networking stanford warmup 144
神经网络入门篇：详解搭建神经网络块（Building blocks of deep neural networks）
搭建神经网络块 这是一个层数较少的神经网络，选择其中一层（方框部分），从这一层的计算着手。在第\(l\)层有参数\(W^{[l]}\)和\(b^{[l]}\)，正向传播里有输入的激活函数，输入是前一层\(a^{[l-1]}\)，输出是\(a^{[l]}\)，之前讲过\(z^{[l]} =W^{[l] ......
Graph Neural Networks with Learnable and Optimal Polynomial Bases
目录概符号说明MotivationFavardGNN代码 Guo Y. and Wei Z. Graph neural networks with learnable and optimal polynomial bases. ICML, 2023. 概 自动学多项式基的谱图神经网络. 符号说明 \ ......
WarmUp
目录考点：Payload：WP：1.寻找线索2.分析代码，寻找突破点3.如何获得flag?尝试构造payload开始分析第二部分：3.最终flag 考点： CVE：phpmyadmin 4.8.1 远程文件包含漏洞（CVE-2018-12613） 参考：CVE-2018-12613 本地文件包含漏洞 ......
[论文速览] R-Drop@ Regularized Dropout for Neural Networks
Pre title: R-Drop: Regularized Dropout for Neural Networks accepted: NeurIPS 2021 paper: https://arxiv.org/abs/2106.14448 code: https://github.com/dro ......
神经网络入门篇：详解深层网络中的前向传播（Forward propagation in a Deep Network）
深层网络中的前向传播 先说对其中一个训练样本\(x\)如何应用前向传播，之后讨论向量化的版本。 第一层需要计算\({{z}^{[1]}}={{w}^{[1]}}x+{{b}^{[1]}}\)，\({{a}^{[1]}}={{g}^{[1]}} {({z}^{[1]})}\)（\(x\)可以看做\({ ......
论文：Predicting the performance of green stormwater infrastructure using multivariate long short-term memory (LSTM) neural network
题目“Predicting the performance of green stormwater infrastructure using multivariate long short-term memory (LSTM) neural network” (Al Mehedi 等, 2023, ......
NS-3源码学习（四）wifi-ent-network.cc
NS-3源码学习（四）wifi-ent-network.cc 设定的参数 bool udp{true};udp/tcp 通信选择 bool downlink{true};AP -> STA : downlink = true / STA -> AP : downlink = false 数据发送方向 ......
论文：FEED-FORWARD NETWORKS WITH ATTENTION CAN SOLVE SOME LONG-TERM MEMORY PROBLEMS
题目：FEED-FORWARD NETWORKS WITH ATTENTION CAN SOLVE SOME LONG-TERM MEMORY PROBLEMS” (Raffel 和 Ellis, 2016, p. 1) “带有注意力的前馈网络可以解决一些长期记忆问题” (Raffel 和 Elli ......
20231128 - 重启Centos后无法远程连接，重启网络服务报错：Error:Failed to start LSB: Bring up/down networking
1.https://blog.csdn.net/m0_74953387/article/details/132914306 2.https://blog.csdn.net/weixin_45894220/article/details/130487066 ......
The Hello World of Deep Learning with Neural Networks
The Hello World of Deep Learning with Neural Networks dlaicourse/Course 1 - Part 2 - Lesson 2 - Notebook.ipynb at master · lmoroney/dlaicourse (github ......
The Hello World of Deep Learning with Neural Networks
The Hello World of Deep Learning with Neural Networks dlaicourse/Course 1 - Part 2 - Lesson 2 - Notebook.ipynb at master · lmoroney/dlaicourse (github ......
CrossEntropyLoss: RuntimeError: expected scalar type Float but found Long neural network
错误分析 这个错误通常指的是期望接受的参数类型是Float， 但是程序员传入的是Int 。 通常会需要我们去检查传入的 input 和 target 的数据类型有没有匹配。在传入的数据中，通常 input 希望是 Float 类型，target 是 Int 类型。 但是通常也许会发现传入的参数是符合 ......
文心一言 VS 讯飞星火 VS chatgpt （144）-- 算法导论12.1 4题
四、用go语言，对于一棵有 n 个结点的树，请设计在 O(n)时间内完成的先序遍历算法和后序遍历算法。 我个人喜欢 灵小智 。 文心一言： 在 Go 语言中，我们可以使用递归来实现树的前序遍历和后序遍历。以下是实现这两种方法的代码。 首先，我们定义一个树节点的结构： type TreeNode st ......
12、深度学习入门：P144、P145、P146、P147
1、affine层 2、仿射变换 仿射变换是一种线性变换，包括平移、旋转、缩放、翻转和剪切等几种基本的几何变换。在仿射变换中，原始图形中的直线在变换后依然是直线。这类变换可以通过矩阵运算来表示。 ......
Graph Neural Networks with Diverse Spectral Filtering
目录概符号说明DSF代码 Guo J., Huang K, Yi X. and Zhang R. Graph neural networks with diverse spectral filtering. WWW, 2023. 概 为每个结点赋予不同的多项式系数. 符号说明 \(\mathcal{ ......
