weixin_41570231的博客

原创 迈向更好的动态图学习：新架构和统一库阅读笔记

动态图通过节点表示实体，通过带时间戳的链接表示实体之间的交互，被广泛用于建模现实世界中的各种场景，如社交网络、用户-项目交互系统、交通网络和物理系统。：大多数现有方法独立计算节点的时间表示，未利用节点之间的关联，这些关联通常预示着未来的交互。此外，由于计算限制和梯度问题，这些方法难以建模长期时间依赖。：不同方法的训练流程和实现不一致，导致可重复性差，研究人员的学习成本高。

原创 DCN（Deep & Cross Network for Ad Click Predictions）——深度特征交叉网络

Deep & Cross Network（DCN）是一种新型神经网络模型，结合了深度神经网络（DNN）和交叉网络（Cross Network），用于处理大规模点击率（CTR）预测问题。DCN能够自动高效地学习特征交互，适用于稀疏特征和密集特征。与相比，主要是宽组件（Wide Component）被替换为交叉网络（Cross Network），并对输入输出做了相应的调整。因此，本文的介绍重点在于交叉网络。

原创 逻辑损失函数为什么是凸函数

逻辑损失函数（Logistic Loss Function），也称为对数损失函数（Log Loss）或二元交叉熵损失函数（Binary Cross-Entropy Loss），是凸函数。这是因为其二阶导数总是非负的。让我们通过数学推导来理解为什么逻辑损失函数是凸函数。首先，回顾逻辑损失函数的定义：其中，是实际标签（0 或 1），是预测值（0 到 1 之间的概率）。对于凸性分析，我们需要计算并分析函数的二阶导数。对预测值求导。

原创 WDL（Wide & Deep Learning for Recommender Systems）——Google经典CTR预估模型

Wide & Deep Learning for Recommender Systems这篇文章介绍了一种结合宽线性模型和深度神经网络的方法，以实现推荐系统中的记忆和泛化。这种方法在Google Play商店的应用推荐系统中进行了评估，展示了其显著的性能提升。推荐系统中的记忆和泛化。

原创 GBDT+LR推荐算法

GBDT是一种集成学习方法，通过逐步训练多个决策树并结合它们的结果来提高预测性能。每个新树是在前面所有树的基础上，通过拟合其残差来减少误差。高准确性：通过逐步拟合和减少误差，GBDT在许多任务中表现优越。自动特征组合：GBDT能够自动发现并利用特征之间的交互关系。抗噪性：对噪声数据具有一定的鲁棒性。逻辑回归是一种广泛使用的线性分类模型，主要用于二分类任务。它通过学习输入特征与输出类别之间的线性关系，并利用sigmoid函数将线性组合映射到概率空间。简单高效：计算效率高，模型易于训练和解释。

原创 FM与FFM区分并举例计算特征交互

FM与FFM区分并举例计算内积

原创 FFM（Field-aware Factorization Machine -领域感知的因子分解机）解析及举例

FFM模型在传统FM模型的基础上引入了“字段”（Field）的概念（特征、隐向量维度、字段相关例子见本专栏第三篇文章）。FM模型的参数是基于特征之间的交互进行训练的，而FFM模型则进一步考虑了不同特征字段之间的交互，即同一特征在不同字段中有不同的隐向量表示。这使得FFM模型在处理高维稀疏数据时有更好的表现。

原创 FM模型（Factorization Machine，因子分解机）解析及举例

FM模型通过分解特征矩阵捕捉特征间的二阶交互，适用于推荐系统、分类和回归任务，能有效处理高维稀疏数据。

原创 Java封装讯飞星火大模型历险记

在使用讯飞星火大模型API的过程中，API的返回结果在可以在其他线程中进行分次打印，但是在main方法中直接打印返回结果，显示为空。在代码中，WebSocket的响应处理是异步的，而打印语句是同步执行的。在Java多线程环境中，每个线程都可能有自己的本地内存（线程栈），并且线程可能会将共享变量的副本缓存在本地内存中。： 与传统的 HTTP 请求不同，WebSocket 在客户端和服务器之间建立一个持久的连接，该连接会保持打开状态，直到由客户端或服务器主动关闭。是一个共享变量，它在不同的线程中被读取和修改。

原创 多分类计算混淆矩阵并绘图

【代码】多分类计算混淆矩阵并绘图。

原创 acmix

【代码】acmix。

原创 Hadoop相关

查看HDFS的NameNode组件的HTTP端口。查看Hadoop工作端口的信息。

原创 python可变形卷积

【代码】python可变形卷积。

原创 python自注意力模块

【代码】python自注意力模块。

原创 Mongo部分总结

使用python连接MongoDB数据库

原创 matploblib绘图刻度内侧，设置字体为新罗马

【代码】matploblib绘图刻度内侧，设置字体为新罗马。

原创 通过联通成分分析，移除小区域

# 通过连通成分分析，移除小区域import SimpleITK as sitkimport osimport argparsefrom pathlib import Path def RemoveSmallConnectedCompont(sitk_maskimg, rate=0.5): ''' two steps: step 1: Connected Component analysis: 将输入图像分成 N 个连通域 step 2: 假.

