- 博客(37)
- 收藏
- 关注
RSS订阅原创 文件权限设置（chown、chmod、setfacl、chattr）
解释：修改文件info.tar的属主和属组，分别为weblogic和bea。
2023-11-20 17:18:38
407
原创 Linux系统下用户和用户组
Linux操作系统基于多用户的设计理念，允许多个用户同时使用系统资源。每个用户都有自己的账户和密码，以及对应的用户ID和组ID。用户组是将一组用户归类为一组，方便管理和授权。Linux中的用户和用户组是系统安全和权限管理的基础。
2023-11-17 16:20:27
191
原创 Ubuntu使用Git命令上传和下载代码以及各种踩坑
记录使用 git 时遇到的一些问题git 的安装和配置安装在终端中使用 sudo apt-get install git 安装 git创建SSH key在本地创建 SSH Key ssh-keygen -t rsa -C "xxxxxx@163.com"（这个邮箱和github里的邮箱好像需要对应）创建的文件保存在 ~/.ssh/ 目录下，进入目录之后使用 cat id_rsa 查看生成的密钥然后将其复制到 github 中配置信息配置用户名 git config --global u
2022-05-04 20:55:42
2360
原创 Linux--常用命令
LInux–常用命令记录pwd：查看当前工作目录路径ls：查看当前目录下的文件和文件夹ls -a：显示全部，包括隐藏文件ls -l：以列表方式显示文件的详细信息cd：切换路径cd ~：切换到用户主目录（/home/user/）cd …：切换到上一级目录touch：创建文件echo 内容 > 文件：向文件中写入内容，会覆盖原内容（使用 >> 不会覆盖原内容）cat：查看文件内容tree 目录：以树形图格式查看目录结构head -n 行数 文件名：显示文件的前几
2022-04-26 17:54:27
613
原创 推荐系统--基于用户的协同过滤算法（UserCF）
推荐系统–基于用户的协同过滤算法（UserCF）基本概念基本思想：向用户 uuu 推荐时，我们可以先找到和 uuu 相似的用户集合 NuN_uNu，然后把这些用户喜欢的物品，但 uuu 没有看过的物品推荐给他。步骤：找到和目标用户相似的用户集合。找到这个集合中的用户喜欢的，且目标用户还没有听说过的物品，然后推荐给目标用户。步骤1 - - 找相似用户为了找到目标用户的相似用户，我们需要计算不同用户之间的相似度。协同过滤算法主要利用行为的相似度计算兴趣的相似度。对于用户 uuu 和 vvv，
2022-04-25 18:50:10
6115
2
原创 推荐系统--协同过滤（Collaborative Filtering）
推荐系统–协同过滤基本思想根据用户 uiu_iui 之前的喜好以及与其兴趣相近的用户 viv_ivi 的喜好给当前用户 uiu_iui 进行推荐。目前较为常用的协同过滤算法是基于邻域的方法，主要包括（我们对这两种算法单独进行描述，具体可见链接）：基于用户的协同过滤算法（UserCF）：向用户推荐与其兴趣相近的用户喜欢的物品基于物品的协同过滤算法（ItemCF）：向用户推荐和它之前喜欢的物品相近的物品对于协同过滤，最重要的就是计算用户之间或物品之间的相似度，我们给出常用的相似性度量。相
2022-04-25 18:46:55
801
原创 推荐系统--评估方法和评估指标
推荐系统–评估方法和评估指标评估方法目前推荐系统中常用的评估方法可以分为两大类：离线评估方法在线评估方法离线评估方法离线评估基本思想是，将数据集划分为训练集和测试集，利用训练集得到一个较优的模型，用测试集进行模型评估。按照训练集和测试集的划分方式，主要分为3种：HoldOut 检验它将样本按照 70% - 30% 的比例进行划分，70% 的样本用于训练，30% 的样本用于评估模型优劣。缺点：数据集的划分直接影响评估结果，存在较大的随机性。K-fold 交叉检验它首先将全部样本等比划
2022-04-25 18:34:39
1812
原创 推荐系统--MovieLens数据集
推荐系统–MovieLens数据集简介MovieLens 数据集是由 GroupLens 项目组制作的公开数据集。MoveieLens数据集可以说是推荐系统领域最为经典的数据集之一，其地位类似计算机视觉领域里的MNIST数据集。MovieLens数据集MovieLens 是一系列数据集的统称。根据创建时间、数据集大小等划分为若干个子数据集。例如：MovieLens 100K DatasetMovieLens 1M DatasetMovieLens 10M DatasetMovieLens
2022-04-23 16:22:59
9763
1
原创 机器学习--逻辑斯谛回归（Logistic Regression）
