<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[zsycode的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/zsycode</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; zsycode]]></copyright><item><title><![CDATA[JVM知识总结（持续更新）]]></title><link>https://blog.youkuaiyun.com/zsycode/article/details/135572169</link><guid>https://blog.youkuaiyun.com/zsycode/article/details/135572169</guid><author>zsycode</author><pubDate>Sat, 13 Jan 2024 17:29:20 +0800</pubDate><description><![CDATA[主要存放了编译期可知的各种数据类型（boolean、byte、char、short、int、float、long、double）、对象引用（reference 类型，它不同于对象本身，可能是一个指向对象起始地址的引用指针，也可能是指向一个代表对象的句柄或其他与此对象相关的位置）当一个方法要调用其他方法，需要将常量池中指向方法的符号引用转化为其在内存地址中的直接引用。方法调用的数据需要通过栈进行传递，每一次方法调用都会有一个对应的栈帧被压入栈中，每一个方法调用结束后，都会有一个栈帧被弹出。]]></description><category></category></item><item><title><![CDATA[Graphormer]]></title><link>https://blog.youkuaiyun.com/zsycode/article/details/119326368</link><guid>https://blog.youkuaiyun.com/zsycode/article/details/119326368</guid><author>zsycode</author><pubDate>Mon, 02 Aug 2021 15:43:21 +0800</pubDate><description><![CDATA[本文思考如何将Transformer的主体结构应用到图结构数据上。

作者认为将Transformer应用到图上最关键问题是如何适合地将图的结构信息整合到模型之中。自注意力机制只计算了节点和其他节点的语义相似性，而没有考虑图上节点的结构信息和节点对之间的关系。







作者采用了如下三种方式对结构信息进行编码

Centrality Encoding

中心性编码，用来衡量节点的重要性，通过节点的入度和出度来得到中心性编码





​是基于入度和出度的可学习向量，如果是无向图，则出度等于入度。将..]]></description><category></category></item><item><title><![CDATA[计算机基础知识补充]]></title><link>https://blog.youkuaiyun.com/zsycode/article/details/117353678</link><guid>https://blog.youkuaiyun.com/zsycode/article/details/117353678</guid><author>zsycode</author><pubDate>Fri, 28 May 2021 15:01:09 +0800</pubDate><description><![CDATA[dns域名解析过程

HTTP状态码
各类别常见状态码：


2xx （3种）
200 OK：表示从客户端发送给服务器的请求被正常处理并返回；
204 No Content：表示客户端发送给客户端的请求得到了成功处理，但在返回的响应报文中不含实体的主体部分（没有资源可以返回）；
206 Patial Content：表示客户端进行了范围请求，并且服务器成功执行了这部分的GET请求，响应报文中包含由Content-Range指定范围的实体内容。


3xx （5种）
301 Moved Permanently]]></description><category></category></item><item><title><![CDATA[Informer：AAAI2021 最佳论文整理]]></title><link>https://blog.youkuaiyun.com/zsycode/article/details/115667074</link><guid>https://blog.youkuaiyun.com/zsycode/article/details/115667074</guid><author>zsycode</author><pubDate>Wed, 14 Apr 2021 10:22:38 +0800</pubDate><description><![CDATA[前言
本文是在Transformer的基础上进行的改进，首先作者提出Transformer在长时间序列预测中的三个局限性：

自注意力的二次计算复杂度O(L2)O(L^2)O(L2)（L表示输入序列的长度）
堆叠J层编码器（解码器）后会是内存使用量达到O(JL2)O(JL^2)O(JL2)，这限制了模型接收长序列输入的可伸缩性
Transformer解码器中step-by-step推断流程，会导致在预测长输出时速度急剧下降

