DoubleYing
DoubleYing
首先，感谢能够有这么完整的代码和说明文档。对我帮助很大。 但是仍存在一些问题： 1.对于空间输入数据，采样率为10。对于运动输入数据，光流数据的采样率是多少？ 情况1.是根据采样图像的后10帧得到的光流volume吗？ 情况2.还是采样得到的帧，每10帧计算一个光流volume？ 2.训练时，对运动空间，只采样3个帧；对运动空间只采样1个光流堆。那为何最初的数据处理要存储这么多的数据呢？ 3.测试，对每个视频采样19帧，是为了保有足够的帧用于10个堆栈运动流中的测试。那么是否推测问题1中，光流的采样为情况2. 希望您有空能解答一下我的疑问。感谢。
从2_gen_dien_input.py 和 2_gen_dsin_input.py 这两个文件中，看到dien生成的数据是选择第1个session中最新的数据；而dsin生成的数据是把最新的session中最新数据放至sess_0。 所以，这里我有两个问题： 1.dsin和dien本身输入的数据不同，是否因为这个会导致实验结果有差异 2.dsin是将最新数据放在sess_0，因此在段间兴趣提取层，实际上是学习了一个从现在到过去的演化过程（当然，您论文中用的是bi-lstm，是双向学习）。那如果是换个顺序存储sess数据，那结果是否会有变化。 嗯，上面这些只是一些想法，还没有进行验证。 或许，您能帮忙解释一下，当初您为什么采用这种策略生成输入数据。
关于结果
想问一下您，在taobao ad数据集上，最终的AUC是能够得到论文中结果的嘛？ 因为我按照您的这个流程走下来，使用了5%的ad数据集（受硬件环境限制），但是最后AUC只有0.5+， 我就很怀疑是我哪里没有弄对吗？
bert4rec在我们的场景下使用的时候，预测速度非常慢。 这个原因是不是拿了所有物料做softmax导致的。 但是作为cloze任务，这个又无法避免，想问下有什么解决办法吗
## 相关章节 CH17 ## 相关主题 - [ lsa] 代码 ## 问题描述 首先，非常感谢能无私开源自己的代码，对我们的学习真的很有帮助。 在lsa的fit()方法中，这个函数的作用是将x->x_trainsform。但是我不太理解为什么x_transform是U*s，因为U本身已经是话题向量空间。s*vh代表文本在话题向量空间中的表示。那么这里x_transform的含义是什么？ 而component返回的则是vh，这个component的意义又是什么？ 还有explained_variance是计算的x_transform的方差，这个的意义又是什么
PAL模型
论文中，pos模型和pctr模型的sigmoid结果进行相乘得到bctr。 但在在您的PositionBiasAwareLearningFrameworkModel 实现中，是把pctr结果送到pos模型中进行训练？ 是不是跟论文中所说的不一样？ 另外再问一下torch方面简单的问题，output = self.pos_model((pctr_out, pos_inputs)) 这个pos_model的输入，为啥是一个tuple？
关于usercf
在u2u2i的过程中，没有看到找相似user的过程。或者说， val df_user_prefer2 = df_user_prefer1.withColumn("score", col("pref") * col("similar") * (lit(1) / log(col("sum_item") * hot_item_regular + math.E))).select("useridJ", "itemid", "score") 这一行，为什么可以直接去掉useridI这一项呢？
**Describe the question(问题描述)** 直接运行run_din.py，运行epoch设置为10，运行了大概6次后，报以下错误。大概是IteratorResource does not exist，但是我不知道为啥会出现这个问题。可不可以请大佬指点一下。 `Train on 1 samples, validate on 2 samples Epoch 1/10 C:\Software\Anaconda3\lib\site-packages\tensorflow_core\python\framework\indexed_slices.py:424: UserWarning: Converting sparse IndexedSlices to a dense Tensor of unknown shape. This...
看到原paper的pytorch的实现里算g的时候用了detach。 https://github.com/libuyu/mmdetection/blob/23f86276b6e135415a411aa229e16a9981fac907/mmdet/models/losses/ghm_loss.py#L73 g = torch.abs(pred.sigmoid().detach() - target) 想问一下在tensorflow里是不是要用对应的tf.stop_gradient？