szl

需求：实现tab页的实时隐藏和显示 实现：SET_TAB_PAGE_PROPERTY('MAIN_TAB.RETS_PAGE',VISIBLE,property_off);/SET_TAB_PAGE_PROPERTY('MAIN_TAB.RETS_PAGE',VISIBLE,property_on); 以下为转载内容，Oracle提供了各种代码设置属性的函数，参数可以到form builder的联机帮助里面查找，原博客地址：http://blog.csdn.net/pan_tian/article/details/8434666 Build-In List · SET_APPLICATION_PROPERTY · SET_BLOCK_PROPERTY · SET_CANVAS_PROPERTY · SET_FORM_PROPERTY · SET_ITEM_PROPERTY · SET_ITEM_INSTANCE_PROPERTY · SET_LOV_PROPERTY · SET_MENU_ITEM_PROPERTY · SET_PARAMETER_ATTR · SET_RADIO_BUTTON_PROPERTY · SET_RECORD_PROPERTY · SET_RELATION_PROPERTY · SET_REPORT_OBJECT_PROPERTY · SET_TAB

图神经网络（GNNs）是深度学习的一个相对较新的领域，从最近开始越来越流行。Twitter、Google或Facebook等大公司都会开始对于GNN投入研究，事实证明了GNN优于其他使用图数据的机器学习模型。 >>>> 由于此领域的发展非常迅速，GNN背后的知识还不是那么容易获得。目前，你可以在互联网上以研究论文、文章或博客的形式找到散落在各地的GNN理论。我们缺乏的是一本GNN书籍，或者是一本在线资源汇编，来帮助人们进入了解这个领域的工作。 经过一番搜索，我发现其实有几个相当不错的资源，以一种容易理解的方式来解释GNN。希望对这个领域的新人有所帮助。让我们开始吧! 01 由William L. Hamilton编写的图表示学习书籍 Graph Representation Learning Book 本书是改变游戏规则的书，目前可以在线下载的预出版的版本。本书从图理论和传统图方法等初级课题开始，到前沿GNN模型和最先进的GNN研究等高级课题。本书设计精巧，自成体系，拥有图神经网络所需的大部分理论。 02 斯坦福课程笔记--机器学习与图 C224W|Home 这是斯坦福大学专门研究基于图的机器学习的课程。它有公开的幻灯片，从他们的讲座以及推荐阅读列表。如果你想系统地学习一门结构良好的课程，这将是一个很好的选择。 03 由Albert-László Barabási编著的网络科学一书

　　今天一个两年前做的公众号项目 要更改主体，随之而来的是公众号的迁移。 公众号迁移后关注的粉丝也会对应的进行迁移，还会给粉丝发送相关通知。 　　大体流程如下图 　　迁移的具体步骤我就不细说了。今天主要说的是 迁移主体后 对应的用户openid也会变化，也就是说你的程序如果公众号登录是以微信openid为唯一标识的话， 那你的用户系统经过一次公众号变更后就会出现问题。 老用户再次授权后 系统可能认为是新用户，而且通过原来的openid 也无法推送模板消息等功能。 　　微信方面当然也考虑到了相关问题 。给出了相关的接口去处理这个问题，这就是今天说的openid转换接口 。 　　相关内容如下 　　 openid转换接口 账号迁移后，粉丝的 openid 会变化， 微信用户关注不同的公众号，对应的openid是不一样的，迁移成功后，粉丝的openid以目标帐号（即新公众号）对应的OpenID为准。但开发者可以通过开发接口转换openid，开发文档可以参考： 提供一个openid转换的API接口，当帐号迁移后，可以通过该接口： 1. 将原帐号粉丝的openid转换为新帐号的openid。 2. 将有授权关系用户的openid转换为新帐号的openid。 3. 将卡券关联用户的openid转换为新帐号的openid。 ◆ 原帐号：准备要迁移的帐号，当审核完成且管理员确认后即被回收。 ◆

Osc乱弹歌单（2020）请戳（ 这里 ） 【今日歌曲】 @ watergood ： 是时候分享一波我的这张纯音乐歌单了，过去的五年多时间里，我陆陆续续地把听到的好听的纯音乐添加了进去，目前一共65首，相信总有那么一首会带给你好心情。 《朱色のお話し》- 黄永灿 手机党少年们想听歌，请使劲儿戳（ 这里 ） @ Xiaoshiyue ：哈哈哈哈哈哈哈！ 这是动弹好了以后的第一条动弹吧？ @ 小小编辑 ： 我说各位……咩哈哈哈哈哈哈啊哈哈哈哈哈 还没说话都笑的不行了！你们知道憋个没素材的乱弹多难么！ 吧程序员都憋出猫病来了好么！ @ 一个yuanbeth ：没有动弹发泄情绪，我自己整了个 大神（@ FalconChen ）也表态了， @ FalconChen ：我也准备整一个，动弹太脆弱。 你可以弄一个备用的动弹， 万一动弹给摁住嘴了 你就顶上去。 【正文】 @ Sameas 周末过的太难了， 和熊孩子在一起的周末， 日子分外难熬， “我妈已经三天不打我了。” 早晨起来， 周一综合症， @ 机器人-1 上班都差点去晚了， 没办法只能开大招了！ “试图用放屁进行二次加速。” 结果@ 未来式 到了单位发才发现！ 坏了， 领导安排的任务呀！ 忘了带笔记本了。 “惟一一次写了作业的时候发现真的忘带了！” @ 仓颉大哥 觉得人生真是太难了， 大王（@ 罗马的王 ）想吃个好吃的， 都不能如意，

