM Transactions on Software Engineering and Methodology (TOSEM)

ACM


CCF B
Journal of Software: Evolution and Process
0.606
John Wiley &amp; Sons, Lt]]></description><category></category></item><item><title><![CDATA[论文笔记 | code pretraining（代码预训练系列）]]></title><link>https://blog.youkuaiyun.com/ting0922/article/details/113895780</link><guid>https://blog.youkuaiyun.com/ting0922/article/details/113895780</guid><author>ting0922</author><pubDate>Sat, 20 Feb 2021 21:42:40 +0800</pubDate><description><![CDATA[文章目录Pre-trained contextual embedding of source codeCodeBERT: A Pre-trained model for programming and natural languagesGraphCodeBert: Pre-training code representations with data flowContrastive code representation learningInferCode: Self-Supervised Learning]]></description><category></category></item><item><title><![CDATA[机器学习算法总结]]></title><link>https://blog.youkuaiyun.com/ting0922/article/details/113895480</link><guid>https://blog.youkuaiyun.com/ting0922/article/details/113895480</guid><author>ting0922</author><pubDate>Sat, 20 Feb 2021 20:50:36 +0800</pubDate><description><![CDATA[持续更新…

文章目录XgBoost算法
XgBoost算法
XgBoost是Boosting算法的其中一种，Boosting算法的思想是将许多弱分类器集成在一起，形成一个强分类器。因为XgBoost是一种提升树模型，所以它是将许多树模型集成在一起，形成一个很强的分类器，所用到的树模型是CART回归树模型。也就是XgBoost是由很多CART树集成。
什么是CART树呢？
数据挖掘或机器学习中使用的决策树主要有两种类型：

分类树分析是指预测结果是数据所属的类
回归树分析是指预测结果可以是实数

而术语分.]]></description><category></category></item><item><title><![CDATA[论文笔记 | Graph Pooling]]></title><link>https://blog.youkuaiyun.com/ting0922/article/details/113895295</link><guid>https://blog.youkuaiyun.com/ting0922/article/details/113895295</guid><author>ting0922</author><pubDate>Sat, 20 Feb 2021 20:46:04 +0800</pubDate><description><![CDATA[文章目录Graph U-Nets研究动机主要内容Hierarchical Graph Representation Learning with Differentiable Pooling研究动机研究内容
Graph U-Nets

会议：ICML 2019
Authors：Hongyang Gao, Shuiwang Ji
Departments: Texas A&amp;M University
Recommend Score: 8.5 / 10.0
Keywords: graph classifica]]></description><category></category></item><item><title><![CDATA[论文笔记 | 基础知识类论文（多任务学习、图卷积等）]]></title><link>https://blog.youkuaiyun.com/ting0922/article/details/113894537</link><guid>https://blog.youkuaiyun.com/ting0922/article/details/113894537</guid><author>ting0922</author><pubDate>Sat, 20 Feb 2021 20:39:43 +0800</pubDate><description><![CDATA[文章目录Representation Learning Using Multi-Task Deep Neural Networks for Semantic Classification and Information Retrieval研究动机两个任务模型框架模型训练实验评估总结An Overview of Multi-Task Learning in Deep Neural Networks什么是Multi-task Learning?Multi-task learning 适用场景两种常见的参数共享方]]></description><category></category></item><item><title><![CDATA[Attention 和 Transformer详解]]></title><link>https://blog.youkuaiyun.com/ting0922/article/details/113894880</link><guid>https://blog.youkuaiyun.com/ting0922/article/details/113894880</guid><author>ting0922</author><pubDate>Sat, 20 Feb 2021 20:35:02 +0800</pubDate><description><![CDATA[Attention &amp; Transformer

由Jay Alammar的博客总结
链接：1. seq2seq and attention     2. transformer

Attention
以下的内容都以机器翻译任务举例。
Seq2seq for translation
传统的seq2seq架构在做机器翻译任务时，encoder部分获取输入句子的embedding，也就是最后一个时间步的hidden state向量，输入到decoder中，经过多个时间步后，得到输出的序列。
但其中存在的]]></description><category></category></item><item><title><![CDATA[论文笔记 | Neural attribution for semantic bug-localization in student programs]]></title><link>https://blog.youkuaiyun.com/ting0922/article/details/113886436</link><guid>https://blog.youkuaiyun.com/ting0922/article/details/113886436</guid><author>ting0922</author><pubDate>Sat, 20 Feb 2021 20:15:59 +0800</pubDate><description><![CDATA[Conference: NIPS 2019
Authors: Rahul Gupta, Aditya Kanade, Shirish Shevade
Institution: Indian Institute of Science, Google Brain
dataset and code: https://bitbucket.org/iiscseal/nbl/src/master/

