tilde

本文属于图神经网络的系列文章，文章目录如下： 从图(Graph)到图卷积(Graph Convolution)：漫谈图神经网络模型 (一) 从图(Graph)到图卷积(Graph Convolution)：漫谈图神经网络模型 (二) 从图(Graph)到图卷积(Graph Convolution)：漫谈图神经网络模型 (三) 恭喜你看到了本系列的第三篇！前面两篇博客分别介绍了基于循环的图神经网络和基于卷积的图神经网络，那么在本篇中，我们则主要关注在 得到了各个结点的表示后，如何生成整个图的表示 。其实之前我们也举了一些例子，比如最朴素的方法，例如图上所有结点的表示取个均值，即可得到图的表示。那有没有更好的方法呢，它们各自的优点和缺点又是什么呢，本篇主要对上面这两个问题做一点探讨。篇幅不多，理论也不艰深，请读者放心地看。 图读出操作(ReadOut) 图读出操作，顾名思义，就是用来生成图表示的。它的别名有图粗化( 翻译捉急 ，Graph Coarsening)/图池化(Graph Pooling)。对于这种操作而言，它的核心要义在于： 操作本身要对结点顺序不敏感 。 这是为什么呢？这就不得不提到图本身的一些性质了。我们都知道，在欧氏空间中，如果一张图片旋转了，那么形成的新图片 就不再是原来那张图片 了；但在非欧式空间的图上，如果一个图旋转一下，例如对它的结点重新编号

题目传送门： AtCoder Grand Contest 019 。 目录 A - Ice Tea Store B - Reverse and Compare C - Fountain Walk D - Shift and Flip E - Shuffle and Swap F - Yes or No A - Ice Tea Store 如果买两瓶 250mL 的冰红茶比买一瓶 500mL 的冰红茶更便宜，就更新它。 同理，用 500mL 的更新 1L 的，用 1L 的更新 2L 的。 最终答案是 \(\lfloor N / 2 \rfloor \times S + (N \bmod 2) \times D\) 。 #include <cstdio> typedef long long LL; int main() { int Q, H, S, D; LL N; scanf("%d%d%d%d%lld", &Q, &H, &S, &D, &N); if (H > 2 * Q) H = 2 * Q; if (S > 2 * H) S = 2 * H; if (D > 2 * S) D = 2 * S; printf("%lld\n", N / 2 * D + N % 2 * S); return 0; } B - Reverse and Compare 如果选取的要 reverse

RTKLIB源码解析（一）——单点定位(pntpos.c) 标签： GNSS RTKLIB 单点定位 前段时间一直忙着写毕业论文，所以也没有太多时间来阅读 RTKLIB源码，最近好歹把 pntpos中的相关代码看了一遍，知道了 RTKLIB是如何实现单点伪距定位的。这里把每一个函数都做成了小卡片的形式，每个函数大都包含函数签名、所在文件、功能说明、参数说明、处理过程、注意事项和我的疑惑这几个部分，介绍了阅读代码时我自己的看法和疑惑。所以希望诸位看官能帮忙解答我的疑惑，与我交流，也希望能帮助后来也有需要阅读 RTKLIB源码的人，给他们多提供一份思路。总而言之，既为人，也为己。 这份文档是使用 Cmd Markdown完成的，在作业部落上其格式显式的非常完整，但是在博客园中 目录 、 代码块 和 流程图 似乎都没有显示出来，所以这里也贴上本文在作业部落上的链接 RTKLIB源码解析（一）——单点定位(pntpos.c) ，对格式“零容忍”的同学请移步那里。 目录 RTKLIB源码解析（一）——单点定位(pntpos.c) pntpos satposs estpos raim_fde estvel ephclk satpos satsys seleph eph2clk ephpos eph2pos rescode lsq valsol matmul dops ecef2enu

