数学基础
- 线性代数
- 概率论与随机过程
- 数值计算
- 蒙特卡洛方法与 MCMC 采样
- 机器学习方法概论
统计学习
深度学习
- 深度学习简介
- 深度前馈网络
- 反向传播算法
- 正则化
- 深度学习中的最优化问题
- 卷积神经网络
- CNN:图像分类
- 循环神经网络 RNN
- Transformer
- 一、Transformer [2017]
- 二、Universal Transformer [2018]
- 三、Transformer-XL [2019]
- 四、GPT1 [2018]
- 五、GPT2 [2019]
- 六、GPT3 [2020]
- 七、OPT [2022]
- 八、BERT [2018]
- 九、XLNet [2019]
- 十、RoBERTa [2019]
- 十一、ERNIE 1.0 [2019]
- 十二、ERNIE 2.0 [2019]
- 十三、ERNIE 3.0 [2021]
- 十四、ERNIE-Huawei [2019]
- 十五、MT-DNN [2019]
- 十六、BART [2019]
- 十七、mBART [2020]
- 十八、SpanBERT [2019]
- 十九、ALBERT [2019]
- 二十、UniLM [2019]
- 二十一、MASS [2019]
- 二十二、MacBERT [2019]
- 二十三、Fine-Tuning Language Models from Human Preferences [2019]
- 二十四 Learning to summarize from human feedback [2020]
- 二十五、InstructGPT [2022]
- 二十六、T5 [2020]
- 二十七、mT5 [2020]
- 二十八、ExT5 [2021]
- 二十九、Muppet [2021]
- 三十、Self-Attention with Relative Position Representations [2018]
- 三十一、USE [2018]
- 三十二、Sentence-BERT [2019]
- 三十三、SimCSE [2021]
- 三十四、BERT-Flow [2020]
- 三十五、BERT-Whitening [2021]
- 三十六、Comparing the Geometry of BERT, ELMo, and GPT-2 Embeddings [2019]
- 三十七、CERT [2020]
- 三十八、DeCLUTR [2020]
- 三十九、CLEAR [2020]
- 四十、ConSERT [2021]
- 四十一、Sentence-T5 [2021]
- 四十二、ULMFiT [2018]
- 四十三、Scaling Laws for Neural Language Models [2020]
- 四十四、Chinchilla [2022]
- 四十七、GLM-130B [2022]
- 四十八、GPT-NeoX-20B [2022]
- 四十九、Bloom [2022]
- 五十、PaLM [2022] (粗读)
- 五十一、PaLM2 [2023](粗读)
- 五十二、Self-Instruct [2022]
- 句子向量
- 词向量
- 传统CTR 预估模型
- CTR 预估模型
- 一、DSSM [2013]
- 二、FNN [2016]
- 三、PNN [2016]
- 四、DeepCrossing [2016]
- 五、Wide 和 Deep [2016]
- 六、DCN [2017]
- 七、DeepFM [2017]
- 八、NFM [2017]
- 九、AFM [2017]
- 十、xDeepFM [2018]
- 十一、ESMM [2018]
- 十二、DIN [2017]
- 十三、DIEN [2019]
- 十四、DSIN [2019]
- 十五、DICM [2017]
- 十六、DeepMCP [2019]
- 十七、MIMN [2019]
- 十八、DMR [2020]
- 十九、MiNet [2020]
- 二十、DSTN [2019]
- 二十一、BST [2019]
- 二十二、SIM [2020]
- 二十三、ESM2 [2019]
- 二十四、MV-DNN [2015]
- 二十五、CAN [2020]
- 二十六、AutoInt [2018]
- 二十七、Fi-GNN [2019]
- 二十八、FwFM [2018]
- 二十九、FM2 [2021]
- 三十、FiBiNET [2019]
- 三十一、AutoFIS [2020]
- 三十三、AFN [2020]
- 三十四、FGCNN [2019]
- 三十五、AutoCross [2019]
- 三十六、InterHAt [2020]
- 三十七、xDeepInt [2023]
- 三十九、AutoDis [2021]
- 四十、MDE [2020]
- 四十一、NIS [2020]
- 四十二、AutoEmb [2020]
- 四十三、AutoDim [2021]
- 四十四、PEP [2021]
- 四十五、DeepLight [2021]
- 图的表达
- 一、DeepWalk [2014]
- 二、LINE [2015]
- 三、GraRep [2015]
- 四、TADW [2015]
- 五、DNGR [2016]
- 六、Node2Vec [2016]
- 七、WALKLETS [2016]
- 八、SDNE [2016]
- 九、CANE [2017]
- 十、EOE [2017]
- 十一、metapath2vec [2017]
- 十二、GraphGAN [2018]
- 十三、struc2vec [2017]
- 十四、GraphWave [2018]
- 十五、NetMF [2017]
- 十六、NetSMF [2019]
- 十七、PTE [2015]
- 十八、HNE [2015]
- 十九、AANE [2017]
- 二十、LANE [2017]
- 二十一、MVE [2017]
- 二十二、PMNE [2017]
- 二十三、ANRL [2018]
- 二十四、DANE [2018]
- 二十五、HERec [2018]
- 二十六、GATNE [2019]
- 二十七、MNE [2018]
- 二十八、MVN2VEC [2018]
- 二十九、SNE [2018]
- 三十、ProNE [2019]
- Graph Embedding 综述
- 图神经网络
- 一、GNN [2009]
- 二、Spectral Networks 和 Deep Locally Connected Networks [2013]
- 三、Fast Localized Spectral Filtering On Graph [2016]
- 四、GCN [2016]
- 五、神经图指纹 [2015]
- 六、GGS-NN [2016]
- 七、PATCHY-SAN [2016]
- 八、GraphSAGE [2017]
- 九、GAT [2017]
- 十、R-GCN [2017]
