6Youngの屋

下载数据集 下载“fashion_mnist”数据集，进行分类 123456789101112131415161718192021import torchvisionfrom torch.utils import datafrom torchvision import transformsdef load_data_fashion_mnist(batch_size, resize=None): """下载Fashion-MNIST数据集，然后将其加载到内存中""" trans = [transforms.ToTensor()] if resize: trans.insert(0, transforms.Resize(resize)) trans = transforms.Compose(trans) mnist_train = torchvision.datasets.FashionMNIST( root="./data", train=True, ...

模拟数据集 模拟一个y=w1x1+w2x2+b+ϵy = w_1x_1 + w_2x_2 + b + \epsilony=w1​x1​+w2​x2​+b+ϵ的数据集 1234567891011121314151617181920from torch.utils import dataimport torchdef init_linear_data(w, b, nums_example): """模拟一个有噪声的多元线性回归数据""" X = torch.normal(0, 1, (nums_example, len(w))) y = torch.matmul(X, w) + b y = y + torch.normal(0, 0.01, (nums_example, len(w))) return X, torch.reshape(y, (-1, 1))def load_array(data_arrays, batch_size, is_train=True): #@save " ...

基础操作 自动求梯度 1234567x = torch.arange(4.0) # 生成一个张量tensor([0., 1., 2., 3.])x.requires_grad_(True) # 前两行等价于x=torch.arange(4.0,requires_grad=True)print(x.grad) # 默认梯度为是Noney = 2 * torch.dot(x, x) # 把x计算一下，给y求梯度。y.backward()print(x.grad) # tensor([ 0., 4., 8., 12.]) 注意 ： 12345678910# 在默认情况下，PyTorch会累积梯度，我们需要清除之前的值# 不清除时：y = x.sum() y.backward()print(x.grad) # tensor([ 1., 5., 9., 13.])# 清除时：x.grad.zero_() # 清楚x的梯度y = x.sum()y.backward()print(x.grad) # tensor([1., 1., 1., 1.]) 分离计算 有时，我们希望将某些计算移动到记 ...

论文原文 模型代码 基本介绍 我们都知道，在股票市场中，“板块联动”效应十分的强，也就是说同一类型的股票常常同涨同跌。因此，为股票们预定义一些概念，比如他们参与哪些业务，是否属于某一行业，是否存在上下游供应链关系等等。但是这些预定义的概念不可能完全的描述股票的属性，不属于某一概念的股票也会受到其他概念热点新闻的间接影响。而且每只股票也一定会有自己独特的信息性质，造成市场中的所有股票都有独特的涨跌属性。 本文准备介绍和复现的HIST模型是Wentao Xu在2022年1月提出的，其优势是在模型提取“共享概念”中所包含的信息时，考虑了概念的不完备性和动态变化性。将股票的特征由以下三个部分来解释： 股票所属板块所包含的共有的预定义信息（Predefined Concept）。 预定义中不包含的隐含信息（Hidden Concept）。 每支股票独有的特质信息。（Individual Concept）。 用作者在文中给出的例子，苹果与微软都是科技板块的公司；亚马逊与微软都在做元计算相关的业务，这些都属于预定义概念（Predefined Concept）。而所谓的隐含概念（Hidden Co ...

矩阵函数如何求导？ 我们可以连结一个多元函数对其所有变量的偏导数，以得到该函数的梯度（gradient）向量。 具体而言，设函数f:Rn→Rf:\R^n\rightarrow\Rf:Rn→R的输入是一个nnn维向量x=[x1,x2,...,xn]T\textbf{x}=[x_1,x_2,...,x_n]^Tx=[x1​,x2​,...,xn​]T，并且输出是一个标量。 函数f(x)f(\textbf{x})f(x)相对于x\textbf{x}x的梯度是一个包含nnn个偏导数的向量： ∇xf(x)=[∂f(x)∂x1,∂f(x)∂x2,...,∂f(x)∂xn]T\nabla_xf(x)=[\frac{\partial f(x)}{\partial x_1},\frac{\partial f(x)}{\partial x_2},...,\frac{\partial f(x)}{\partial x_n}]^T ∇x​f(x)=[∂x1​∂f(x)​,∂x2​∂f(x)​,...,∂xn​∂f(x)​]T 假设x\textbf{x}x为nnn维向量，在微分多元函数时经常使用以下规则: 对 ...

类 直接上代码，构建一个狗狗类： 1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162#include <iostream>using namespace std;class Dog { public: double dog_weight; int dog_age; string dog_name; Dog(string name); void run(void); void set(double weight, int age); private: double something;};//类的构造函数Dog::Dog(string name){ cout << "Dog is being created" << ...

数据类型关键字 关键字 含义 char 声明字符型变量或函数 wchar_t 声明宽字符类型，每个 wchar_t 类型占 2 个字节，16 位宽（汉字的表示） int 声明整型变量或函数 float 声明浮点型变量或函数 bool 声明布尔类型变量或函数 double 声明双精度变量或函数 long 声明长整型变量或函数 short 声明短整型变量或函数 struct 声明结构体变量或函数 enum 声明枚举类型 signed 声明有符号类型变量或函数 union 声明共用体（联合）数据类型 unsigned 声明无符号类型变量或函数 void 声明函数无返回值或无参数；声明无类型指针 class 声明一个类，面向对象设计的基础 signed 声明有符号数（默认就是 signed，一般不会显式使用） unsigned 声明无符号数，与signed相反。 private 被标明为 private 的字段只能在本类以及友元中访问。 public 被标明为 public 的字段可以在任何类中访问 ...

