2022 年 1月随笔档案 - foghorn

python字典dict处理缺失值的若干方法

摘要：例一给一家三明治店设计菜单，先确定大家喜欢吃哪些类型的面包。于是，我们定义这样一个字典，把每种款式的名字和它当前的得票数关联起来。 counters = { 'pumpernicker': 2, 'sourdough': 1 } 如果要记录新的一票，首先判断对应的键在不在字典中。如果不在就要把这个阅读全文

posted @ 2022-01-29 15:06 foghorn 阅读(1179) 评论(0) 推荐(0) |

GBDT+LR原理及实战

摘要：概述 GBDT+LR模型是Facebook于2014年提出的，目的是解决高维特征的组合和筛选的问题。在该模型提出之前，FM、FFM能够实现特征的二阶交叉，但本质上还是属于线性模型的范畴，如果想要扩展到更高阶的特征交叉，则模型的复杂度会很高，难以在实际中应用。Facebook提出了一种利用GBDT自动阅读全文

posted @ 2022-01-23 16:30 foghorn 阅读(1262) 评论(0) 推荐(0) |

变分自编码器（VAE）的理解与实现

摘要：#导读变分自编码器（VAE）是一种生成式模型，虽然名字上叫做自编码器，但却和普通的自编码器有着本质上的区别。图a所示为一个普通自编码器的示意图，其功能是将输入数据压缩到一个低维的空间中，这个低维的向量代表了输入数据的“精华”，如何保证低维的向量能够表示输入向量呢？自编码器在将低维向量解码成输出向量阅读全文

posted @ 2022-01-23 01:00 foghorn 阅读(2960) 评论(0) 推荐(0) |

GraphSAGE：Inductive Representation Learning on Large Graphs——论文笔记

摘要：背景本文是斯坦福大学发表在2017年nips的一篇文章，不同于deepwalk等通过图结构信息，在训练之前需要所有节点的embedding信息，这种方法对于那些没有见过的node节点是没办法处理的，概括的说，这些方法都是transductive的。此文提出的方法叫GraphSAGE，针对的问题是之阅读全文

posted @ 2022-01-16 15:53 foghorn 阅读(731) 评论(0) 推荐(0) |

python生成器

摘要：什么是生成器通过列表生成式，我们可以直接创建一个列表，但是，受到内存限制，列表容量肯定是有限的，而且创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循阅读全文

posted @ 2022-01-04 11:15 foghorn 阅读(145) 评论(0) 推荐(0) |

Graph Attention Networks论文笔记

摘要：Abstract 我们提出了图注意网络(GATs)，一种基于图结构数据的新型神经网络结构，利用masked self-attentional layers来解决先前基于图卷积或其近似的方法的缺点。通过堆叠节点能够关注其邻域特征的层，我们允许（隐式地）为邻域中的不同节点指定不同的权重，而不需要任何昂贵阅读全文

posted @ 2022-01-03 16:04 foghorn 阅读(420) 评论(0) 推荐(0) |

python内存管理机制

摘要：引用计数机制简介 python内部使用引用计数，来保持追踪内存中的对象，Python内部记录了对象有多少个引用，即引用计数，当对象被创建时就创建了一个引用计数，当对象不再需要时，这个对象的引用计数为0时，它被垃圾回收。特性当给一个对象分配一个新名称或者将一个对象放入一个容器（列表、元组或字典）阅读全文

posted @ 2022-01-01 13:58 foghorn 阅读(57) 评论(0) 推荐(0) |

foghorn

公告