软件开发环境需要依赖各种包，包的依赖问题一直是一个巨大的问题：单机开发、小项目还好，一旦需要协作（保持环境一致性）、回滚（更新了一下包，出bug了）等等，如果没有一个合适的管...
发简信
IP属地：上海
-
Anaconda开发环境的自动部署：environment.yml
-
推荐系统遇上深度学习(一)--FM模型理论和实践1、FM背景 在计算广告和推荐系统中，CTR预估(click-through rate)是非常重要的一个环节，判断一个商品的是否进行推荐需要根据CTR预估的点击率来进行。在进...
-
Task03 Pytorch可视化网络参考：https://github.com/datawhalechina/thorough-pytorch 1.可视化网络结构 使用print函数打印模型基础信息，发现单纯的...
-
day03 | 知识图谱构建及其生物医学应用知识图谱可以支持很多生物医学应用，这些图以节点和边的形式表示生物医学概念和关系。该篇review讨论了这些图是如何构建和应用的，特别关注机器学习方法如何改变这些过程。生物医学...
-
Task02 PyTorch进阶训练技巧参考链接：https://github.com/datawhalechina/thorough-pytorch 本task注重于pytorch在实际使用中的一些操作~较为实用...
-
Task01 PyTorch模型定义参考：https://github.com/datawhalechina/thorough-pytorch 1.Pytorch模型定义的方式 模型是深度学习中重要的组成部分，...
-
Task07: 按需获取的数据集类的创建和图预测任务实践Datawhale提供的课程链接：https://github.com/datawhalechina/team-learning-nlp/blob/master/GNN 一、...
-
Task06:基于图神经的图表示学习方法Datawhale提供的课程链接：https://github.com/datawhalechina/team-learning-nlp/blob/master/GNN 一、...
-
Task5 模型融合
1. 模型融合目标 对于多种调参完成的模型进行模型融合。 2. Stacking相关理论介绍 stacking 是用初始训练数据学习出若干个基学习器后，将这几个学习器的预测结...
-
Task05：超大图上的节点表征学习Datawhale提供的课程链接：https://github.com/datawhalechina/team-learning-nlp/blob/master/GNN 一、...
-
day02 | XGraphBoost：基于图神经网络的特征提取用于更好的分子性质预测今天分享的文献是今年5月发表于Journal of Chemical Information And Modeling的文章“XGraphBoost: Extracting ...
-
day01 | 利用深度学习从基因转录数据中预测药物疗效读文献之前的几个基础概念： 1.基因表达谱（changes in transcriptional profiles,CTPs）：是一种在分子生物学[https://zh.wi...
-
Task04：数据完整存储与内存的数据集类+节点预测与边预测任务实践Datawhale提供的课程链接：https://github.com/datawhalechina/team-learning-nlp/blob/master/GNN 一、...
-
Task03：基于图神经网络的节点表征学习一上来依旧是放Datawhale提供的课程链接：https://github.com/datawhalechina/team-learning-nlp/blob/master...
-
Task02:消息传递图神经网络图计算任务成功的关键是为节点生成节点表征，本节主要任务如下： 1.首先学习图神经网络生成节点表征的规范-消息传递范式（Message Passing） 2.接着初步分析PyG...
-
经典机器学习算法的极简实现（Python+NumPy）大三的时候曾花两个星期学习了几个经典的机器学习算法，学习方法主要是白天参考《统计学习方法》推导公式，晚上利用公式编写实现。在参考GitHub上算法实现时，我发现其中大多数都比...
-
Task01:简单图论与环境配置与PyG库近期参加了开源组织Datawhale的线上组队学习活动，因为之前有看过一些图神经的理论知识，之后的课题方向也想向图神经靠拢，所以打算跟着Datawhale再重新走一遍图神经。...
