这是一篇比较经典的多元时间序列数据异常检测算法的论文阅读解析，包括了算法代码的实现，论文原文已经上传到CSDN方便下载阅读，点击这里下载原始论文一、这篇论文说了什么？针对多元时间序列的异常数据检测，提出了一种图遍历算法，作者认为，多元数据序列数据都可以看成n个数据点，然后每个数据点上对应了多个变量，比如每天的天气数据，有以下变量：温度、光照、湿度、空气质量等。这是常见的多元时间序列数据。那么每个数

论文链接：AnomMAN: Detect Anomaly on Multi-view Attributed Networks。一、前言1.1 以往图异常检测算法的问题大多数图异常检测算法仅仅考虑单种类型节点的交互活动来检测属性网络上的异常，但未能考虑多视图属性网络中的丰富交互活动。 事实上，在多视图属性网络中统一考虑所有不同类型的交互并检测异常实例仍然是一项具有挑战性的任务。1.2 AnomMAN

最近跟着导师学图神经网络，开始看论文搭模型跑代码，用的DGL框架，一开始不舒服被坑的有点惨，特此记录一下使用情况，避免其他学习的同学踩坑。一、关于安装一定先安装pytorch再安装dgl，因为dgl是依赖于pytorch，也不一定说你颠倒安装顺序就一定不对，但是可能容易出现一些包找不到的问题。二、关于cpu和gpupip install dgl这样默认安装的是cpu版本，没法调用GPU运算，安装G

完成所有工作的最短时间给你一个整数数组 jobs ，其中 jobs[i] 是完成第 i 项工作要花费的时间。请你将这些工作分配给 k 位工人。所有工作都应该分配给工人，且每项工作只能分配给一位工人。工人的 工作时间 是完成分配给他们的所有工作花费时间的总和。请你设计一套最佳的工作分配方案，使工人的 最大工作时间 得以 最小化 。返回分配方案中尽可能 最小 的 最大工作时间 。示例 1：输入：job

LeNet-5是一个很古老也很经典的CNN网络了，结构比较简单，是针对单通道图像构建的模型，当时提出的作者没有详细考虑到用于3通道图像（RGB彩色图像）的识别运用。完整工程代码点击这里，如果你觉得对你的学习有所帮助的话也欢迎给个star，谢谢~一、LeNet网络结构第一层为6个5X5卷积核，步长为1*1，不扩展边界，并输入单通道的灰度图像；第二层为2X2的最大值池化层，步长为2X2；第三层为16个

很喜欢《游褒禅山记》里面说的一句话：而世之奇伟、瑰怪，非常之观，常在于险远，而人之所罕至焉，故非有志者不能至也。保研是为了去更好的学校，更是一个对自己人生的极高要求，唯有会当凌绝顶，才能一览众山小。其过程之孤，其经历之艰，如同世之奇伟、瑰怪，非常之观。而唯有一颗坚持不放弃的心，才能前往。今年疫情影响，保研和往年大有不多，往年的保研都是线下，所以要跑来跑去，今年全部线上模式，倒也轻巧，分享下自己的一

之前我们已经实现了简单的神经元，并复现了代码对数据进行简单分类。Numpy实现简单神经元进行逻辑回归对糖尿病数据集二分类可惜单个神经元效果并不好，好吧，利用单个神经元做分类也不是我们的目的，但是学好神经元对于构建神经网络意义重大，我希望你能认真查看神经元的构建和推导的公式。本文也将进行神经网络的推导，相关知识，包括链式法则、梯度下降法，以及神经网络和神经元的关系等等，在这篇文章Numpy实现简单神

我们使用的Linux一般是连接到某个强大的服务器上，然后从终端输入运行代码的指令，那么程序开始运行，但是这样有个问题，就是如果网络问题或者服务器和客户端连接不稳定，终端是很容易自动关闭的，如果终端关闭那么辛辛苦苦快跑完的程序也会中断。于是我们利用指令：nohup python train.py &输入该指令后， 程序运行结果不会显示到终端，而是直接在服务器后台运行，此时会在当前目录下生成一

这段时间弄一个模型处理数据时因为运算量很大，导致模型整体效率很低，后来想到把数据分段，开多进程来同时处理可以大大降低时间，简单来说就是，本来一个数据我单独主程序需要处理花10min，然后我把这个数据分成10段，再分别开了10个进程单独处理其中一段，因为这些进程是并行运算的（会加大电脑CPU运算量），那么总共你的时间就只花了1min，就很赚了。说干就干，先写一个简单的多进程代码。简单的多进程代码fr

二分类任务中只有正样本和负样本，即标签为1或0。而我们模型的目标就是尽可能去把所有的正样本的都准确的找出来，于是涉及到精确率Precision和召回率Recall。计算召回率：真实的正样本数目为3，而模型预测为准确的正样本数目为2，也就是3条有2条被找出来了，召回率=2/3。计算精确率：预测为正样本的数目为5，但其中只有2条是真的正样本，也就是只有2条被成功预测正确了，精确率=2/5。精确率Pre