摘要：
sched_class 在 Linux 中有多种不同的调度策略，每一种调度策略都由不同的调度器类实现，在 sched_class 中定义了调度器需要实现的接口。 struct sched_class { const struct sched_class *next; void (*enqueue_t 阅读全文
摘要：
list_head 在 Linux 内核中是通过链表的形式来管理进程的，其定义非常简单（/include/linux/list.h）： struct list_head { struct list_head *next, *prev; }; 只有两个指针，不包含其他数据，那怎么通过 list_hea 阅读全文
摘要：
左值、右值 1 左值是表达式结束后依然存在的持久对象。 2 右值是表达式结束后不再存在的临时对象。 简单来说，能取地址的是左值，否则就是右值。 右值引用的意义 实现移动语义和完美转发。 移动语义：可以用廉价的移动操作来代替昂贵的拷贝操作。 完美转发：将实参转发到其他的函数，使目标函数接收到的实参与被 阅读全文
摘要：
假设现在有一个程序包含 2 个变量：data1、data2 和 2 个函数：func1、func2，找到其地址与数值的过程如下： 1 根据文件头结构 Elf64_Ehdr 中的 e_shoff 得知段表的位置。 2 根据段描述符结构 Elf64_Shdr 中的 sh_offset 得知每个段距离 E 阅读全文
摘要：
概率图模型 这篇文章主要想总结一下朴素贝叶斯、最大熵、隐马尔可夫和条件随机场这四个概率图模型之间的一些联系与区别。朴素贝叶斯假设条件独立性，在给定目标值 $y$ 时，$x$ 之间是相互独立的，对于序列来说，它不会去考虑单个位置之间的相互依赖。隐马尔可夫假设观测序列在连续相邻位置间的状态存在依赖，它的 阅读全文
摘要：
什么是内存池？ 在上一篇 C++内存管理：new / delete 和 cookie 中谈到，频繁的调用 malloc 会影响运行效率以及产生额外的 cookie， 而内存池的思想是预先申请一大块内存，当有内存申请需求时，从内存池中取出一块内存分配给目标对象。 它的实现过程为： 预先申请 chunk 阅读全文
摘要：
new 和 delete C++的内存申请和释放是通过 new 和 delete 实现的， 而new 和 delete 其实就是通过 malloc 和 free 实现的。 new 申请内存分为三个步骤： 调用 operator new 函数分配目标类型的内存大小，operator new 函数内部就 阅读全文
摘要：
代码就是侯捷老师的代码，包括了最基础的构造函数、拷贝构造函数和拷贝赋值函数。 String.h #pragma once #include<string.h> #ifndef STRING_H #define STRING_H class String { public: String(const 阅读全文
摘要：
进入虚拟环境后： conda install ipykernel conda install nb_conda 阅读全文
摘要：
① def encode_onehot(labels): classes = set(labels) classes_dict = {c: np.identity(len(classes))[i, :] for i, c in enumerate(classes)} labels_onehot = 阅读全文
摘要：
GraphSAGE 之前所接触的都是直推式学习，也就是仅仅考虑了当前数据，直接计算出节点的embedding，一旦数据变更后，则需要重新训练。 而GraphSAGE则是一种归纳式学习，也就是说它的目标是训练得到权重矩阵的参数。 计算节点 \(v\) 第 \(k\) 层的 embedding 流程为： 阅读全文
摘要：
将Ubuntu默认的python2改为python3 首先删除原有的python连接文件： rm /usr/bin/python 然后建立指向python3.6的软连接： ln -s /usr/bin/python3.5 /usr/bin/python 之后把路径/usr/bin/加入环境变量PAT 阅读全文
摘要：
更换清华源的时候，这三个都需要加上 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tun 阅读全文
摘要：
转自怎么理解推荐系统中的NDCG？ CG CG（cumulative gain，累计增益）可以用于评价基于打分/评分的个性推荐系统。假设我们推荐k个物品，这个推荐列表的CGk计算公式如下： \(CG_k=\sum_{i=1}^k \text{rel}_i\) \(rel_i\) 表示第 \(k\) 阅读全文
摘要：
以一张图片作为开始吧： 这里的输入数据是大小为(8×8)的彩色图片，其中每一个都称之为一个feature map，这里共有3个。所以如果是灰度图，则只有一个feature map。 进行卷积操作时，需要指定卷积核的大小，图中卷积核的大小为3，多出来的一维3不需要在代码中指定，它会自动扩充至图片的ch 阅读全文
摘要：
当然，这只是其中的一种映射。 阅读全文
摘要：
该论文提出了一个称为KBRD的框架，它是一个基于知识图谱的推荐对话系统。 首先需要做的就是知识图谱的实体链接，论文中使用到了DBpedia，将对话中出现的items以及non-item entities与DBpedia中的实体链接起来。通过知识图谱，我们也许可以发现这些non-items的内容可能与 阅读全文
摘要：
引入 数据下载：传送门 这个教程的任务目标是将输入的法文翻译成英文。因为翻译前后句子可能不等长，所以用之前的RNN、LSTM就不太合适，所以这里就是用的Encoder-Decoder结构。其结构如下图所示： 数据处理 所需要的库： from __future__ import unicode_lit 阅读全文
摘要：
torch.cat的作用是对张量按行或列进行拼接。在使用的过程中我也碰到了一些需要注意的点。 import torch x = torch.rand((4,5)) print(x) tmp = torch.Tensor() for i in range(4): if i%2 == 0: tmp = 阅读全文
摘要：
花书第10.2.2节的计算循环神经网络的梯度看了好久，总算是把公式的推导给看懂了，记录一下过程。 首先，对于一个普通的RNN来说，其前向传播过程为： $$\textbf{a}^{(t)}=\textbf{b}+\textbf{Wh}^{t-1}+\textbf{Ux}^{(t)}$$ $$\text 阅读全文