原创 python查看当前路径和解释器路径

原创 灰度图像转换为频域图像

img = nb.load(os.path.join(rootName,filename)).get_fdata() f = np.fft.fft2(img) fshift = np.fft.fftshift(f) # 这里构建振幅图的公式,一个y轴对称在正向递增的变换 magnitude_spectrum = 20 * np.log(np.abs(fshift))

原创 灰度图像绘制3D图像

import numpy as npimport matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3Dimport cv2if __name__ == "__main__": img_path = r"./afterdata/824994join292.png" img_gray = cv2.imread(img_path, 0) # img_gray = cv2.resize(img_bgr, .

原创 pandas读取csv

import pandas as pddata1 = pd.read_csv('rating.csv')print(data1)print("************取消第一行作为表头*************")data2 = pd.read_csv('rating.csv',header=None)print(data2)print("************为各个字段取名**************")data3 = pd.read_csv('rating.csv',names=['u.

原创 python读写nii格式的数据

import nibabel as nb# 读取nii文件nii_img = nb.load('320701join14654.nii')nii_data = nii_img.get_fdata()new_data = nii_data.copy()# 省略一些处理data的骚操作,比如：# new_data[new_data>0] = 1# 把仿射矩阵和头文件都存下来affine = nii_img.affine.copy()hdr = nii_img.header.cop.

原创 读取写mhd文件

import SimpleITK as sitkimport SimpleITKimport matplotlib.pyplot as pltimport osfrom medpy.io import save,load# data = sitk.ReadImage('01.mhd')# # print(data)# spacing = data.GetSpacing()# scan = sitk.GetArrayFromImage(data)# # print(type(scan), .

原创 图像增强

import imageioimport imgaug as iafrom imgaug import augmenters as iaa# matplotlib inlineimport cv2 as cvimport numpy as npfrom scipy import ndimagedef inhance(path1,path2): image = imageio.imread("img.png") # Image格式 print("Original") #.

原创 functools.lru_cache：一个缓存装饰器

import functoolsclass Solution: @functools.lru_cache(None)当程序不断进行重复运算时，使用这个缓存器可以保存下每一次的输入和输出，避免重复运算

原创 SortedList：排序模块

from sortedcontainers import SortedListwindow = SortedList()window.remove(nums[i - 1 - k])window.add(nums[i])

原创 bisect：一个排序模块

idx = bisect.bisect_left(list, nums[i])

原创 读取视频并灰度

def deal_video(video_name): x1,x2=80,650 #range(0,720) y1,y2=475,900 #range(0,960) cap = cv2.VideoCapture(video_name) fourcc = cv2.VideoWriter_fourcc(*'DIVX') fps = cap.get(cv2.CAP_PROP_FPS) size = (int(cap.get(cv2.CAP_PROP_.

原创 CV控制输出的图片大小

import cv2img = cv2.imread('cat.jpg', cv2.IMREAD_COLOR)img = cv2.resize(img, (3104, 2048))cv2.namedWindow('result', cv2.WINDOW_NORMAL) # 窗口大小可以改变# cv2.namedWindow('result', cv2.WINDOW_AUTOSIZE) # 窗口大小不可以改变# cv2.namedWindow('result', cv2.WINDOW.

原创 谷歌浏览器插件

https://chrome.zzzmh.cn/index#ext

原创 jupyter远程

https://blog.youkuaiyun.com/qq_15230053/article/details/82530367

原创 查看已安装的python的库的说明文档

python -m pydoc -p 0

原创 自动更新显卡驱动

sudo ubuntu-drivers autoinstall

原创 Leetcode思路整理

https://leetcode-cn.com/problems/rectangle-overlap/ 逆向思维

原创 ord

python使用ord函数可以获得字符对应的ascII码

原创 python生成二维数组

m = [[0]*m for i in range(n)]

原创 python判断一个集合是否为另一个集合的子集

a = [1,2,3,4]b = set([1,2])b.issubset(a)

原创 numpy生成数组

data = np.random.randn(2, 3)

原创 boolen头文件

#include <stdbool.h>

转载 安装aptitude后apt不能使用，aptitude换回apt，apt：找不到命令

https://blog.youkuaiyun.com/a_thinking_reed_/article/details/99709620