研究动机
代码错误定位任务和目前的研究现状如下：

学生在Online Judge (OJ) 平台上提交程序，可以得到.]]></description><category></category></item><item><title><![CDATA[pytorch学习最佳工具——官方文档]]></title><link>https://blog.youkuaiyun.com/ting0922/article/details/113837939</link><guid>https://blog.youkuaiyun.com/ting0922/article/details/113837939</guid><author>ting0922</author><pubDate>Wed, 17 Feb 2021 20:46:56 +0800</pubDate><description><![CDATA[python/pytorch各个库的官方doc


Hugging Face：包含各个预训练模型的详细文档，可以直接使用。比如BERT中的tokenizer和model等。除此之外，还有一些公开的数据集。



pytorch documentation



同理，numpy或者其他的库，在学习的时候都可以找到他们的官方文档，看看某个函数的具体介绍。



...]]></description><category></category></item><item><title><![CDATA[pytorch读取数据（Dataset, DataLoader, DataLoaderIter）]]></title><link>https://blog.youkuaiyun.com/ting0922/article/details/113837896</link><guid>https://blog.youkuaiyun.com/ting0922/article/details/113837896</guid><author>ting0922</author><pubDate>Wed, 17 Feb 2021 20:43:06 +0800</pubDate><description><![CDATA[pytorch数据读取

参考资料：
pytorch数据读取
pytorch对nlp数据的处理博客（以短文本匹配为例）
dataloader使用教程博客
pytorch使用DataLoader对数据集进行批处理简单示例

Pytorch的数据读取主要包含三个类：

Dataset
DataLoader
DataLoaderIter

这三者是依次封装的关系，Dataset被装进DataLoader，DataLoder被装进DataLoaderIter。
Dataloader的处理逻辑是先通过Dataset类]]></description><category></category></item><item><title><![CDATA[论文笔记 | code representation（代码表示学习）系列]]></title><link>https://blog.youkuaiyun.com/ting0922/article/details/113456661</link><guid>https://blog.youkuaiyun.com/ting0922/article/details/113456661</guid><author>ting0922</author><pubDate>Sun, 31 Jan 2021 21:29:42 +0800</pubDate><description><![CDATA[文章目录Associating Natural language comment and source code entities研究动机本文方法Deep Learning Similarities from Different Representations of Source Code研究动机具体方法实验部分Learning Semantic Vector Representations of Source Code via a Siamese Neural Network研究动机具体方法实验部分数据N]]></description><category></category></item><item><title><![CDATA[论文笔记 | code summarization（代码摘要生成）系列]]></title><link>https://blog.youkuaiyun.com/ting0922/article/details/112799750</link><guid>https://blog.youkuaiyun.com/ting0922/article/details/112799750</guid><author>ting0922</author><pubDate>Tue, 19 Jan 2021 20:23:04 +0800</pubDate><description><![CDATA[代码摘要生成论文列表1. Recommendations for Datasets for Source Code Summarization2. Abridging Source Code3. Summarizing Source Code Using a Neural Attention Model4. Code Generation as a Dual Task of Code Summarization5. A Transformer-based Approach for Source Code S]]></description><category></category></item><item><title><![CDATA[读书笔记 | 韭菜的自我修养]]></title><link>https://blog.youkuaiyun.com/ting0922/article/details/112799623</link><guid>https://blog.youkuaiyun.com/ting0922/article/details/112799623</guid><author>ting0922</author><pubDate>Tue, 19 Jan 2021 09:39:03 +0800</pubDate><description><![CDATA[书名：韭菜的自我修养
作者：李笑来
阅读时间：2020年8月