Transformer
既然是在Transformer的基础上，就先了解下Tran]]></description><category></category></item><item><title><![CDATA[空气质量预测]]></title><link>https://blog.youkuaiyun.com/zsycode/article/details/112219545</link><guid>https://blog.youkuaiyun.com/zsycode/article/details/112219545</guid><author>zsycode</author><pubDate>Wed, 06 Jan 2021 09:43:32 +0800</pubDate><description><![CDATA[GeoMAN: Multi-level Attention Networks for Geo-sensory Time Series Prediction
问题提出
文章指出，基于地理的时序预测，存在两个复杂的因素：

动态时空关联性


传感器之间的相关性，即空间相关性
传感器自身的相关性，即与历史时间的相关性


外部因素
传感器的读数会受到许多外部因素影响，像天气、时间等。这些因素需要考虑。

针对以上几点，作者提出了一个多级注意力网络（GeoMAN），该网络主要分为两个部分：
多级注意力机制和外部因]]></description><category></category></item><item><title><![CDATA[Springboot事务失效的原因及解决办法]]></title><link>https://blog.youkuaiyun.com/zsycode/article/details/109630940</link><guid>https://blog.youkuaiyun.com/zsycode/article/details/109630940</guid><author>zsycode</author><pubDate>Wed, 11 Nov 2020 21:08:33 +0800</pubDate><description><![CDATA[问题
先看下问题代码，下面两个方法属于同一个service类
@Transactional(rollbackFor = Exception.class)
    public void addFile(FileDTO file, String operator) {
    	//一些列操作
    	...
    }

public void addMultiFiles(MultipartFile[] files, String operator) throws IOException {
	...
	]]></description><category></category></item><item><title><![CDATA[pycharm中运行flask（包含线程）的一点疑问]]></title><link>https://blog.youkuaiyun.com/zsycode/article/details/106530241</link><guid>https://blog.youkuaiyun.com/zsycode/article/details/106530241</guid><author>zsycode</author><pubDate>Wed, 03 Jun 2020 18:28:46 +0800</pubDate><description><![CDATA[最近做项目发现一个很奇怪的问题，下面用个简单的测试代码说明这个问题
from flask import Flask, request,Response,render_template
import threading

app = Flask(__name__)

def fun():
    print("thread 1")

@app.route('/')  # 主页
def index():
    return render_template('test.html')

if __name__==]]></description><category></category></item><item><title><![CDATA[注意力机制的改进]]></title><link>https://blog.youkuaiyun.com/zsycode/article/details/105811847</link><guid>https://blog.youkuaiyun.com/zsycode/article/details/105811847</guid><author>zsycode</author><pubDate>Tue, 28 Apr 2020 14:18:44 +0800</pubDate><description><![CDATA[Multi-Head Attention


对于Q和K一般先将降维然后在计算注意力，然后将此操作重复多次(h次)最后将结果拼接即为多头注意力。这里假设降维的Q、K维度是n∗(d/h)n*(d/h)n∗(d/h)，点积后为n∗nn*nn∗n，也就是说要用一个2∗n∗(d/h)2*n*(d/h)2∗n∗(d/h)参数量去逼近一个n2n^2n2的参数量，然而2nd/h&lt;&lt;n22nd/h&l...]]></description><category></category></item><item><title><![CDATA[node2vec整理]]></title><link>https://blog.youkuaiyun.com/zsycode/article/details/105096843</link><guid>https://blog.youkuaiyun.com/zsycode/article/details/105096843</guid><author>zsycode</author><pubDate>Wed, 25 Mar 2020 17:38:44 +0800</pubDate><description><![CDATA[目的
对于一个图G=(V,E)G=(V,E)G=(V,E)，我们需要找个映射fff，使得每个节点表示成一个高维向量，即f:V−&gt;Rdf:V-&gt;R^df:V−&gt;Rd，其中ddd为特征表示的维度数。
主要思想
将skip-gram模型扩展到图上。
目标函数如下，NS(u)N_S(u)NS​(u)表示u节点的领域节点（不是直观的领域节点，而是通过下面采样得到的节点），f(u)f(u)f...]]></description><category></category></item><item><title><![CDATA[Alias sampling（根据概率的一种高效采样方法）]]></title><link>https://blog.youkuaiyun.com/zsycode/article/details/105075303</link><guid>https://blog.youkuaiyun.com/zsycode/article/details/105075303</guid><author>zsycode</author><pubDate>Tue, 24 Mar 2020 17:31:12 +0800</pubDate><description><![CDATA[（直接以一个例子来讲解）
四个事件的概率分别是1/2，1/3，1/12，1/12（和为 1）。
构建Alias Table

