主页

CUDA driver version is insufficient for CUDA runtime version 翻译过来就是CUDA的驱动程序版本跟CUDA的运行时版本不匹配 1.查看CUDA driver version (驱动版本): nvidia-smi

出现问题 每次跑tensorflow代码都会出现以下警告 /home/hahaha/venv/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:516: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'. _np_qint8 = np.dtype([("qint8", np.int8, 1)]) /home/hahaha/venv...

Abstract 希望一个简单，整句，语义结构的 词库 可以刺激统计自然语言理解和生成方面的新工作，例如宾州树库鼓励统计分析的工作。 本文概述了AMR及其相关工具。 Introduction 手工进行语义注释是不合理的，因为我们为命名实体，共同引用，语义关系，语篇连接词，时间实体等提供了单独的注释，但是每个注释都有其自己的关联评估，并且训练数据分散在许多资源中。 我们缺乏简单易读的英语句子的句库，以及它们的整个句子，逻辑含义。 AMR设计基本准则 AMR是一个有标签的、有根的图，便于人们阅读和程序遍历。 AMR旨在抽象化语法特性 AMR与我们可能想如何从字符串中得出含义无关，反之亦然。 在将句子翻译成AMR时，我们不会规...

dual graph指的是对偶图。每一个平面图$G$ ，都有一个对应的对偶图$G^*$ $G^*$的定义如下： $G^*$ 中的每个点对应$G$中的一个面 对于$G$ 中的每一条边$e$： $e$属于两个面$f1$，$f2$，加入边$({f_1}^*, {f_2}^*)$ e只属于一个面f，加入回边$(f^*, f^*)$ （图中加入了个绿色边围成的面，需要删除 $s^* , t^* $ 之间的边）

(x1, y2) = Foo(); while (x3 > 0) x4 = x5 + y6 LastUse边：红色，LastWrite边：绿色，ComputeFrom：紫色 一个变量token是能够在语法树叶子结点中出现多次的，上述代码中，x出现4次，y出现2次。

tf.variable_scope可以让变量有相同的命名，包括tf.get_variable得到的变量，还有tf.Variable的变量 tf.name_scope可以让变量有相同的命名，只是限于tf.Variable的变量 import tensorflow as tf; import numpy as np; import matplotlib.pyplot as plt; with tf.name_scope('V1'): # a1 = tf.get_variable(name='a1', shape=[1], initializer=tf.constant_initializer(1)) a2 = tf.Variable(tf...

Abstract 本文提出一种新颖的 graph attention networks (GATs), 可以处理 graph 结构的数据，利用 masked self-attentional layers 来解决基于 graph convolutions 以及他们的预测 的前人方法（prior methods）的不足。 对象: graph-structured data. 方法: masked self-attentional layers. 目标: to address the shortcomings of prior methods based on graph convolutions or their approximations. 具体方法: By stackin...

根据以下网友的博客整理而成，感觉写得不错，就没必要自己重新写一遍了￣□￣｜｜ 关于感受野 (Receptive field) 你该知道的事 如何计算感受野(Receptive Field)——原理 - 知乎 关于感受野的总结 - 知乎 深度神经网络中的感受野(Receptive Field) - 知乎 Receptive field(感受野) - 简书

监督学习(Supervised learning) 监督学习是使用已知正确答案的示例来训练网络的。想象一下，我们可以训练一个网络，让其从照片库中（其中包含你父母的照片）识别出你父母的照片。以下就是我们在这个假设场景中所要采取的步骤。 步骤1：数据集的创建和分类 首先，我们要浏览你的照片（数据集），确定所有有你父母的照片，并对其进行标注，从而开始此过程。然后我们将把整堆照片分成两堆。我们将使用第一堆来训练网络（训练数据），而通过第二堆来查看模型在选择我们父母照片操作上的准确程度（验证数据）。 等到数据集准备就绪后，我们就会将照片提供给模型。在数学上，我们的目标就是在深度网络中找到一个函数，这个函数的输入是一张照片，而当你的父母不在照片中时，其输出为0，否则输出为1。 此步骤通常...

Batch Gradient Descent(BGD) BGD 采用整个训练集的数据来计算 cost function 对参数的梯度： \[θ = θ - \eta \cdot \bigtriangledown_{θ}J(θ)\] for i in range(nb_epochs): params_grad = evaluate_gradient(loss_function, data, params) params = params - learning_rate * params_grad 我们会事先定义一个迭代次数 epoch，首先计算梯度向量 params_grad，然后沿着梯度的方向更新参数 params，learning rate 决定了我们每一步迈多大。...