枚举类型 枚举类型(enumeration)是C++中的一种派生数据类型，它是由用户定义的若干枚举常量的集合。 如果一个变量只有几种可能的值，可以定义为枚举(enumeration)类型。所谓"枚举"是指将变量的值一一列举出来，变量的值只能在列举出来的值的范围内。 创建枚举，需要使用关键字 enum。枚举类型的一般形式为： 1234567enum 枚举名{ 标识符[=整型常数], 标识符[=整型常数], ... 标识符[=整型常数]} 枚举变量; 如果枚举没有初始化, 即省掉"=整型常数"时, 则从第一个标识符开始。 例如，下面的代码定义了一个颜色枚举，变量 c 的类型为 color。最后，c 被赋值为 “blue”。 12enum color { red, green, blue } c;c = blue; 默认情况下，第一个名称的值为 0，第二个名称的值为 1，第三个名称的值为 2，以此类推。但是，您也可以给名称赋予一个特殊的值，只需要添加一个初始值即可。例如，在下面 ...

类型转换 类型转换是将一个数据类型的值转换为另一种数据类型的值。 C++ 中有四种类型转换：静态转换、动态转换、常量转换和重新解释转换。 静态转换（Static Cast） 静态转换是将一种数据类型的值强制转换为另一种数据类型的值。 静态转换通常用于比较类型相似的对象之间的转换，例如将 int 类型转换为 float 类型。 静态转换不进行任何运行时类型检查，因此可能会导致运行时错误。 实例 12int i = 10;float f = static_cast<float>(i); // 静态将int类型转换为float类型 动态转换（Dynamic Cast） 动态转换通常用于将一个基类指针或引用转换为派生类指针或引用。动态转换在运行时进行类型检查，如果不能进行转换则返回空指针或引发异常。 实例 1234class Base {};class Derived : public Base {};Base* ptr_base = new Derived;Derived* ptr_derived = dynamic_cast<Der ...

使用方法 Butterfly主题下，使用mermaid进行绘图并展示十分的方便，打开项目的_config.butterfly.yml文件，将mermaid下的enable处参数设置为true。 12345678# mermaid# see https://github.com/mermaid-js/mermaidmermaid: enable: true # built-in themes: default/forest/dark/neutral theme: light: default dark: dark 在你的博客markdown文档中，在mermaid和endmermaid标签中添加你的mermaid代码。 123{% mermaid %}some mermaid statements{% endmermaid %} 示例 1234567891011121314151617{% mermaid %}stateDiagram-v2 [*] --> Activestate Active &# ...

Mermaid能绘制的内容 关键字 图类型 关键字 图类型 pie 饼状图 graph 图 flow 流程图 gantt 甘特图 classDiagram 类图 stateDiagram 状态图 journey 用户旅程图 类图（classDiagram） 甘特图（gantt） 其他类型图（pie、stateDiagram、journey） Mermaid图(Graph) 相关参数 图方向 graph或graph TB或graph TD：从上往下 graph BT：从下往上 graph LR：从左往右 graph RL：从右往左 图形状 1234567graph id1[方形] id2(圆边矩形) id3([体育场形]) id4[[子程序形]] id5[(圆柱形)] id6((圆形)) graph id1[方形] id2(圆边矩形) id3([体育场形]) id4[[子程序形]] id5[(圆柱形)] id6((圆形)) 图线型 123456789``` ...

Mermaid能绘制的内容 关键字 图类型 关键字 图类型 pie 饼状图 graph 图 flow 流程图 gantt 甘特图 classDiagram 类图 stateDiagram 状态图 journey 用户旅程图 图（Graph） 类图（classDiagram） 甘特图（gantt） 饼状图 饼图示例 123456```mermaidpie title 一个饼状图 "1": 25 "2": 29 "3": 46 pie title 一个饼状图 "1": 25 "2": 29 "3": 46 状态图 有点不想详细了解了，大家可以看下简单实用方法 1234567891011121314151617```mermaidstateDiagram-v2 [*] --> Activestate Active { [*] --> NumLockOff NumLockOff ...

Mermaid能绘制的内容 关键字 图类型 关键字 图类型 pie 饼状图 graph 图 flow 流程图 gantt 甘特图 classDiagram 类图 stateDiagram 状态图 journey 用户旅程图 图（Graph） 甘特图（gantt） 其他类型图（pie、stateDiagram、journey） 类图 类间关系 参数 含义 参数 含义 <|-- Inheritance，继承 -- Link(Solid)，硬链接 *-- Composition，构成 <.. Dependency，依赖 o-- Aggregation，聚合 <|.. Realization，实现 <-- Association，联合 .. Link(Dashed)，虚连接 这些箭头都可以指向右边，如 <|..变为..|>即可。 类成员可见性 参数 含义 参数 含义 + Public - Package/Internal # Protected ~ Package/ ...