　　新冠疫情让预印本发布从学术高塔中走了出来。 　　疫情之下，从业内科学家到普通民众，都渴望得到新冠病毒更多的信息，传统的同行评议期刊论文发布已不能满足时效性需求，研究者纷纷将目光投向了更快捷发布的预印本平台，其中不乏钟南山这样的著名专家。截至 5 月 11 日，作为主要的新冠研究预发布平台，medRxiv 和 bioRxiv 收录相关预印本论文 3174 篇，其中有 2546 篇收录在 medRxiv，628 篇收录在 bioRxiv。 　　《柳叶刀 - 全球健康》（柳叶刀子刊）发表评论称，因为能够及时传播最新信息，预印本在公共卫生紧急情况下可以发挥强大作用，科学家们已经迅速填补了新冠病毒流行病学、病毒学和临床知识的空白，且“预印本可能正在推动此次新冠疫情中的相关讨论”。 　　然而，在研究成果井喷的同时，参差不齐的研究质量也导致了大量不严谨甚至颇具误导性的研究结论。 《新科学家》评论称，其中一些未经证实甚至被误解的研究引发了第二种流行病，也就是世卫组织在疫情之初就提及的信息流行病。这种信息流行病直接或间接导致诸多社会麻烦。 　　经此一疫，预印本发布会有哪些革新，传统期刊又会有怎样的应对？诸多问题已经摆在了桌面上。 　　 　　图 | 新冠疫情以来的相关预印本论文发布分布。（来源：Nature ） 　　 带节奏的预印本发布 　　原本较为纯净的科研成果成为了一些科学谣言的源头。 　　

Osc乱弹歌单（2020）请戳（ 这里 ） 【今日歌曲】 @小小编辑推荐：《Vanilla》- 落日飞车 《Vanilla》- 落日飞车 手机党少年们想听歌，请使劲儿戳（ 这里 ） @ szl非鱼 ：本周剩下12小时快乐 去钓鱼去， “感觉有点克苏鲁。” 下雨的周末还是比较适合午睡的， 巴蜀（@ 巴拉迪维 ）竟然还做梦了， @ 巴拉迪维 ：做了个奇怪的梦，醒了。 感觉做噩梦就是缺乏锻炼呀， @ FalconChen ：试试先跑步后吃饭的模式 锻炼身体还是挺管事的， “都锻炼出来腹肌了。” 我感觉我都不用出去跑步去， 从一楼的楼梯往上爬， 爬到顶楼就和爬山似的。 “顶上是不是有只猫 做仙豆的那只。” 有时候说错了话， 也能锻炼身体， “40米的大刀都举得动，还说你不胖。” 少吃点饭…… 现在不说是减肥， 是响应中央号召，节约粮食反对浪费。 @ Weidao ：有些的三观真的无语，就一个立法禁止浪费食物居然还有人喷，很多人就说什么管的太宽，怎么你花钱买的粮食就有资格浪费了吗？ 节约粮食挺好的呀， “以后就好意思在大家面前说打包了。” 但中国不缺粮啊， 那么要不要提前储粮食呢？ 为了响应号召， 巴蜀（@ 巴拉迪维 ） 也开始好几个人吃两个菜了。 @ 巴拉迪维 ：午餐 都看饿了！ “我已经三分钟没吃东西了 我也是海豹突击队的一员啊。” 【 小 树的世界之旅 】 参与# 乱弹大吐槽

　　 　　作者 | Mr Bear 　　编辑 | 丛 末 　　近年来，随着图神经网络在各个领域的火热应用，越来越多的学者试图从图论的角度对图神经网络的表达能力进行理论分析，并基于这些理论分析开发出了性能强大的模型。然而，在实际应用中，这些在理论上非常强大的模型的性能往往会受到计算复杂度等因素的限制。 　　本文作者 Michael Bronstei n 是一名来 自帝国理工学院的教授，同时也是 Twitter 图机器学习项目组的负责人。在本文中，他深入浅出地介绍了近年来分析图神经网络表达能力的工作，并介绍了他们对于该领域未来发展方向的思考。 　　 1 　　 图神经网络和 WL 图同构测试之间的关系 　　 　　众所周知，传统的前馈神经网络（多层感知机）是一种通用函数近似器：它们能够以任意的准确率逼近任意的平滑函数。对于近期兴起的图神经网络来说，其表征性质还不太为人所知。在实验中，我们经常可以看到图神经网络在某些数据集上性能优异，但同时又在另一些数据集上表现令人失望。 　　为了探究造成这种现象的根本原因，我们不得不思考一个问题：图神经网络究竟有多强大？ 　　在探究这一问题的过程中，我们所面临的一个挑战是：实际应用场景下使用的图往往是连续结构和离散结构（节点、边特征、连通性）的组合。因此，该问题可以被表述为不同的形式。一种可能的形式化定义是：图神经网络是否能够区分不同类型的图结构。在图论中