将四个事件排成一列，分为1，2，3，4。
每个概率乘以四（事件数）
然后拼凑使每列值为 1，并保证每列最多只包含两个事件。
即Alias Table构建完成，得到两个数组，alias：保存着每列中加入的事件，如图即为【2，null，1，1】；prab：保存着每列事件的概率，...]]></description><category></category></item><item><title><![CDATA[GCN相关论文整理]]></title><link>https://blog.youkuaiyun.com/zsycode/article/details/104517606</link><guid>https://blog.youkuaiyun.com/zsycode/article/details/104517606</guid><author>zsycode</author><pubDate>Wed, 26 Feb 2020 15:13:06 +0800</pubDate><description><![CDATA[文章目录GAT
GAT
参考知乎文章

]]></description><category></category></item><item><title><![CDATA[GCN的应用(交通预测)相关论文整理]]></title><link>https://blog.youkuaiyun.com/zsycode/article/details/104498370</link><guid>https://blog.youkuaiyun.com/zsycode/article/details/104498370</guid><author>zsycode</author><pubDate>Tue, 25 Feb 2020 18:29:26 +0800</pubDate><description><![CDATA[文章目录T-GCN早期研究本文贡献ST-GCN本文亮点网络结构时间模块输出层
T-GCN
早期研究
早期的方法只考虑了交通状况在时间上的动态变换，忽略可空间之间的相互依赖。一些研究引入了卷积神经网络来对空间特征进行提取，但普通卷积局限于处理像图像这种欧几里德结构的数据，对于交通数据这种复杂的拓扑结构效果不是很好。
本文贡献
本文引入了最近比较火的gcn，结合GRU来分别提取交通数据的空间特征和时间...]]></description><category></category></item><item><title><![CDATA[深度学习的一些论文解析]]></title><link>https://blog.youkuaiyun.com/zsycode/article/details/104310892</link><guid>https://blog.youkuaiyun.com/zsycode/article/details/104310892</guid><author>zsycode</author><pubDate>Fri, 14 Feb 2020 13:47:55 +0800</pubDate><description><![CDATA[轻量级网

MobileNet_v1   2017
ShuffleNet_v1   2017
MobileNet_v2   2018CVPR
ShuffleNet_v2   2018ECCV
MoblieNet_v3	2019ICCV
SSD	2016ECCV
YOLOv2	2017cvpr
FPN	2017cvpr
Mask RCNN	2017 ICCV
yolov3	2018cvpr
Refi...]]></description><category></category></item><item><title><![CDATA[pytorch 多维矩阵相乘（爱因斯坦求和约定）]]></title><link>https://blog.youkuaiyun.com/zsycode/article/details/103295790</link><guid>https://blog.youkuaiyun.com/zsycode/article/details/103295790</guid><author>zsycode</author><pubDate>Thu, 28 Nov 2019 16:24:55 +0800</pubDate><description><![CDATA[torch.einsum(equation, *operands) → Tensor

该函数提供了一种使用爱因斯坦求和约定来计算多线性表达式（即乘积和）的方法。

Parameters:

等式（string） - 该等式根据与操作数和结果的每个维度相关联的小写字母（索引）给出。左侧列出了操作数尺寸，以逗号分隔。每个张量维度应该有一个索引字母。右侧跟在-&amp;gt;之后，并给出输出的索引...]]></description><category></category></item><item><title><![CDATA[前后端分离跨域问题导致session保存的数据获取不到]]></title><link>https://blog.youkuaiyun.com/zsycode/article/details/102560500</link><guid>https://blog.youkuaiyun.com/zsycode/article/details/102560500</guid><author>zsycode</author><pubDate>Tue, 15 Oct 2019 09:18:35 +0800</pubDate><description><![CDATA[因为服务器判断前端的请求是同一个session的依据是通过网页默认的一个sessionid的cookie判断的，如果存在跨域，cookie值传不过来，也就当下一个请求过来时服务端无法识别为同一个会话，会被当做一个新的会话处理，故找不到session原保存的值。

