auc是什么
auc 是机器学习中二分类问题的常用评价指标，其反映了分类器对正负样本的排序能力。本文介绍一下 auc 指标，然后介绍下 tf.metrics.auc()函数。
nextitnet的源码比较通俗易懂，十分有助于理解论文 idea。简单来说，输入是item 时间序列的集合（源数据的item 序列的长度是5），然后经过nextitnet_residual_block网络结构进行堆叠，网络结构的 channel是一个常量dilated_channels（100），该值同时也是item embedding 的长度。堆叠的nextitnet_residual_block网络最后一层的输出和输入的 shape 一致，都是[batch, seq_len, channel/item embedding长度]，为了建立item seq和所有 item的联合概率分布，作者在nextitnet_residual_block网络的最后一层加了一个卷积层，卷积核 shape 为[1,1,dilated_channels, items_size]，所以最终的输出的 shape 是[batch, seq_len, items_size]（**原来我总感觉这里有点强转了，但是后来想了想，经典cnn结构不也是将三维打平然后映射到 n 个类别吗？**）。
晚上打完游戏后，再次来到电脑前突然想起了海博学长，海博学长是一个学霸而且人特别好。记得上一次和海博学长联系好像是6年前的事情了，刚上大一的时候听完东大留学群的讲座之后内心无比激动，心心念念地想去CMU，然后和学长聊了两三次，学长还和我说了他对自己的规划，以及希望在CMU看到我。但后来由于某些原因我放弃了去CMU的念头。
tensorflow 官方推荐使用TFRecord进行数据读写，因为这样效率更高。TFRecord是一种使用pb协议序列化的二进制存储格式。为了高效读取数据，TFRecord将数据序列化并存储在一组文件中实现线性读取（每个文件大概100M-200M，官方说的）。tf.train.Example就是 pb 协议中的消息(Message)定义，下面是代码。
该论文在CIFAR-10，CIFAR-100 [27]和ImageNet [6]上进行了评估。 CIFAR-10包含10个类别的50K训练图像和10K测试图像。 CIFAR-100与CIFAR-10类似，但有100个类别。 ImageNet包含128万个训练图像和50000个测试图像以及1000个类别。 论文在这三个数据集上进行了数据扩充，具体地，在CIFAR-10和CIFAR-100上，随机裁剪成32×32的块(patch)，在每个边界填充4个像素，并且还应用了随机水平翻转。 在ImageNet上，我们使用经典方法随机裁剪大小，随机更改亮度/对比度/饱和度，并随机进行水平翻转以进行数据增强。 在评估过程中，论文将图像大小调整为256×256，并在中央裁剪了224×224的块。
今天又是虚度的一天。早上还志向满满，结果上午经受不住诱惑，mac升级了最新的系统 catalina，然后电脑开启疯狂 bug 模式，对于我这样有完美倾向的人来说简直是一场灾难。不过也确实是我大意了，尽管事先问了两个朋友新系统体验如何，但这就像小马过河的故事，因人而异。那两位朋友基本不怎么使用命令行工具所以感觉还行，对于我这个基本上依赖于命令行生活的人来说，此次 mac 最大的变化就是提升了命令行下的权限，普通用户不能随意在根目录下操作，否则会提示Read-only file system。如果你之前在根目录下新建了一个目录 a，那么升级 catalina时会将目录 a 移动至别的地方。
之前没有学过 pytorch，最近在看 pytorch的代码时以 tf 的思维去看，很多 module 相关的内容看的似懂非懂，所以把 module 部分拿出来学习一下。先附上相关资源连接。
最近在阅读论文《Network Pruning via Transformable Architecture Search》的源码，其主要实现了结构化自动裁剪神经网络的逻辑（也算是autoML的部分），由 pytorch 实现。特此记录。
假期的效率真的有点低，搞了两天才完成了blog的迁移工作，没想到在普通网络下访问github是如此的慢，最后选择了码云作为托管仓库。
从今天起要好好工作了，不然论文真的要延期了。。。
除了论文要开始搞起了，计算广告的专业词汇也要大概了解下，OJ的题要刷么么么？
啊，要做的事情太多了。。自闭！