机器学习–逻辑斯谛回归（Logistic Regression）基本概念逻辑斯谛回归（Logistic Regression）虽然带回归，却是经典的分类方法。逻辑斯谛回归模型属于对数线性模型。它在线性模型的基础上，使用 Sigmoid 函数，将线性模型的结果映射到 [0, 1] 之间，实现了具体值到概率的转换。线性回归：f(x)=wTx+bf(x)=w^Tx + bf(x)=wTx+bSigmoid：S(x)=11+e−xS(x) = \frac{1}{1 + e^{-x}}S(x)=1+e−x
2022-04-20 18:28:00
409
原创 机器学习--弹性网络（Elastic-Net Regression）
机器学习–Elastic-Net Regression基本概念弹性网络 是一种使用 L1， L2 范数作为先验正则项训练的线性回归模型。 这种组合允许拟合到一个只有少量参数是非零稀疏的模型，就像 Lasso 一样，但是它仍然保持了一些类似于 Ridge 的正则性质。弹性网络在很多特征互相联系的情况下是非常有用的。Lasso 很可能只随机考虑这些特征中的一个，而弹性网络更倾向于选择两个。最小化的目标函数是:min w12nsamples∣∣Xw−y∣∣22+αρ∣∣w∣∣1+α(1−ρ)2∣∣w∣∣
2022-04-19 20:08:06
6953
原创 机器学习--Lasso回归（LassoRegression）
机器学习–LassoRegression基本概念Lasso 是拟合稀疏系数的线性模型。 它在一些情况下是有用的，因为它倾向于使用具有较少参数值的情况，有效地减少给定解决方案所依赖变量的数量。 在线性模型基础上，它增加了一个带有 l1l_1l1 先验的正则化项，可以表示为：minw12nsample∥wTx−y∥22+α∥w∥1\mathop{min}\limits_{w}\frac{1}{2n_{sample}}\Vert w^Tx -y\Vert_2^2 + \alpha\Vert w\Vert_
2022-04-19 19:37:36
3218
原创 机器学习--岭回归（RidgeRegression）
机器学习–岭回归模型（RidgeRegression）基本概念RidgeRegression 通过对系数的大小施加惩罚来解决普通最小二乘法的一些问题。岭系数最小化的是带罚项的残差平方和，优化目标为：minw∥wTx−y∥22+α∥w∥22\mathop{min}\limits_{w}\Vert w^Tx-y\Vert_2^2+\alpha\Vert w\Vert_2^2wmin∥wTx−y∥22+α∥w∥22其中， α≥0\alpha \geq 0α≥0 是控制系数收缩量的复杂性参数： α\a
2022-04-19 15:26:07
2498
原创 机器学习--线性回归（LinearRegression）
机器学习–线性回归基本概念线性回归（Linear Regression）是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。本文只讨论一元线性回归。表达形式为：y=wTx+by = w^Tx + by=wTx+b我们通常使用最小二乘法对方程进行求解。优化目标为：arg maxw∥wT−y∥22arg\ \mathop{max}\limits_{w}\Vert w^T -y\Vert_2^2arg wmax∥wT−y∥22局限性
2022-04-19 15:16:36
634
原创 机器学习--K折交叉验证（K-fold cross validation）
K 折交叉验证（K-flod cross validation）当样本数据不充足时，为了选择更好的模型，可以采用交叉验证方法。基本思想：把给定的数据进行划分，将划分得到的数据集组合为训练集与测试集，在此基础上进行反复训练、测试以及模型选择。最常用的为 K 折交叉验证。首先随机将给定数据划分为 K 个互不相交、大小相同的自己；每次选择一个子集当作测试集（不能重复），其余 K-1 个子集作为训练集；一共进行 K 次；最后选择这 K 次中平均测试误差最小的模型。例子# coding=utf-8fr
2022-04-19 10:31:22
2296
原创 机器学习-K近邻算法（KNN）
机器学习–K近邻算法基本概念kkk 近邻法 (kkk-nearest neighbor, kkk-NN) 是一种基于分类与回归的方法。原理：对于一个实例，根据其 kkk 个最近邻的训练实例的类别，通过多数表决等方式来决定这个实例的类别。输入：实例的特征向量输出：实例的类别三个基本要素：kkk 值的选择、距离度量以及分类决策规划kkk 近邻算法输入：训练数据集T={(x1,y1),(x2,y2),⋯ ,(xn,yn)}T = \{(x_1,y_1),(x_2,y_2), \cdots,(x_
2022-04-19 09:58:22
487
原创 Ubuntu 20.04 安装 .deb 文件报 failed to install file: not supported
安装完虚拟机想下载chrome浏览器，从filefox下载之后，进行安装，出现failed to install file: not supported 提示。解决方法：将下载好的 .deb 文件从tmp中移到home目录下，再进行安装即可。