张量网络图片生成与压缩 一、监督/非监督张量网络机器学习 二、张量网络图片生成与压缩 三、监督性张量网络机器学习 暑假的接近尾声，这个系列也要结束了，这是这个系列的最后一篇。我们接着上篇继续讲！ 一、监督/非监督张量网络机器学习 ∣ ψ ⟩ \left| \psi \right\rangle ∣ ψ ⟩ 是一个L-qubit的量子态，它的参数复杂度会随着特征个数 L 呈指数上升，张量网络机器学习的中心思想之一就是将 ∣ ψ ⟩ \left| \psi \right\rangle ∣ ψ ⟩ 用张量网络表示，从而使参数复杂度降低到多项式级。 在给定N个训练样本 { X [ n ] } \left\{ {{X}^{[n]}} \right\} { X [ n ] } 后，我们可以训练量子态，使其满足等概率假设: P ( X [ 1 ] ) = P ( X [ 2 ] ) = ⋯ \boldsymbol{P}\left(\boldsymbol{X}^{[\mathbf{1}]}\right)=\boldsymbol{P}\left(\boldsymbol{X}^{[2]}\right)=\cdots P ( X [ 1 ] ) = P ( X [ 2 ] ) = ⋯ 这被称为MPS非监督机器学习。 定义 交叉熵损失函数 ： f ( { X [ n ] } ) = − 1 N ∑ n =

1. 概述 在 循环神经网络RNN 一文中提及到了循环神经网络RNN存在长距离依赖的问题，长短期记忆（Long Short-Term Memory，LSTM）网络便是为了解决RNN中存在的梯度爆炸的问题而提出。在LSTM网络中，主要依靠引入“门”机制来控制信息的传播。 2. 算法原理 2.1. LSTM的网络结构 LSTM的网络结构如下所示（图片来自参考文献）： 与循环神经网络RNN相比，LSTM的网络结构要复杂的多。 在LSTM网络中，通过引入三个门来控制信息的传递，这三个门分别为遗忘门（forget gate），输入门（input gate）和输出门（output gate）。门机制是LSTM中重要的概念，那么什么是“门”以及门机制在LSTM中是如何解决长距离依赖的问题的。 2.2. 门机制 现实中的“门”通常解释为出入口，在LSTM网络的门也是一种出入口，但是是控制信息的出入口。门的状态通常有三种状态，分别为全开（信息通过概率为1），全闭（信息通过概率为0）以及半开（信息通过概率介于0和1之间）。在这里，我们发现对于全开，全闭以及半开三种状态下的信息通过可以通过概率来表示，在神经网络中，sigmoid函数也是一个介于0和1之间的表示，可以应用到LSTM中门的计算中。 2.3. LSTM的计算过程 如下是LSTM的网络结构的具体形态，如下所示（图片来自邱锡鹏老师的课件）： 其中

单纯形法是求解线性规划问题的一种通用的有效算法（ 必考点 ）。 此篇博客以我的好友Cizeron总结为基础完成，特此表示感谢。 目录 1.基本思想 2.前置概念 3.算法步骤 4.算例 5.算法收敛性 6.Matlab实现 1.输入问题 2.建立初始单纯形表 3.迭代寻找最优解 4.输出结果 5.附录（代码总表） 1.基本思想 单纯形法的基本思想是：给出一种规则，使由 LP问题一个基本可行解（极点）转移到另一个基本可行解，目标函数值是减小的，而且两个基本可行解之间的转换是容易实现的，经过有限次迭代，即可求得所需的最优基本可行解。 2.前置概念 （1）约束方程的规范形式： { m i n   c T x s . t .   A x = b , x ≥ 0 (1) \begin{cases}min \,c^Tx \\ s.t.\,Ax=b,& \text{$x\geq0 $ } \end{cases} \tag{1} { m i n c T x s . t . A x = b , ​ x ≥ 0 ​ ( 1 ) 线性规划（1）的约束条件系数矩阵A通过初等行变换，总可以化为 [ I m , N ] [I_m,N] [ I m ​ , N ] 则约束条件可以写为 [ I m , N ] [ x B x N ] = b (2) [I_m,N] \begin{bmatrix} x_B\\ x

