yrk0556的博客

conda 已经为我们安装软件提供了非常大的便利。如果用conda安装TensorFlow，他会自动给我们安装匹配好的cuda以及cudnn。注意cuda，在conda中是以cudatoolkit名称存在的。conda 安装tf但是conda的库一般不全，一般新版的tf是没有的，所以有的时候我们需要用pip来安装新版的tf包。例如conda install cudatoolkit=11.0conda install cudnn=8.2.1pip install tensorflow==2.6.0

刚刚遇到一个问题，这个模型里面的pretrained_word_embedding是保存在内存中的，但是这个模型是放在GPU中的，这样不是不行么，怎么会有这种操作？后来发现是，即使这个embedding原本在内存中，在进行model.to('cuda')时候，已经全部被移动到了显存里面，因为这行代码的意思就是把模型移动到显存，模型是什么？模型就会这个模型携带的全部参数，而这个embedding也是这个model的参数，当然也被移动到显存中去了。...

深度学习的训练任务需要较长时间，当我们利用SSH工具连接GPU服务器训练时，可以利用下面的nohup命令代替直接使用python： nohup python -u train.py &其中，train.py 是你训练脚本的名称；后面加上&符号，可以使得我们就算关掉了session连接，远程服务器也可以保持训练任务的运行。使用nohup命令时，原本打印到控制台的日志信息会保存在当前目录的nohup.out目录下，我们可以利用 tailf nohup.out 实时查看进度。训练完毕后，也

MLP就是最大似然估计MAP是最大后验证估计，利用贝叶斯公式。参考：https://zhuanlan.zhihu.com/p/32480810

原始的pagerank算法对每个节点给定一个初始pr值迭代直到节点值不变： 对所有节点，按照概率将节点的pr值分配给其他节点(对于其他节点是一个收集值的累加过程)这里会出现几种case：case1：出现了dead enddead end就是死节点，没有出边，分配给该节点的pr值，由于没有出边，所以直接归零。在多次迭代后，慢慢的所有的pr值都会被消耗殆尽，归于沉寂。多次迭代后结果（假设初始pr值都为1/4）：case2：出现了Spider Traps只有入边没有出边，pr值只

Query，Key，Value的概念取自于信息检索系统，举个简单的搜索的例子来说。当你在某电商平台搜索某件商品（年轻女士冬季穿的红色薄款羽绒服）时，你在搜索引擎上输入的内容便是Query，然后搜索引擎根据Query为你匹配Key（例如商品的种类，颜色，描述等），然后根据Query和Key的相似度得到匹配的内容（Value)。来源：https://zhuanlan.zhihu.com/p/48508221可以参考下图，每一个单词都有QKV这三个向量，这里运用了注意力机制，也有是会去求其他单词和该单词的.

学院集群startdocker -c "python3 /ghome/yurk/NeuRec-new/main.py" bit:5000/deepo_9 --dropout=0.4sudo docker stop id 关闭正在运行的镜像sudo docker ps 查看正在运行的镜像chk_gpu 在gwork使用，查看gpu使用状态 调用shellstartdocker -u "-it" -c /bin/bash bit:5000/deepo_9切换当前目录os.chdir('

从暑假看到现在终于在<这篇文章>的帮助下搞懂了，期间看了无数的中文关于vae的博客文章，一个个基本上不是少讲了这个就是少讲了那个，最后总是搞不懂，还走了不少弯路，去研究变分推断本身，其实只是为了看懂vae的原理，是不必深度了解变分推断的。话不多说，说正题，这里我只会讲下大概，具体的请看原始文章。自编码模型自编码模型是把原始特征压缩为中间维度，再讲中间维度解码为原始特征，最后衡量在这编码和解码的过程中损失了多少的信息，将这个损失的信息降到最低。但是在这个过程中，模型可能会为了降低这个lo

import numpy as npfrom sklearn import metricsimport matplotlib.pyplot as pltlabel=np.array([1,1,-1,-1])scores=np.array([0.7,0.2,0.4,0.5])fpr,tpr,thresholds=metrics.roc_curve(label,scores)print('FPR:',fpr)print('TPR:',tpr)print('thresholds:',thresho

data[a,b]这种只能对行切片，a，b分别为行的开始和结束索引data['列名'] 选取指定的一列data.loc[col_start:col_end,[列名的列表]]只能子啊知道列名的情况下使用data.iloc[col_start:col_end,row_start:row_end]支持行列索引使用，类似numpy，推荐参考：https://blog.youkuaiyun.com/yoonhee/article/details/76168253...

今天按照一下午，终于算是搞好了，记录一下安装过程。1.更新显卡驱动（驱动下载）。在设备管理器中找到显卡对于的型号，然后去上面地址里面选择相应的驱动下载2.下载cuda（点这下载），cuda的版本和Python，tf，cudnn都要对应。对应表网上能搜到。这里注意每个小版本是不一样的，需要安装10.0就不能选择10.1！这个界面是选择操作系统的型号的！！！我好几次当成了选择cuda的型号，明明是win10选了个8.1.。。。，注意注意！！！这里已经自动给cuda的bin目录加入环境变量了，可以用