Firefox developer tools truncates long network response, Chrome does not show
Firefox developer tools truncates long network response, Chrome does not show Firefox dev tools network inspector still truncates responses to 1MB by ......
Convolutional Neural Networks on Graphs with Chebyshev Approximation, Revisited
目录概符号说明MotivationChebNetII代码 He M., Wei Z. and Wen J. Convolutional neural networks on graphs with chebyshev approximation, revisited. NIPS, 2022. 概 作 ......
如何给vite代理的network中显示代理地址
vite 代理的项目，一般看不到代理的目标地址 如图： 如果要查看代理的目标地址，本文提供两种方式 1，configure配置 如图，通过configure，我们可以拿到proxy代理实例，通过注册on事件，可以在回调函数里面拿到目标地址和请求的路径，从而设置header 2， bypass配置 其 ......
AtCoder Regular Contest 144 E GCD of Path Weights
洛谷传送门 AtCoder 传送门 喵喵题。 考虑若所有点权都已确定，如何求 \(1\) 到 \(n\) 所有路径权值和的 \(\gcd\)。 考虑如何 check 一个 \(x\) 是否合法。\(x\) 合法的充要条件是，把不能从 \(1\) 到达的点和不能到达 \(n\) 的点扔掉后，存在一组 ......
论文阅读笔记：Revisiting Prototypical Network for Cross Domain Few-Shot Learning
标题：重新审视用于跨领域少样本学习的原型网络 研究背景： 问题背景：原型网络是一种流行的小样本学习方法， 其网络简单而直观，对于小样本学习问题有着较好的表现，尤其是在图像分类等领域。 存在问题：然而，当推广到跨领域的少样本分类任务时，其性能出现了大幅度下降，这严重限制了原型网络的实用性。 研究动机： ......
loj144&145 dfs序+树状数组/线段树
[https://loj.ac/p/144](loj144) [https://loj.ac/p/145](loj145) 两题非常相似，一题的权值修改是在点上的，一题的权值修改是在整棵子树上的。 首先我们要了解dfs序，并记录每个节点的子树大小sz，对于一个节点，在dfs序上sz长的区间全都是他的 ......
爬虫获取网页开发者模式NetWork信息
using System; using System.Collections.Generic; using System.Linq; using System.Threading; using System.Threading.Tasks; using OpenQA.Selenium; using ......
ARC144E GCD of Path Weights
Description 给定 \(n\) 个点，\(m\) 条边的有向图，图中的任意一条有向边满足 边起点的编号小于边终点的编号。每个点有点权，但其中有些点的点权未知。 你需要找到一种给未知点权值的方案，使得 所有 \(1\to n\) 的路径点权和的最大公因数最大，或者告知答案可以无限大。输出这个 ......
How Powerful are Spectral Graph Neural Networks?
目录概符号说明Spectral GNNChoice of Basis for Polynomial FiltersJacobiConv代码 Wang X. and Zhang M. How powerful are spectral graph neural networks? ICML, 2022 ......
【略读论文|时序知识图谱补全】Adaptive Path-Memory Network for Temporal Knowledge Graph Reasoning
会议：IJCAI，时间：2023，学校：1 中国科学院计算机网络信息中心，北京 2中国科学院大学，北京 3 澳门大学智慧城市物联网国家重点实验室，澳门 4 香港科技大学(广州)，广州 5 佛罗里达大学计算机科学系，奥兰多 摘要： 提出一种新的具有TKG关联特征的体系结构建模方法，即自适应路径-记忆网 ......
神经网络入门篇：神经网络的梯度下降（Gradient descent for neural networks）
神经网络的梯度下降 在这篇博客中，讲的是实现反向传播或者说梯度下降算法的方程组 单隐层神经网络会有\(W^{[1]}\)，\(b^{[1]}\)，\(W^{[2]}\)，\(b^{[2]}\)这些参数，还有个\(n_x\)表示输入特征的个数，\(n^{[1]}\)表示隐藏单元个数，\(n^{[2]} ......
How Attentive are Graph Attention Networks?
目录概符号说明GATv2代码 Brody S., Alon U. and Yahav E. How attentive are graph attention networks? ICLR, 2022. 概 作者发现了 GAT 的 attention 并不能够抓住边的重要性, 于是提出了 GATv2 ......
Optimized Content Caching and User Association for Edge Computing in Densely Deployed Heterogeneous Networks论文阅读
目录Optimized Content Caching and User Association for Edge Computing in Densely Deployed Heterogeneous Networks1、问题背景贡献点：2、系统建模及问题公式化系统建模问题公式化联合内容缓存和用户 ......
Decoupling the Depth and Scope of Graph Neural Networks
目录概符号说明Shadow-GNN代码 Zeng H., Zhang M., Xia Y., Srivastava A., Malevich A., Kannan R., Prasanna V., Jin L. and Chen R. Decoupling the depth and scope o ......