al

Machine Translation 2017-12 Oda et al. - 2017 - Neural Machine Translation via Binary Code Predict [pdf] [note] Kalchbrenner et al. - 2016 - Neural machine translation in linear time [pdf] [pdf (annotated)] [note] 2018-05 Sutskever et al. - 2014 - Sequence to Sequence Learning with Neural Networks [pdf] Cho et al. - 2014 - Learning Phrase Representations using RNN Encoder-Decoder for NMT [pdf] Bahdanau et al. - 2014 - NMT by Jointly Learning to Align and Translate [pdf] Luong et al. - 2015 - Effective Approaches to Attention-based NMT [pdf] 2018-06 Gehring et al. - 2017 - Convolutional

随着神经网络的发展，网络的深度逐渐加深（更深的层数以及更小的感受野，能够提高网络分类的准确性 ( Szegedy et al. , 2014 ; Simonyan & Zisserman , 2014 ) ），网络的训练也就变得越来越困难。Highway Networks就是一种解决深层次网络训练困难的网络框架。 以下这几篇文章证明了优化深层神经网络十分困难（写文章的时候肯定用得到，先记下）： （ Glorot & Bengio , 2010 ; Saxe et al. , 2013 ; He et al. , 2015，） ( Simonyan & Zisserman , 2014 ; Romero et al. , 2014） （ Szegedy et al. , 2014 ; Lee et al. , 2015）。 Highway Networks：一种可学习的门限机制，在此机制下，一些信息流没有衰减的通过一些网络层，适用于SGD法。 公式： 传统的神经网络前项传播（忽略偏置和层索引）： （1） H为非线性函数，W权重，x输入，y输出。 Highway Networks的前项传播： （2） T为转换门（ transform gate ），C为携带门（carry gate）（不知道这么起名对不，反正很难听，哈哈）， C=1-T，即 x , y , H ( x , W H )

一、算法规则 　　 二、测试方案 　　1、6小时更新一次：一般开发会间隔6小时更新数据一次，那么更新的数据存储在哪里去了呢？一般会放在Redis缓存中。 　　2、示例：来源时间在近3天内，平台C端用户浏览最多前10条。想要得到这个数据，得使用mysql数据库的查询语句结合对应的表搜索出数据 　　3、针对搜索出的数据与Redis缓存中的数据进行对比，即可得到想要的值 　　注： 　　　　（1）一般开发想Redis中存储中，会使用到key，具体的key询问开发向开发获取； 　　　　（2）Redis的相关配置询问开发，由开发协助配置 　　　　（3）6个小时一更新对于测试来说，间隔时间太久不方便快速查看结果，因此，快速的处理方案：询问开发更新脚本，需要查看数据时自己执行脚本。 三、测试实现步骤 　　（1）询问开发获取到的key值示例如下： /** * redis集合key * 1.發布時間在近$1天內 * 2.平台的C端用戶瀏覽最多前$1條 */ const SET_KEY_RANK_TYPE_ARTICLE_CVIEW = 'content_rank_type_article_cview_set'; 　　（2）来源时间在近3天内，平台C端用户浏览最多前10条 的SQL查询语句示例如下 select cal.action_souce_id,cal.create_at,a.uuid,al

可以将文章内容翻译成中文,广告屏蔽插件可能会导致该功能失效(如失效，请关闭广告屏蔽插件后再试): 问题: I have the following df: tz.head() state 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 0 AL 5.7 4.5 4.0 4.0 5.7 11.0 10.5 9.6 8.0 7.2 6.8 6.1 1 AK 7.5 6.9 6.6 6.3 6.7 7.7 7.9 7.6 7.1 6.9 6.9 6.5 2 AZ 5.0 4.7 4.2 3.9 6.2 9.9 10.4 9.5 8.3 7.7 6.8 6.1 3 AR 5.7 5.2 5.2 5.3 5.5 7.8 8.2 8.3 7.6 7.3 6.1 5.2 4 CA 6.2 5.4 4.9 5.4 7.3 11.2 12.2 11.7 10.4 8.9 7.5 6.2 I would like to change it so that looks like this: year state unemployment 2004 AL 5.7 2005 AL 4.5 2006 AL 4.0 2007 AL 4.0 2008 AL 5.7 2009 AL 11.0 2010 AL 10.5 2011 AL 9.6

可以将文章内容翻译成中文,广告屏蔽插件可能会导致该功能失效(如失效，请关闭广告屏蔽插件后再试): 问题: I am new to plyr (and R) and looking for a little help to get started. Using the baseball dataset as an exaple, how could I calculate the year-over-year (yoy) change in "at batts" by league and team (lg and team)? library(plyr) df1 After doing a little aggregating to simplify the data fame, the data looks like this: head(df1) year lg team ab 1884 UA ALT 108 1997 AL ANA 1703 1998 AL ANA 1502 1999 AL ANA 660 2000 AL ANA 85 2001 AL ANA 219 I would like to end up with someting like this year lg team ab yoy 1997 AL ANA 1703 NA 1998 AL ANA 1502

可以将文章内容翻译成中文,广告屏蔽插件可能会导致该功能失效(如失效，请关闭广告屏蔽插件后再试): 问题: I get the entry point with readelf -h: Entry point address: 0x8048400 Debugging with gdb and Intel syntax: (gdb) x/13i 0x8048400 0x8048400 <_start>: xor ebp,ebp 0x8048402 <_start+2>: pop esi 0x8048403 <_start+3>: mov ecx,esp 0x8048405 <_start+5>: and esp,0xfffffff0 0x8048408 <_start+8>: push eax 0x8048409 <_start+9>: push esp 0x804840a <_start+10>: push edx 0x804840b <_start+11>: push 0x8048590 0x8048410 <_start+16>: push 0x8048520 0x8048415 <_start+21>: push ecx 0x8048416 <_start+22>: push esi 0x8048417 <_start+23>: push 0x80484b4 0x804841c