2022-04-18 12:29:28
1689
原创 torch和tensorflow各版本下载地址，tensorflow与cuda版本对应关系
下载地址：https://download.pytorch.org/whl/torch_stable.html
2022-03-03 09:41:07
1098
原创 AttributeError: ‘str‘ object has no attribute ‘copy
在加载模型时出现 AttributeError: 'str' object has no attribute 'copy' 错误解决方案：将model.load_state_dict(state_dict) 修改为：model.load_state_dict(torch.load(PATH))
2022-03-01 09:57:18
3372
原创 PyG图神经网络框架--构建信息传递网络（MPN）
信息传递网络将卷积算子泛化到不规则域中，通常表示为邻域聚合或信息传递模式。xi(k−1)∈RFx_i^{(k-1)} \in \R^Fxi(k−1)∈RF 表示节点 iii 在第 l−1l-1l−1 层的节点特征，ej,i∈RDe_{j,i}\in \R^Dej,i∈RD 表示 从节点 jjj 到节点 iii 的特征，信息传递图神经网络可以表示为：xi(k)=γ(k)(xi(k−1),∗j∈N(i)ϕ(k)(xi(k−1),xj(k−1),ej,i))x_i^{(k)}=\gamma^{(k)}(x
2021-12-21 14:33:19
491
原创 PyG图神经网络框架学习--示例介绍
实例介绍通过自带的示例介绍并学习PyG。主要从以下4各方面：图数据处理通用基准数据集Mini-batches数据转换图学习方法图数据处理图用于对对象（节点）之前的关系（边）进行建模。PyG中的图可以用torch_geometric.data.Data的一个实例表示，默认情况下包含以下属性：data.x: 具有[num_nodes, num_node_features]形状的节点特征矩阵data.edge_index: 形状为[2, num_edges]，类型为Torch.longda
2021-12-20 20:29:20
1065
原创 PyG图神经网络框架torch-geometric安装
最近需要使用到PyG框架，安装的时候需要注意一些问题，记录一下，方便后来者避坑！步骤1首先要先确定自己的torch版本如果使用的Anaconda可以使用conda list命令查看版本号进入官网https://pytorch-geometric.com/whl/找到与torch对应的torch-geometric，cu表示cuda版本，cpu表示cpu版本，选择对应的进去。cuda版本号可以在控制台使用nvcc --version来查看# each element in target has to have 0 <= value
2021-11-29 08:57:59
1897
原创 vgg网络结构
最近在基于vgg的网络模型上进行改进，记录下几种常见的vgg模型结构：vgg11，vgg13，vgg16，vgg19vgg11VGG-11的网络结构： VGG( (features): Sequential( (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (1): ReLU(inplace=True) (2): MaxPool2d(kernel_size=2, stride=2,
2021-07-17 13:40:35
728
原创 图表示学习(Graph Representation Learning)笔记
graph–是一种可以描述复杂系统的数据结构1.1 what is a graph?G=(V,E)G = (V,E)G=(V,E)V:node setE: edge set通常使用A∈RN×NA \in R^{N \times N}A∈RN×N表示一个图，其中|V| = N1.1.1 multi-relational graphs实际情况中需要考虑不同类型边的图。例如：表示药物相互作用的图中，我们想要不同的边对应同时服用一对药物时出现的副作用。此时需要扩展边符号：(v,τ,u)∈E(v,\
2021-06-24 16:30:59
1208
原创 python中判断字符串的常用操作
python中字符串的大小写转换操作方法名操作说明isidentifier()判断指定字符串是不是合法的标识符（例如字母、下划线）isspace()判断字符串是否全部由空白字符组成isalpha()判断字符串是否全部由字母组成isdecimal()判断字符串是否全部由十进制数字组成isnumeric()判断字符串是否全部由数字组成isalnum()判断字符串是否全部由字母和数字组成对应代码结果如下s1 = "_"s2 = "12345
2021-06-12 21:23:51
181
