别看排查问题步骤写的很简单，但是花费了3个小时进行解决。太让人泪目了。不过，这次问题解决也让我明白了，报错无非是由三个方面出现的，1）逻辑错误、矩阵运算错误，2）版本（环境配置），3）计算资源当然只是简单的划分，其实每一类都存细小的分类。后面，可以按照这个思路总结一下，自己遇到问题的类别，这样bug就会越来越少了，嘻嘻嘻嘻。......

在官网上下载好pytorch版的预训练模型，

模型表示:有向图 贝叶斯网络 信念网络常见的有向图模型朴素贝叶斯分类器 和 sigmoid信念网络隐马尔可夫模型 HMM 应用广泛：高斯混合模型：高斯图模型表示：概率主题模型：无向图 马尔可夫随机场是一类用无向图来表示一组具有马尔可夫性质的随机变量X的联合概率分布模型图示表示团： Clique 一个全连通子图 即团内的所有节点之间都连边定义团之后 就可以构建无向图上的联合概率了 Hammersle

torch版本1.6

做图谱不可避免需要到图数据库，但是如何选择一个适合的图数据库，是一个问题，这篇文章是基于前人做的对比评测，希望能让大家对目前主流的图数据库由大致了解。仅为一家之言，如有偏驳，请指正。文章会出现横向扩展和纵向扩展概念，横向扩展也叫水平扩展，用更多的节点支撑更大量的请求，如成千上万的蚂蚁完成一项搬运工作，也就是多增加几台服务器一起服务。纵向扩展也叫垂直扩展，扩展一个点的能力支撑更大请求，如蜘蛛侠逼停火

1.背景：runc是一个轻量级通用容器运行环境，它允许一个简化的探针到运行和调试的底层容器的功能，不需要整个docker守护进程的接口。runc存在容器逃逸漏洞，该漏洞是由于挂载卷时，runc不信任目标参数，并将使用“filepath-securejoin”库来解析任何符号链接并确保解析的目标在容器根目录中，但是如果用符号链接替换检查的目标文件时，可以将主机文件挂载到容器中。攻击者可利用该漏洞在未

nvidia-docker2版本以上增加在启动容器的时候加上-e NVIDIA_VISIBLE_DEVICES=all在容器中使用nvidia-smi可以显示出GPU信息图源：来自网络但是发现CUDA Version的版本为N/A，使用torch.cuda.is_available()会出现报错UserWarning: CUDA in...

做图谱不可避免需要到图数据库，但是如何选择一个适合的图数据库，是一个问题，这篇文章是基于前人做的对比评测，希望能让大家对目前主流的图数据库由大致了解。仅为一家之言，如有偏驳，请指正。文章会出现横向扩展和纵向扩展概念，横向扩展也叫水平扩展，用更多的节点支撑更大量的请求，如成千上万的蚂蚁完成一项搬运工作，也就是多增加几台服务器一起服务。纵向扩展也叫垂直扩展，扩展一个点的能力支撑更大请求，如蜘蛛侠逼停火

模型表示:有向图 贝叶斯网络 信念网络常见的有向图模型朴素贝叶斯分类器 和 sigmoid信念网络隐马尔可夫模型 HMM 应用广泛：高斯混合模型：高斯图模型表示：概率主题模型：无向图 马尔可夫随机场是一类用无向图来表示一组具有马尔可夫性质的随机变量X的联合概率分布模型图示表示团： Clique 一个全连通子图 即团内的所有节点之间都连边定义团之后 就可以构建无向图上的联合概率了 Hammersle

是否将所有NLP任务都可视作QA？举例：在old-school NLP系统中，必须手工整理一个“知识库”；然后在这个知识库上做规则推断。这节课介绍的DMN完全不同于这种方法，它能够直接从问答语料中学习所有必要的知识表达。DMN还可以在问答中做情感分析、词性标注和机器翻译。所以构建一个joint model用于通用QA成为终极目标。但是实现这个目标，有两个障碍1.没有任何已有研究探讨如何让单个模型学