1.  "韭菜"究竟是谁
我们可以从人们的常用语境里得出基本上还算准确的定义：
所谓“韭菜”，指的是在交易市场中没有挣到钱甚至赔钱的势单力薄的散户
这样看来，作为一根韭菜，想要成为"非韭菜"，任务很简单啊：
赚到钱...
2. "韭菜"的宿命从那一刻开始
“韭菜"之所以是"韭菜”，绝大多数情况下只不过源自一个相同的原因：
他们一进场就开始“买买买”！
对于新手来说，有一个定律永恒不变：
你一买，它就开始跌；你一卖，它就开始涨...
为什么会出.]]></description><category></category></item><item><title><![CDATA[论文笔记 | graph pre-training 系列论文]]></title><link>https://blog.youkuaiyun.com/ting0922/article/details/112728044</link><guid>https://blog.youkuaiyun.com/ting0922/article/details/112728044</guid><author>ting0922</author><pubDate>Sun, 17 Jan 2021 08:50:21 +0800</pubDate><description><![CDATA[图预训练论文笔记1. Strategies for pre-training graph neural networks2. Multi-stage self-supervised learning for Graph Convolutional Networks on graphs with few labeled nodesMotivation具体方法3. GPT-GNN: Generative Pre-training of Graph Neural Networks4. Pre-training G]]></description><category></category></item><item><title><![CDATA[论文笔记 | 语义解析相关论文]]></title><link>https://blog.youkuaiyun.com/ting0922/article/details/106158693</link><guid>https://blog.youkuaiyun.com/ting0922/article/details/106158693</guid><author>ting0922</author><pubDate>Sat, 16 May 2020 14:53:49 +0800</pubDate><description><![CDATA[文章目录1. Language to Logical Form with Neural Attention2. Abstract Syntax Networks for Code Generation and Semantic Parsing3. A Syntactic Neural Model for General-Purpose Code Generation4. Tree-structured Decoding with Doubly-recurrent Neural Network5. Seman]]></description><category></category></item><item><title><![CDATA[强化学习导论 | 第10章 On-policyControl with Approximation]]></title><link>https://blog.youkuaiyun.com/ting0922/article/details/105778690</link><guid>https://blog.youkuaiyun.com/ting0922/article/details/105778690</guid><author>ting0922</author><pubDate>Tue, 28 Apr 2020 08:12:32 +0800</pubDate><description><![CDATA[上一章讲了on-policy策略下，怎样估计状态价值函数，也就是“预测”任务。对应的还有一个“控制”任务，就是要找到最优策略。并且，在控制任务中，我们现在要估计的是动作价值函数，即q^(s,a,w)≈q∗(s,a)\hat{q}(s, a, \mathbf{w}) \approx q_*(s, a)q^​(s,a,w)≈q∗​(s,a)，其中w∈Rd\mathbf{w} \in \mathbb{R...]]></description><category></category></item><item><title><![CDATA[全面理解RNN（包括GRU、LSTM）以及对应pytorch实现]]></title><link>https://blog.youkuaiyun.com/ting0922/article/details/105775382</link><guid>https://blog.youkuaiyun.com/ting0922/article/details/105775382</guid><author>ting0922</author><pubDate>Sun, 26 Apr 2020 20:35:07 +0800</pubDate><description><![CDATA[之前在学习RNN的时候，总是零零散散的搜一些东西。这次想要将关于RNN的知识总结起来，包括各种RNN网络的结构、输入输出以及pytorch代码实现。
文章目录单向RNN网络简介Vanilla RNN / GRU 的结构LSTM 的结构双向RNN网络简介单向和双向LSTM的pytorch代码实现单向LSTM双向LSTMReference
单向RNN网络简介
我们首先介绍单向RNN网络的结构，如下图所...]]></description><category></category></item><item><title><![CDATA[强化学习导论 | 第九章 on-policy的近似预测]]></title><link>https://blog.youkuaiyun.com/ting0922/article/details/105616074</link><guid>https://blog.youkuaiyun.com/ting0922/article/details/105616074</guid><author>ting0922</author><pubDate>Sat, 25 Apr 2020 17:55:42 +0800</pubDate><description><![CDATA[本章的题目为"on-policy prediction with approximation"，之前几章的内容也涉及到了on-policy prediction，这里的不同就在于“估计”。因为前面讲到的内容是根据策略采样轨迹，再基于轨迹得到的奖励，计算价值函数。但这里不再是采用这样的思路，而是估计价值函数，并且估计出来的价值函数不再是以表格的形式存在，而是得到一个参数化的函数形式。形式化表示为v^...]]></description><category></category></item></channel></rss>