context-aware visual compatibility prediction
本文主要解決，根據兩種衣服的上下文來判定兩種衣服是否適配的問題，和以前網路不同的是，文中所用的網路為圖網路（一般輸入資料滿足圖結構的網路成為圖網路）。
例如左邊的是以往模型的風格匹配，右邊的是本文中圖結構的風格匹配。
網路結構
最初使用的方法是，直接使用卷積抽取嵌入向量進行舉例匹配，之後有人使用孿生網路進行改進，再後來使用triple loss來進行運算，最近的改進主要是基於有文字條件的嵌入。 本文主要的圖網路結構如下
兩種圖輸入，然後使用encoder生成向量，然後在使用decoder計算分數。
具體方法
本文使用的圖網路是 圖自動編碼網路gae，編碼器會針對圖的每個節點生成嵌入向量，解碼器會根據這些嵌入向量**圖中丟失的邊界。
假設輸入是乙個n節點的無環圖，同種每乙個節點都使用f維度的代表向量，那麼圖就可以使用乙個n x f維度的矩陣x代表，再定義乙個鏈結n x n矩陣當i 和j兩個節點是有鏈結的那麼a（i,j）=1 否則就等於0。
其中編碼器可以抽象成h = f_enc( x, a) 解碼器可以抽象為a = f_dec(h)經過編碼器將x變成n x f1矩陣h，對於解碼器來說他就是重構鏈結矩陣a，f_dec(hi, hj) 給出兩點之間的概率值。
encoder部分
初始化的向量矩陣x，主要是通過卷積網路對提取特徵。然後在選取目標節點i中緊鄰節點
那麼節點encoder計算如下
網路使用的是gcn 含有多個隱藏層，對於單個隱藏層有如下公式
其中z表示輸入輸出。
多層的表示公式如下
其中初始化的z就是x，
其中對角矩陣d
在文中s表示連線的深度，也就是幾次連線到大目標點。 本文所有的我試驗都是選擇s = 1
decoder
decoder部分主要是對物體匹配的度量，文中提到了相似性和匹配性是兩種完全不同的問題，所以不建議將相似性和匹配性一起處理。
訓練
模型訓練過程中，可以對資料移除一些鏈結，生成新的無環矩陣a1，然後通過網路計算loss, loss為較差熵。
試驗結果，當關聯深度約高，準確率越高。
洗衣服的演算法改進
昨晚在洗衣服的時候，突然想到以前洗衣服的方法效率極低，先說一下以前是怎樣洗的。1.放滿一桶水。2.把要洗的衣服塞進這桶水裡。3.把衣服洗乾淨，然後放到乙個盆子裡，並倒乾淨桶裡的水。4.重新把桶子裝滿水，洗第二遍。重複步驟3。5.重複步驟4。6.洗衣服完畢。這樣的洗法只需要乙隻桶和乙隻盆，由於前幾天小...
賽門鐵克通配型SSL證書
賽門鐵克 symantec 是全球第一大數字證書頒發機構 ca 全球最值得信賴的ssl證書品牌，提供的所有產品都採用業界領先的加密技術，為不同的 和伺服器提供安全解決方案。除了萬用字元ssl證書產品外，我們還提供有 擴充套件驗證 ev 的ssl證書將增加客戶的信心，幫助您的 達到其全部潛力 專業版 ...
貪心演算法（二分演算法） 烘乾衣服
問題描述 有n件衣服需要烘乾，每件衣服含水量為ai,自然烘乾每分鐘含水量減1，烘乾機每分鐘減少k，只有一台烘乾機，每次使用烘乾機至少一分鐘，求把所有衣服烘乾所需要的最少時間。include include include using namespace std const int maxn 1e5 ...