GSS3 Description 动态维护最大子段和，支持单点修改。 Solution 设 \(f[i]\) 表示以 \(i\) 为结尾的最大子段和， \(g[i]\) 表示 \(1 \sim i\) 的最大子段和，那么 \[f[i] = max(f[i - 1] + a[i], a[i])\] \[g[i] = max(g[i - 1], f[i])\] 发现只跟前一项有关。我们希望使用矩阵乘法的思路，但是矩阵乘法通常只能适用于递推问题。因此我们引入广义矩阵乘法。 矩阵乘法问题可分治的原因在于矩阵乘法满足结合律，而满足结合律的根本原因是乘法对加法满足分配率，即 \[a\cdot (b+c) = a\cdot c + b\cdot c\] 那么在这里，很容易发现，加法运算对 \(Min/Max\) 运算也是满足分配率的，即 \[a + min(b,c) = min(a+c,b+c)\] \[a + max(b,c) = max(a+c,b+c)\] 所谓广义矩阵乘法，就是将矩阵乘法中的加法运算换成 \(Min/Max\) 运算，乘法运算换成加法运算，那么这样的矩阵乘法仍然满足结合律。 考虑到 \(g[i]\) 从 \(f[i]\) 转移过来的那一项可以直接拆开，很容易得到转移方程 \[ \begin{bmatrix} f_{i} \\ g_{i} \\ 0 \end{bmatrix

需求： 导入文件，查看原始数据 将人口数据和各州简称数据进行合并 将合并的数据中重复的abbreviation列进行删除 查看存在缺失数据的列 找到有哪些state/region使得state的值为NaN，进行去重操作 为找到的这些state/region的state项补上正确的值，从而去除掉state这一列的所有NaN 合并各州面积数据areas 我们会发现area(sq.mi)这一列有缺失数据，找出是哪些行 去除含有缺失数据的行 找出2010年的全民人口数据 计算各州的人口密度 排序，并找出人口密度最高的五个州 df.sort_values() In [1]: import numpy as np from pandas import DataFrame,Series import pandas as pd In [3]: abb = pd.read_csv('./data/state-abbrevs.csv') pop = pd.read_csv('./data/state-population.csv') area = pd.read_csv('./data/state-areas.csv') In [8]: #将人口数据和各州简称数据进行合并 display(abb.head(1),pop.head(1)) abb_pop = pd.merge(abb,pop,left

DNA、RNA和蛋白三个层面的可逆修饰示意图（Fu et al. Nature Reviews Genetics, 2014） DNA和蛋白存在各种修饰，RNA也不例外，目前已知的RNA修饰已经超过上百种。RNA根据编码性可分为编码RNA（protein-coding RNA）和非编码RNA（noncoding RNA）两大类，这些RNA转录后会发生各种修饰，包括N6-腺苷酸甲基化（N6-methyladenosine，m6A）、胞嘧啶羟基化（m5C）、N1-腺苷酸甲基化（m1A）等等。m6A甲基化是真核生物RNA中最常见的一种转录后修饰，大约占到了RNA甲基化修饰的80%左右。 真核生物中mRNA的各种化学修饰（Roundtree et al. Cell, 2017） m6A甲基化和去甲基化（A）及对下游protein-RNA相互作用的影响 （B）（Roundtree et al. Cell, 2017） 近几年来，RNA甲基化逐渐当今最热门的研究领域之一。因为m6A甲基化的功能至关重要，其异常会与各种疾病的发生、发展密切相关，包括肿瘤或癌症、各种神经性疾病、胚胎发育迟缓等。关于RNA甲基化的文章现在呈现出来了井喷式增长，很多都是发在Nature，Science, Cell等顶级期刊上。 m6A甲基化的生物学通路及相关功能（Lee et al. Cell, 2014）

图数据库本身属于NoSql数据库中的一种，是基于数学中图论实现的一种数据库。不同于传统的关系型数据库将数据存在库表字段中，图数据库将数据和数据之间的关系存在节点和边中，在图数据库中这被称作“节点”和“关系”。没有了库表字段的概念，相当于是把数据存在了一张大宽表中。传统数据库的一些特性如CRUD、处理事务的能力在图数据库中也都支持。 这里需要澄清一个概念：图数据库并不是前端展示用的数据库，它不是用来画图的。相反，它是用来存储数据用的，以图的节点和边的方式来存储数据。而前端展现需要用一些前端展示工具，例如D3、ECharts等来实现。 本文将以neo4j为例来介绍图数据库的使用。neo4j是由Java实现的开源NoSql图数据库，是图数据库中较为流行的一款。它提供了完整的数据库特性，包括ACID事务的支持、集群支持、备份与故障转移等（部分功能例如集群支持只有在neo4j企业版中才有，社区版不支持）。 在笔者看来，图数据库最大的优势是体现在对数据关系的检索上。如果数据之间的关系很复杂，数据存在了多张表中，还有一些中间表的存在的话，传统数据库想要查询一些数据得通过各种联表操作才做得到，sql会写得很复杂，不利于维护，同时性能也不高。而图数据库仅仅通过简单的一句cypher语句便可实现查询功能（cypher语句是neo4j的执行语句，类似于关系型数据库中的SQL），同时执行速度也会快很多