TiuVe

机器学习中有一类问题叫做多标签分类(multi-label)，其和多分类(multi-class)问题不同。多分类问题是将一个样本x分到某一个类别$y_i$，而多标签分类问题是将一个样本x分到某些类别$y_i$, .., $y_j$等，也就是说多分类问题的类别之间是互斥的，所有类别的概率和为1。而多标签分类问题的类别之间不互斥，所有类别的概率和不为1，多标签分类问题可以理解为n个二分类问题。

TF2提供了多标签分类问题的auc计算方法，但是计算结果和预期不同，所以剖析下源码。

最近要看下IGMC的源码，发现代码中引用了torch-geometric库，所以需要安装下pytorch环境和对应的库。有点点坑，记录下。环境配置需要和作者保持一致，不然会有一些问题，作者的环境是 Python 3.8.1 + PyTorch 1.4.0 + PyTorch_Geometric 1.4.2。

协同过滤（collaborative filtering）是一种在推荐系统中广泛使用的技术。该技术通过分析用户或者物品之间的相似性（”协同”），来预测用户可能感兴趣的物品并推荐给用户[1]。所以，协同过滤本质上是一类技术的统称。在大多数资料中，协同过滤技术分为两类：基于存量（Memory - based）的协同过滤和基于模型（Model- based）的协同过滤。

2020年只剩下6天了，刚刚晚上和组长交流完工作后，继续开始搞可视化项目，分心之余想起来了大学喜欢看的一个短视频《80后在路上》，于是又打开边听边工作，==。虽然早已没有了当年的激情，但是仍然希望做出一些有意义的事情来。

给你一个字符串 s 和一个字符规律 p，请你来实现一个支持 ‘.’ 和 ‘*’ 的正则表达式匹配。

transformer是近些年在NLP领域火起来的一个语言模型，google bert的出现更是将其推到了顶峰。所谓语言模型就是预测每个句子在语言中出现的概率。简单地说，transformer是基于attention和encode-decode的产物。transformer出自2017年的一篇论文《Attention Is All You Need》，最初是用来提高机器翻译的效率，后来逐渐演化为各类预训练模型（bert）的基础。基于transformser可以构建各种各样的NLP任务，只需要修改下训练样本，并进行微调就可以了。

题目有点水，先得到要求商求余的除数就很简单了。但是没判定<0，wa；求余wa。

这道题是一道水题，但是没有注意到一个细节：假如第一个非空格字符不是一个有效整数字符的话是无效转换返回0，所以wa了一发，mmp。