掘友等级
获得徽章 0
#与A-SOUL一起成为更好的自己# day2，extension，广延，是物体占有空间的属性，locke认为所有的实体都占有一定的空间，因此都具有广延性，但berkeley认为实体的定义中本来就是物质去掉了所有的性质，因此不应该具有extension，产生矛盾，故实体的定义是不对的。
#与A-SOUL一起成为更好的自己# 要说明一个距离空间的完备性，需知道基本序列的概念：（X, d）中的点列，对任意epsilon>0，存在N当n,m>=N时有d(xn,xm)<epsilon，则称点列为基本序列。但需要注意，收敛序列必是基本序列，基本序列未必是收敛的，例如基本序列 1/n 在(X, d)中就没有极限。![[咖啡]](//lf-web-assets.juejin.cn/obj/juejin-web/xitu_juejin_web/img/jj_emoji_140.6908619.png)
#JUEJIN FRIENDS 好好生活计划# 学到bert模型，有博客说深度学习进入了大模型时代，感觉好有道理，例如bert，gpt，elmo等等动辄几个G几十个G，bert large的参数就有3.4亿个（虽然340MB感觉也不大😐）。不过训练起来真的慢
#JUEJIN FRIENDS 好好生活计划# 所谓一维搜索以为非常简单，随机撒点或者二分搜索不也是一维搜索吗，开始编程才发现不简单，梯度下降、牛顿法拟牛顿法、共轭梯度法、或nelder mead法等，无一不需要一维搜索来确定最佳步长，才发现区间确定也是难题，goldenstein准则或wolfe准则提供的理论又较难，最后还是调用scipy.optimize.line_search.linear_search_wolfe2(fun, grad, pk, ...)
#JUEJIN FRIENDS 好好生活计划# 普通的哈希不具有可伸缩性，当服务器增多或者减少的时候，散列就乱了。
一致性哈希是一个抽象的环状，范围0到2^32 -1（实际上是一个映射函数，而非真的这么长的数组）当来了一个数据，经过Hashing后映射到0-2^32-1的某个数，然后顺时针寻找第一个服务器，就是对应存储的服务器。增加或减少服务器的时候，原本该服务器上存储的Hashing，按顺时针放到下一台服务器上。如果环上的服务器距离太近，负载不均衡（Nodes are very close.）就需要虚拟节点（Virtual Node）再来一次Hash。具体就是，在环空间中设置多个位置，即“虚拟服务器”，这些位置比较分散，然后将它们映射到一个服务器上。每一个服务器都对应多个这样的节点。那么来一个新的数据经过Hashing后，放到虚拟节点上，实际存储到该虚拟节点对应的服务器上。
#JUEJIN FRIENDS 好好生活计划# 学习打卡day21。今日整数规划分支限界法和多阶段最优决策动态规划。整数规划使用分支限界法求解和搜索图可以等价，最终呈现出来的搜索空间和排序树一样，虽然称为分支限界算法，不过终归还是通过诸如牛顿法这种无约束优化来计算，分支限界是一种搜索策略。多阶段决策优化和动态规划等价，都要基于最优性原理逆向每一阶段最优输入参数，如果输入是整数那么通过分支限界，连续数值的话从最后一阶段开始求导（很像反向传播）计算。
#JUEJIN FRIENDS 好好生活计划# 学习打卡d20。今天试了下图数据挖掘在国内的一个挺厉害的工作，spartan2这个中科院开发的库，以及在此之上实现的大图数据挖掘、流图数据挖掘和时间序列分析模块。fraudar、holoscope、flowscope，BeatGAN......
#JUEJIN FRIENDS 好好生活计划# 学习打卡day19。图数据挖掘的一个问题“异常检测”，例如欺诈检测，还是稠密子图问题，通过Fraudar算法实现，依据是欺诈者在图结构中度数会非常高。Fraudar是一个理论完整的算法，定义了全局度量density，估计了解的下界g/2。
#JUEJIN FRIENDS 好好生活计划# 学习打卡day19。学习了mpi，openmp，cuda，为什么学这么多？期末成绩构成里面，这三个较为重要，但是初学并行感觉好难
#JUEJIN FRIENDS 好好生活计划# 学习打卡day18 大图数据挖掘的一个重要问题，稠密子图挖掘。图数据的特征主要是度数，度分布通常呈现指数分布，度数越高分布频数越低。稠密子图可用于异常数据检测。要挖掘图数据也要表示出图的特征，度数、直径、密度、奇异向量、谱......
![[咖啡]](http://lf-web-assets.juejin.cn/obj/juejin-web/xitu_juejin_web/img/jj_emoji_140.6908619.png)