benchmark learning offline部分
LightGCL Simple Yet Effective Graph Contrastive Learning For Recommendation论文阅读笔记
Abstract 目前的图对比学习方法都存在一些问题，它们要么对用户-项目交互图执行随机增强，要么依赖于基于启发式的增强技术（例如用户聚类）来生成对比视图。这些方法都不能很好的保留内在的语义结构，而且很容易受到噪声扰动的影响。所以我们提出了一个图对比学习范式LightGCL来减轻基于CL的推荐者的通 ......
计算机网络第四章部分题目解析，202页
网络层向上提供的服务有哪两种？试比较其优缺点 面向连接的服务（Connection-Oriented Service）： 优点： 可靠性高： 通过建立连接、传输数据、最后释放连接的过程，可以保证数据的可靠性。 有序性： 数据传输是有序的，不会乱序到达。 流量控制： 可以通过连接的建立和释放来控制流量 ......
BigdataAIML-ML-Models for machine learning Explore the ideas behind machine learning models and some key algorithms used for each
最好的机器学习教程系列：https://developer.ibm.com/articles/cc-models-machine-learning/ By M. Tim Jones, Published December 4, 2017 Models for machine learning Alg ......
Deep Residual Learning for Image Recognition：ResNet
Deep Residual Learning for Image Recognition * Authors: [[Kaiming He]], [[Xiangyu Zhang]], [[Shaoqing Ren]], [[Jian Sun]] DOI: 10.1109/CVPR.2016.90 初读 ......
读后感：《程序员修炼之道》第八部分 - 逐步提高
第八部分的《程序员修炼之道》是这本书的压轴部分，它强调了不断学习和提高的重要性，以及如何在职业生涯中不断进步。以下是我从这一部分中得到的主要启示： 首先，书中强调了永不停止学习的概念。编程领域变化迅速，新技术不断涌现。要保持竞争力，我们需要不断学习和适应新的工具和方法。这包括参与在线课程、研究新技术 ......
Learning to Rank — xgboost 2.0.2
* [Learning to Rank — xgboost 2.0.2 documentation](https://xgboost.readthedocs.io/en/stable/tutorials/learning_to_rank.html)* [XGBoost的原理、公式推导、Python实 ......
数据库版本历史的总结-信创部分
数据库版本历史的总结-信创部分 背景 总结了开源和国外商业数据库的非常简单的历史. 发现想总结一下国产的数据库非常困难. 云和恩墨的数据库排行榜上面, 国产数据库有 接近300种 我感觉我这边几乎是无法进行学习和总结的. 所以只能够将几种比较常见的数据库进行一些总结. 人大金仓 人大金仓应该是国内第 ......
A Guide to Image and Video based Small Object Detection using Deep Learning : Case Study of Maritime Surveillance
A Guide to Image and Video based Small Object Detection using Deep Learning : Case Study of Maritime Surveillance 基于图像和视频的小对象指南使用深度学习进行检测：的案例研究海上监视 1 ......
Occluded Person Re-Identification with Deep Learning: A Survey and Perspectives
应对行人信息丢失、噪声干扰、视角错位等挑战 局部特征学习：人体分割、姿态估计、语义分割、属性注释、混合法 ***语义分割*** ECCV-2020）用于行人重识别的身份引导人类语义解析 https://blog.51cto.com/u_14300986/5466923 ......
Oceanbase部分参数学习与验证
Oceanbase部分参数学习与验证 字符集等参数查看 yum install obclient -y 然后使用客户端连接: obclient -h172.24.110.175 -P2881 -uroot -p'Testxxxx' -Doceanbase -A mysql方式连接: mysql -h ......
神经网络优化篇：机器学习基础（Basic Recipe for Machine Learning）
机器学习基础 下图就是在训练神经网络用到的基本方法：（尝试这些方法，可能有用，可能没用） 这是在训练神经网络时用到地基本方法，初始模型训练完成后，首先要知道算法的偏差高不高，如果偏差较高，试着评估训练集或训练数据的性能。如果偏差的确很高，甚至无法拟合训练集，那么要做的就是选择一个新的网络，比如含有更 ......
【scikit-learn基础】--『预处理』之 正则化
数据的预处理是数据分析，或者机器学习训练前的重要步骤。通过数据预处理，可以 提高数据质量，处理数据的缺失值、异常值和重复值等问题，增加数据的准确性和可靠性 整合不同数据，数据的来源和结构可能多种多样，分析和训练前要整合成一个数据集 提高数据性能，对数据的值进行变换，规约等（比如无量纲化），让算法更加 ......
Machine Learning in Python
Metric Formula Interpretation Accuracy $ \frac{TP+TN}{TP+TN+FP+FN} $ Overall performance of model Precision $ \frac{TP}{TP+FN} $ How accurate the posi ......
Ansor：Generating High-Performance Tensor Program for Deep Learning
Ansor：Generating High-Performance Tensor Program for Deep Learning Abstract 高性能的张量程序对于保证深度神经网络的高效执行十分关键，但是在不同硬件平台上获取高性能的张量程序并不容易。近年的研究中，深度学习系统依赖硬件供应商提 ......
数据库版本历史的总结-非信创部分
数据库版本历史的总结-非信创部分 Oracle Oracle数据库是最悠久的 关系型数据库. 诞生于美国军方的管理项目 他的第一个版本是Oracle2 上世纪八九十年代的Oracle8和Oracle9 是非常成功的版本. 进入21世纪后 Oracle发布了 三个大版本 Oracle10g oracl ......
offline RL | Pessimistic Bootstrapping (PBRL)：在 Q 更新中惩罚 uncertainty，拉低 OOD Q value
critic loss = ① ID 数据的 TD-error + ② OOD 数据的伪 TD-error，① 对所转移去的 (s',a') 的 uncertainty 进行惩罚，② 对 (s, a_ood) 的 uncertainty 进行惩罚。 ......
