NLP-D42-nlp比赛D11-知识图谱与可视化关系&读论文D2&789差分矩阵&人类语言处理7-8&训练trick

—0515

知识图谱可视化比正常数据可视化区别

搜索后的个人看法：
1、实体对象
知识图谱更general，倾向于异质网络；传统可视化更倾向于同质化网络的分析。
2、联系
知识图谱的图结构可以支持数据可视化
3、“知识”处理
知识图谱倾向于知识本身，并且倾向于把知识做向量化表示；正常数据可视化倾向于对数据做分析——将数据抽象为图的形式，采用图分析算法，可视化后进行分析。
4、应用
另外知识图谱本身的应用领域为问答系统，智能推荐之类的。（接下来可以多读读应用类综述。）；可视化个人感觉，更倾向于做关联分析之类的。

—-0612读完论文，又找到很多感兴趣的东西~不错诶
下面刷题啦~

798差分矩阵

1、解决问题：在一个矩阵内频繁加减c
2、attention：
（1）写add函数时思路要清晰
（2）print时，直接打print()即可换行；打print(“\n”)后悔多加一个空行？？
（3）不要忘记还有q行的插入操作
3、代码：

n,m,q = map(int, input().split())
a = [[0]*(m+2) for _ in range(n+2)]
b = [[0]*(m+2) for _ in range(n+2)]
for i in range(1,n+1):
    a[i][1:] = list(map(int, input().split()))

def add(x1,y1,x2,y2,c):
    b[x1][y1]+=c
    b[x1][y2+1]-=c
    b[x2+1][y1]-=c
    b[x2+1][y2+1]+=c

for i in range(1,n+1):
    for j in range(1,m+1):
        add(i,j,i,j,a[i][j])
for _ in range(q):
    x1,y1,x2,y2,c = map(int,input().split())
    add(x1,y1,x2,y2,c)
    
for i in range(1,1+n):
    for j in range(1,1+m):
        b[i][j] += b[i-1][j]+b[i][j-1]-b[i-1][j-1]
        print(b[i][j], end=' ')
    print()

《人类语言处理》07

HMM:将state 重复进行align
CTC：可以重复或者插入nuo
RNN-T：插入nuo，直到认为结束

RNN-T损失函数

损失函数不一定是真的损失，即正确值与预测值的差距，也可以是一个概率值，即求-概率的最小值。所以，损失函数就是我们要优化的一个对象，既可以是概率，也可以是两个东西之间的差值。

https://www.modb.pro/db/176105

CNN为什么train不动或不稳定

感觉训练的trick有很多，我这里改小lr到0.0001就可以了，真的很小了。
发现了几篇不错的训练trick文章，有机会看。
（强推）https://blog.csdn.net/ytusdc/article/details/107738749
https://blog.csdn.net/hustqb/article/details/78648556
https://zhuanlan.zhihu.com/p/36369878

为什么测试集效果好于验证集

说明泛化能力真的很好？？？

太多padding会对训练造成什么影响

—-2213跑完步看完翻译和日语准备睡啦~