解决办法（CORS解决跨域）

CORS请求默认不发送Cookie和HTTP认证信息。若要发送Cookie，浏览器和服务端都要做设置，
...]]></description><category></category></item><item><title><![CDATA[使用solr报这个错误cannot change field "name" from index options=DOCS to inconsistent index options=DOCS_AND]]></title><link>https://blog.youkuaiyun.com/zsycode/article/details/101532736</link><guid>https://blog.youkuaiyun.com/zsycode/article/details/101532736</guid><author>zsycode</author><pubDate>Fri, 27 Sep 2019 14:19:18 +0800</pubDate><description><![CDATA[这一般是你临时改了某个字段的类型而报的错误，个人猜测是原先存储在solr上的字段类型没变，而你又改了这个字段类型导致的问题，所以清空数据，reload的一下就好了（一点要记得reload的，不然还是不行）


...]]></description><category></category></item><item><title><![CDATA[springboot前后端分离前端接受不到后台的json（也就是跨域问题）]]></title><link>https://blog.youkuaiyun.com/zsycode/article/details/101467982</link><guid>https://blog.youkuaiyun.com/zsycode/article/details/101467982</guid><author>zsycode</author><pubDate>Thu, 26 Sep 2019 19:43:50 +0800</pubDate><description><![CDATA[springboot直接在方法上加上@CrossOrigin注解完美解决
]]></description><category></category></item><item><title><![CDATA[傅里叶理解]]></title><link>https://blog.youkuaiyun.com/zsycode/article/details/100654625</link><guid>https://blog.youkuaiyun.com/zsycode/article/details/100654625</guid><author>zsycode</author><pubDate>Mon, 09 Sep 2019 10:34:43 +0800</pubDate><description><![CDATA[傅里叶变换可以理解为就是时域向频域的转换，w是频率，t是时间，i为虚数，（i的平方为-1），e^-iwt为复变函数



具体参考这篇文章https://www.cnblogs.com/h2zZhou/p/8405717.html，写的很好。
...]]></description><category></category></item><item><title><![CDATA[图像前后端的数据交互及图像格式的转换（python、opencv）]]></title><link>https://blog.youkuaiyun.com/zsycode/article/details/91320053</link><guid>https://blog.youkuaiyun.com/zsycode/article/details/91320053</guid><author>zsycode</author><pubDate>Sat, 08 Jun 2019 11:48:13 +0800</pubDate><description><![CDATA[图像前后端的数据交互及图像格式的转换（python、opencv）前言前端页面后台处理总结
前言
最近毕业答辩需要做个演示系统（图像去雨），要求将选择图片的去雨图片展示出来与原图进行对比，我决定用网页的形式做个演示系统。原先想着用java调用python脚本运行，但模型的输入和输出都是图片矩阵数据，不好操作，后来就直接用python的flask框架简单的实现了前后端交互。
前端页面
&lt;p&g...]]></description><category></category></item><item><title><![CDATA[colab挂载google云盘]]></title><link>https://blog.youkuaiyun.com/zsycode/article/details/89957139</link><guid>https://blog.youkuaiyun.com/zsycode/article/details/89957139</guid><author>zsycode</author><pubDate>Wed, 08 May 2019 15:50:21 +0800</pubDate><description><![CDATA[转载地址：https://zhuanlan.zhihu.com/p/33344222?utm_source=wechat_session&amp;utm_medium=social

先运行下面这些代码，来安装必要的库、执行授权。


!apt-get install -y -qq software-properties-common python-software-properties modu...]]></description><category></category></item></channel></rss>