RLHF · PbRL | 选择 near on-policy query，加速 policy learning 收敛速度
Query-Policy Misalignment：选择的看似 informative 的 query，实际上可能与 RL agent 的兴趣不一致，因此对 policy learning 几乎没有帮助，最终导致 feedback-efficiency 低下。 ......
Q-learning与Sarsa算法辨析
这个是Q-learing的一个算法，根据代码，它就是，先设定训练100次，然后，给它一个随机的状态，这里我们假设状态6就是终点，那么走迷宫的时候，如果没走到6，就要一直走下去，，所以里面还要用到一个while循环，然后在每个状态的时候，找一个非负的动作，存储在数组里，（算是合理动作的集合吧），下一个 ......
SCUCTF2023-WEB部分wp
川大新生赛，出的确实有点水平的，通过一些渠道看了看题打了一些，有些地方还是值得学习学习的。 不鸽了，先写点吧。 因为他们是校园网访问，所以我这边也只能通过一些其他的方法去打，没截图....有附件能复现的尽量复现一下。 主要看的是【Web】SCU新生赛个人wp及完赛感想-CSDN博客这篇blog跟的， ......
Object detection in optical remote sensing images: A survey and a new benchmark
Object detection in optical remote sensing images: A survey and a new benchmark 光学遥感图像中的目标检测：调查和新基准 最近人们投入了大量的精力来提出光学遥感图像中物体检测的各种方法。然而，目前对光学遥感图像中目标检测的 ......
论数学中的部分常见技巧
最好的技巧就是多刷题多思考多总结。 写本文，主要是应某位同学请求。下周考试，这文章可能比较水，内容很少。但确实是有料子在里面。 话不多说，直接进入正题。 做题 先读题，不急动笔。逐字逐句，慢慢分析。看来很慢，实则效率很高。经常是看完题目就有了思路。如果有图可以先画图，如果图比较复杂当然是必须画的，一 ......
读后感：《程序员修炼之道》第七部分 - 代码质量
第七部分的《程序员修炼之道》深入讨论了如何提高代码质量和可维护性。这一部分提供了一系列关于代码审查、重构、设计模式和测试的宝贵建议。以下是我从这一部分中得到的主要启示： 首先，书中明确强调了避免坏味道（代码异味）的重要性。坏味道是代码中的不良实践和设计问题的迹象。通过识别和消除坏味道，我们可以改善代 ......
常见问题解决 --- jar部分更新
注意，需要将你上次所有的更新文件都要更新一遍，包括lib目录里的依赖更新 解包，jar -xvf ***.jar 替换，替换要更新的class文件，如果更新了依赖还需要解包 BOOT-INF/lib 里面的jar更新里边的class文件 封包，jar cvfM0 ***.jar * ，如果更新了依赖 ......
《Progressive Learning of Category-Consistent Multi-Granularity Features for Fine-Grained Visual Classification》阅读笔记
论文标题 《Progressive Learning of Category-Consistent Multi-Granularity Features for Fine-Grained Visual Classification》 细粒度视觉分类中类别一致多粒度特征的渐进学习 作者 Ruoyi D ......
【scikit-learn基础】--『预处理』之 数据缩放
数据的预处理是数据分析，或者机器学习训练前的重要步骤。通过数据预处理，可以 提高数据质量，处理数据的缺失值、异常值和重复值等问题，增加数据的准确性和可靠性 整合不同数据，数据的来源和结构可能多种多样，分析和训练前要整合成一个数据集 提高数据性能，对数据的值进行变换，规约等（比如无量纲化），让算法更加 ......
计算两竖直直线与椭圆围成部分面积
椭圆方程 \(\frac{x^2}{a^2} + \frac{y^2}{b^2} = 1\)，直线 \(x=l\)，\(x=r\)，计算图中蓝色部分的面积。 定积分 为了找到这个蓝色区域的面积，我们可以使用定积分来积分椭圆上半部分的函数，并在 \(x = l\) 和 \(x = r\) 之间计算面积 ......
静态方法注入service的部分方式
util注入service整理 后续如果有新的办法再加进来 在如Util等静态方法中调用Service或mapper，初始化后会出现空指针异常：java.lang.NullPointerException。 代码执行优先级的问题，在一个Java类中，存在着静态代码块，静态方法，构造函数,成员方法等等 ......
存储HTTP请求Body部分到文件中
代码 using System; using System.IO; using System.Web; public class RequestLoggerModule : IHttpModule { private const string LogFolderPath = @"C:\Gary\Lo ......
全国网络安全行业职业技能大赛云南省选拔赛 Misc 部分WP
word_sercet 题目 我的解答： 加密文档，010打开图片发现密码 VVV_123.com 解压打开得到flag（注：flag原本是隐藏的，但我之前设置过隐藏文字自动显示，因此这里直接可以看到。） easy_encode 题目 我的解答： 扫描二维码得到 JZVFSZ2ONVGWOTTKIV ......
【scikit-learn基础】--『预处理』之 标准化
数据的预处理是数据分析，或者机器学习训练前的重要步骤。通过数据预处理，可以 提高数据质量，处理数据的缺失值、异常值和重复值等问题，增加数据的准确性和可靠性 整合不同数据，数据的来源和结构可能多种多样，分析和训练前要整合成一个数据集 提高数据性能，对数据的值进行变换，规约等（比如无量纲化），让算法更加 ......