Sequence

Index(索引)这个概念对于很多熟悉关系型数据库的人来说，不是一个陌生的概念。当表中数据越来越多时，在查询时，为了避免全表查询（sequence scan)可以在查询相关的条件字段上添加索引。举例来说明index对于查询效率的影响。首先创建测试表 "sort_test"，如下时表创建SQL，可以发现此表有2个字段id和salary。其中id是主键，我们知道属于主键的字段是默认添加了索引的。 CREATE TABLE public.sort_test( id bigint NOT NULL, salary numeric NOT NULL, CONSTRAINT sort_test_pkey PRIMARY KEY (id)) TABLESPACE pg_default; ALTER TABLE public.sort_test OWNER to postgres; 以以下SQL查询语句为例进行讲解，其中查询字段salary上没有创建索引。 select * from public."sort_test" where salary = 101; 那么此时的执行计划和执行时间是多少呢，可以参考下图，执行计划是走Parallel Seq Scan，SQL运行时间是 246.71 ms. 那么如果要在salary字段上添加索引呢?创建索引的语句如下： CREATE INDEX index

padding mask 一个batch中不同长度的句子需要添加padding变成统一的长度，因此需要使用padding mask功能对padding进行清除操作。 seq.shape: (batch, seqlen) pad_idx : padding值 return.shape: (batch, 1, seqlen) def get_pad_mask(seq, pad_idx): return (seq != pad_idx).unsqueeze(-2) sequence mask 在decoder时，为了防止当前时刻看到未来时刻的信息，需要将未来时刻的信息进行掩码操作。 以下函数会返回一个对角线以下为True的矩阵。 # seq.shape: (batch, seqlen) # return.shape: (1, seqlen, seqlen) def get_subsequent_mask(seq): ''' For masking out the subsequent info. ''' sz_b, len_s = seq.size() subsequent_mask = (1 - torch.triu( torch.ones((1, len_s, len_s), device=seq.device), diagonal=1)).bool() return

第一步：配置R1、R2、R3的接口 R1(config)#int s1/3 R1(config-if)#ip add 131.1.1.1 255.255.255.0 R1(config-if)#no sh R1(config-if)#int s1/2 R1(config-if)#ip add 192.168.0.1 255.255.255.0 R1(config-if)#no sh R1(config)#router ospf 1 R1(config-router)#net 0.0.0.0 0.0.0.0 area 0 R2(config)#int s2/1 R2(config-if)#ip add 192.168.0.2 255.255.255.0 R2(config-if)#no sh R2(config)#router ospf 1 R2(config-router)#network 0.0.0.0 0.0.0.0 area 0 R2(config R3(config)#int s3/1 R3(config-if)#ip add 131.1.1.3 255.255.255.0 R3(config-if)#no sh R3(config-if)#exit R3(config)#^Z R3(config)#router ospf 1 R3(config-router)

最难读的Theano代码 这份LSTM代码的作者，感觉和前面Tutorial代码作者不是同一个人。对于Theano、Python的手法使用得非常娴熟。 尤其是在两重并行设计上： ①LSTM各个门之间并行 ②Mini-batch让多个句子并行 同时，在训练、预处理上使用了诸多技巧，相比之前的Tutorial，更接近一个完整的框架，所以导致代码阅读十分困难。 本文旨在梳理这份LSTM代码的脉络。 数据集：IMDB Large Movie Review Dataset 来源 该数据集是来自 Stanford 的一个爬虫数据集。 对IMDB每部电影的评论页面的每条评论进行爬虫，分为正面/负面两类情感标签。 相比于朴素贝叶斯用于垃圾邮件分类，显然，分析一段文字的情感难度比较大。 因为语义在各个词之间连锁着，有些喜欢玩梗的负面讽刺语义需要一个强力的Represention Extractor。 该数据集同时也在CS224D：Deep Learning for NLP [Leture4]中演示，用于体现Pre-Training过后的词向量威力。 数据读取 原始数据集被Bengio组封装过，链接 http://www.iro.umontreal.ca/~lisa/deep/data/imdb.pkl cPickle封装的格式如下： train_set[0] ----> 一个包含所有句子的二重列表

第一步：配置好R1的以太网接口 R3(config)#int e 0 R3(config-if)#ip add 192.168.1.2 255.255.255.0 R3(config-if)#no sh R3(config-if)# 第二步：测试能否与server通信 R3#ping 192.168.1.3 Type escape sequence to abort. Sending 5, 100-byte ICMP Echos to 192.168.1.3, timeout is 2 seconds: !!!!! 试验过程 R3#copy flash tftp Source filename [2503.bin]? Address or name of remote host []? 192.168.1.3 Destination filename [2503.bin]? !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 7524020 bytes copied in 236.992 secs (31881 bytes/sec) 在TFTP服务器上可以看到