RTKLIB源码解析（一）——单点定位(pntpos.c) 标签： GNSS RTKLIB 单点定位 前段时间一直忙着写毕业论文，所以也没有太多时间来阅读 RTKLIB源码，最近好歹把 pntpos中的相关代码看了一遍，知道了 RTKLIB是如何实现单点伪距定位的。这里把每一个函数都做成了小卡片的形式，每个函数大都包含函数签名、所在文件、功能说明、参数说明、处理过程、注意事项和我的疑惑这几个部分，介绍了阅读代码时我自己的看法和疑惑。所以希望诸位看官能帮忙解答我的疑惑，与我交流，也希望能帮助后来也有需要阅读 RTKLIB源码的人，给他们多提供一份思路。总而言之，既为人，也为己。 这份文档是使用 Cmd Markdown完成的，在作业部落上其格式显式的非常完整，但是在博客园中 目录 、 代码块 和 流程图 似乎都没有显示出来，所以这里也贴上本文在作业部落上的链接 RTKLIB源码解析（一）——单点定位(pntpos.c) ，对格式“零容忍”的同学请移步那里。 目录 RTKLIB源码解析（一）——单点定位(pntpos.c) pntpos satposs estpos raim_fde estvel ephclk satpos satsys seleph eph2clk ephpos eph2pos rescode lsq valsol matmul dops ecef2enu

在一篇博客 GAN网络从入门教程（一）之GAN网络介绍 中，简单的对GAN网络进行了一些介绍，介绍了其是什么，然后大概的流程是什么。 在这篇博客中，主要是介绍其数学公式，以及其算法流程。当然数学公式只是简单的介绍，并不会设计很复杂的公式推导。如果想详细的了解GAN网络的原理，推荐去看李宏毅老师的课程。B站和Youtube上面都有。 概率分布 生成器 首先我们是可以知道真实图片的分布函数 \(p_{data}(x)\) ，同时我们把假的图片也看成一个概率分布，称之为 \(p_g = (x,\theta)\) 。那么我们的目标是什么呢？我们的目标就是使得 \(p_g(x,\theta)\) 尽量的去逼近 \(p_{data}(x)\) 。在GAN中，我们使用神经网络去逼近 \(p_g = (x,\theta)\) 。 在生成器中，我们有如下模型： 其中 \(z \sim P_{z}(z)\) ，因此 \(G(z)\) 也是一个针对于 \(z\) 概率密度分布函数。 判别器 针对于判别器，我们有 \(D(x,\theta)\) ，其代表某一张z图片 \(x\) 为真的概率。 目标函数 在 Generative Adversarial Nets 论文中给出了以下的目标函数，也就是GAN网络需要优化的东西。 \[\begin{equation}\min _{G} \max _{D} V(D,

问题： Searching for the ~ character isn't easy. 搜索 ~ 字符并不容易。 I was looking over some CSS and found this 我查看了一些CSS，发现了这个 .check:checked ~ .content { } What does it mean? 这是什么意思？ 解决方案： 参考一： https://stackoom.com/question/jEu6/波浪号-波浪形-旋转-CSS选择器是什么意思 参考二： https://oldbug.net/q/jEu6/What-does-the-tilde-squiggle-twiddle-CSS-selector-mean 来源： oschina 链接： https://my.oschina.net/stackoom/blog/4327833

目录 (IROS 2020)Are We Ready for Service Robots? The OpenLORIS-Scene Datasets for Lifelong SLAM 下载链接 具体内容 (ICRA 2012)Practice Makes Perfect? Managing and Leveraging Visual Experiences for Lifelong Navigation 经验积累 塑性地图 创建地点 (IROS2009)Towards Lifelong Visual Maps 骨架图和frameSLAM 视角删除 环境类型 (IROS 2020)Are We Ready for Service Robots? The OpenLORIS-Scene Datasets for Lifelong SLAM 一个针对室内服务机器人的lifelong SLAM数据集。 下载链接 数据集传送门： lifelong-robotic-vision.github.io/dataset/scene 数据集传送门： https://shimo.im/docs/HhJj6XHYhdRQ6jjk/read 具体内容 (ICRA 2012)Practice Makes Perfect? Managing and Leveraging Visual Experiences