原创 python中字符串大小写转换常用操作
python中字符串的大小写转换操作方法名操作说明upper()把字符串中的字符全部转换为大写lower()把字符串中的字符全部转换为小写swapcase()把原字符串中的字符，大写变小写，小写变大写capitalize()将字符串中的首字母大写，其余字符为小写title()将每个单词的首字母大写，其余字符为小写对应代码结果如下s = "hello world!"print("upper():", s.upper())print("lo
2021-06-12 21:10:26
350
原创 latex中复杂公式换行等号对齐
平时的使用都是:\begin{equation}\begin{split} \end{split} \end{equation}例如下列公式\begin{equation}\begin{split} x_i^{\left(l+1\right)}=AGGREGATE\left(A,X^{\left(l+1\right)}\right)_i \\ =\sum_{i=1}^{N}D_{i,j}^{-\frac{1}{2}}\sum_{j=1}^{N}A_{i,j}\su
2021-05-28 19:42:17
3625
原创 安装torch_sparse失败解决方法
使用PyG时遇到的一些小问题当安装torch_sparse时出现以下错误试了多种方法，最后发现是包之间的依赖问题，只需要对应好版本号就可以解决。pip install torch_geometric==1.4.1pip install torch_sparse==0.4.4pip install torch_scatter==1.4.0pip install torch_cluster==1.4.5成功安装...
2021-05-20 10:03:30
3459
原创 Linux系统中使用pdb调试python代码
在使用事前需要先导入import pdb然后在需要设置断点的位置加上pdb.set_trace()进入调试之后，有多条指令进行操作n（or next）：执行下一行：Step over，跳过c（or continue）：执行下一个断点，没有断点则到程序结束：Step filters（or step）：进入函数，Step into，单步跳入r（or return）：跳出函数，Step returnl（or list）：查看当前代码段q（or quit）：退出当前debugp（or print
2021-04-25 12:03:49
181
原创 Linux中文件复制、删除、移动、压缩、解压命令
Linux中文件复制、删除、移动、压缩、解压命令复制cp命令命令：cp [-adfiprl]源文件或目录 目标文件或目录说明：将指定源文件或目录复制到目标文件或目录[选项]：-a 该选项通常在拷贝目录时使用。它保留链接、文件属性，并递归地拷贝目录。-d 拷贝时保留链接。-f 删除已经存在的目标文件而不提示。-i 在覆盖目标文件之前将给出提示要求用户确认。输入y时目标文件将被覆盖，是交互式拷贝。-p 此时cp除复制源文件的内容外，还将把其修改时间和访问权限也复制到新文件中。-r 若给
2021-04-09 08:47:34
1508
原创 Python中格式化字符串
Python中格式化字符串1. Python中格式化字符串的方式python中格式化字符串一共一两种方式：分别是 % 格式化方式和.format 格式化方式2. % 格式化方式%[(name)][flags][width].[precision]typecode(name): 可选，用于选择指定的keyflags: 可选，可供选择的值有: +: 右对齐；正数前加正好，负数前加负号； -: 左对齐；正数前无符号，负数前加负号； : 右对齐；正数前加空格，负数前加负号；
2021-04-01 10:30:44
250
原创 m个样本的梯度下降
m个样本的梯度下降其中J是成本函数，相关定义如下dw1和dw2是各项损失对参数w1的导数我们在这里假设只有w1和w2两个参数，同理可扩展为m个样本（使用for循环）最后在遍历结束之后，将成本函数和各个参数除以m，就得到了m个样本的成本函数和参数的导数...
2021-03-15 15:20:07
234
原创 pycharm在创建py文件时如何自动注释
pycharm在创建py文件时如何自动注释打开PyCharm程序，根据菜单栏中按照如下进入设置：File -> settings -> Editor -> File and Code Templates -> Python Script然后将以下内容复制到右侧即可#!/usr/bin/env python-- coding: utf-8 --@Time : ${DATE} ${TIME}@Author : Huranqingqing@Site : ${SITE}@F
2020-11-03 10:40:33
170
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人