第一步：配置R1的帧中继多点子接口 R1(config)# R1(config)#int s3/0 R1(config-if)#en fr R1(config-if)#no sh R1(config-if)#exit R1(config)#int s3/0.1 multipoint R1(config-subif)#ip add 172.16.0.1 255.255.255.0 R1(config-subif)#exit R1(config)#^Z 第二步：配置R2的帧中继多点子接口 R2(config)#int s3/0 R2(config-if)#en fr R2(config-if)#no sh R2(config-if)#ip add 172.16.0.2 255.255.255.0 R2(config-if)#no fr inve R2(config-if)#fr map ip 172.16.0.1 201 b R2(config-if)#fr map ip 172.16.0.3 201 b R2(config-if)#exit 第三步：查看R2的帧中继映射 R2#sh fr map Serial3/0 (up): ip 172.16.0.1 dlci 201(0xC9,0x3090), static, broadcast, CISCO, status defined,

Python实战社群 Java实战社群 长按识别下方二维码， 按需求添加 扫码关注添加客服 进Python社群▲ 扫码关注添加客服 进Java社群 ▲ 作者丨P.yh 来源丨五分钟学算法 大家好，我是吴师兄，今天分享一道和数学有关的算法题，题目不难，但不优化的话会出现 一顿操作猛如虎，一看击败百分五 的情况：） 题目描述 给出集合 [1,2,3,…,n] ，其所有元素共有 n! 种排列。 按大小顺序列出所有排列情况，并一一标记，当 n = 3 时, 所有排列如下： "123" "132" "213" "231" "312" "321" 给定 n 和 k ，返回第 k 个排列。 说明： 给定 n 的范围是 [1, 9]。 给定 k 的范围是[1, n!]。 示例 1: 输入: n = 3, k = 3 输出: "213" 示例 2: 输入: n = 4, k = 9 输出: "2314" 来源：https://leetcode-cn.com/problems/permutation-sequence 题目解析 一道比较偏数学的题目。 题意是给定 1 ～ n 的数字（n <= 9），因为数字所在的位置不同，这些数字可以组成的整数也不同。最后让你求按照组成的整数大小排序，排在第 k 的整数是多少。 要求全排列的话，时间和空间复杂度都是 O(n!) 。 先看最直接的解法，通过暴力搜索

文章目录 往期文章链接目录 Convolutional graph neural networks (ConvGNNs) GCN Framework GCN v.s. RecGNN What is Convolution Spatial-based ConvGNNs Message Passing Neural Network (MPNN) Introduction to MPNN Shortage of the MPNN framework GraphSAGE (SAmple and aggreGatE) Overview of GraphSAGE Aggregator Fuctions PATCHY-SAN Overview of PATCHY-SAN Two problems considered in PATCHY-SAN Steps of PATCHY-SAN 往期文章链接目录 往期文章链接目录 Convolutional graph neural networks (ConvGNNs) Convolutional graph neural networks (ConvGNNs) generalize the operation of convolution from grid data to graph data. The main idea is to

一、什么是斐波那契数列？ 斐波那契数列（Fibonacci sequence），又称黄金分割数列、因数学家莱昂纳多·斐波那契（Leonardoda Fibonacci）以兔子繁殖为例子而引入，故又称为“兔子数列”，指的是这样一个数列：1、1、2、3、5、8、13、21、34、……即前两项都是1，从第3项开始，每一项都等于前两项之和。 二、我们可以先创建一个前两项都是1的列表，再通过for循环和切片计算出后面的项，再将计算出的项添加在列表中。 切片用于处理列表的部分元素 切片的用法： 1.使用切片要注意，列表中的第一个元素的索引是0 users = [ 'zhao' , 'qian' , 'sun' , 'li' , 'zhou' , 'wu' ] #如果想输出前两项 print ( users [ : 2 ] ) #输出第一项 print ( users [ 0 ] ) #输出第2个元素到第4个元素 print ( users [ 1 : 4 ] ) #输出从第3个元素到列表末尾所有元素 print ( users [ 2 : ] ) #输出从最后三个元素 print ( users [ - 3 : ] ) #输出最后一个元素 print ( users [ - 1 ] ) 三、在这里我们以前十项为例。因为列表中原本有前两项，只需计算出后面的8项就可以