- 十一、 AGCN [2018]
- 十二、FastGCN [2018]
- 十三、PinSage [2018]
- 十四、GCMC [2017]
- 十五、JK-Net [2018]
- 十六、PPNP [2018]
- 十七、VRGCN [2017]
- 十八、ClusterGCN [2019]
- 十九、LDS-GNN [2019]
- 二十、DIAL-GNN [2019]
- 二十一、HAN [2019]
- 二十二、HetGNN [2019]
- 二十三、HGT [2020]
- 二十四、GPT-GNN [2020]
- 二十五、Geom-GCN [2020]
- 二十六、Graph Network [2018]
- 二十七、GIN [2019]
- 二十八、MPNN [2017]
- 二十九、UniMP [2020]
- 三十、Correct and Smooth [2020]
- 三十一、LGCN [2018]
- 三十二、DGCNN [2018]
- 三十三、AS-GCN
- 三十四、DGI [2018]
- 三十五、DIFFPOLL [2018]
- 三十六、DCNN [2016]
- 三十七、IN [2016]
- 图神经网络 2
- 图神经网络 3
- 推荐算法(传统方法)
- 一、Tapestry [1992]
- 二、GroupLens [1994]
- 三、ItemBased CF [2001]
- 四、Amazon I-2-I CF [2003]
- 五、Slope One Rating-Based CF [2005]
- 六、Bipartite Network Projection [2007]
- 七、Implicit Feedback CF [2008]
- 八、PMF [2008]
- 九、SVD++ [2008]
- 十、MMMF 扩展 [2008]
- 十一、OCCF [2008]
- 十二、BPR [2009]
- 十三、MF for RS [2009]
- 十四、 Netflix BellKor Solution [2009]
- 推荐算法(神经网络方法 1)
- 一、MIND [2019](用于召回)
- 二、DNN For YouTube [2016]
- 三、Recommending What Video to Watch Next [2019]
- 四、ESAM [2020]
- 五、Facebook Embedding Based Retrieval [2020](用于检索)
- 六、Airbnb Search Ranking [2018]
- 七、MOBIUS [2019](用于召回)
- 八、TDM [2018](用于检索)
- 九、DR [2020](用于检索)
- 十、JTM [2019](用于检索)
- 十一、Pinterest Recommender System [2017]
- 十二、DLRM [2019]
- 十三、Applying Deep Learning To Airbnb Search [2018]
- 十四、Improving Deep Learning For Airbnb Search [2020]
- 十五、HOP-Rec [2018]
- 十六、NCF [2017]
- 十七、NGCF [2019]
- 十八、LightGCN [2020]
- 十九、Sampling-Bias-Corrected Neural Modeling [2019](检索)
- 二十、EGES [2018](Matching 阶段)
- 二十一、SDM [2019](Matching 阶段)
- 二十二、COLD [2020 ] (Pre-Ranking 模型)
- 二十三、ComiRec [2020](https://www.wenjiangs.com/doc/0b4e1736-ac78)
- 二十四、EdgeRec [2020]
- 二十五、DPSR [2020](检索)
- 二十六、PDN [2021](mathcing)
- 二十七、时空周期兴趣学习网络ST-PIL [2021]
- 推荐算法之序列推荐
- 一、FPMC [2010]
- 二、GRU4Rec [2015]
- 三、HRM [2015]
- 四、DREAM [2016]
- 五、Improved GRU4Rec [2016]
- 六、NARM [2017]
- 七、HRNN [2017]
- 八、RRN [2017]
- 九、Caser [2018]
- 十、p-RNN [2016]
- 十一、GRU4Rec Top-k Gains [2018]
- 十二、SASRec [2018]
- 十三、RUM [2018]
- 十四、SHAN [2018]
- 十五、Phased LSTM [2016]
- 十六、Time-LSTM [2017]
- 十七、STAMP [2018]
- 十八、Latent Cross [2018]
- 十九、CSRM [2019]
- 二十、SR-GNN [2019]
- 二十一、GC-SAN [2019]
- 二十二、BERT4Rec [2019]
- 二十三、MCPRN [2019]
- 二十四、RepeatNet [2019]
- 二十五、LINet(2019)
- 二十六、NextItNet [2019]
- 二十七、GCE-GNN [2020]
- 二十八、LESSR [2020]
- 二十九、HyperRec [2020]
- 三十、DHCN [2021]
- 三十一、TiSASRec [2020]
- 推荐算法(综述)
- 多任务学习
- 系统架构
- 实践方法论
- 深度强化学习 1
- 自动代码生成
工具
- CRF
- lightgbm
- xgboost
- scikit-learn
- spark
- numpy
- matplotlib
- pandas
- huggingface_transformer
- 一、Tokenizer
- 二、Datasets
- 三、Model
- 四、Trainer
- 五、Evaluator
- 六、Pipeline
- 七、Accelerate
- 八、Autoclass
- 九、应用
- 十、Gradio
Scala
- 环境搭建
- 基础知识
- 函数
- 类
- 样例类和模式匹配
- 测试和注解
- 集合 collection(一)
- 集合collection(二)
- 集成 Java
- 并发
四、一切皆模式
Scala
中,很多地方都允许使用模式,而不仅仅是match
表达式。
4.1 变量定义中的模式
当定义一个
val
或者var
时,都可以用模式而不是简单的标识符。如:可以将一个元组解开,并将其中每个元素分别赋值给不同的变量。xxxxxxxxxx
val tuple = (123,"abc") val list = List(456,789) val (num1,str1) = tuple // 解包(必须包含圆括号,因为圆括号表示元组) val List(num2,num3) = list // 解包 println("num1:"+num1+";\tstr1:"+str1+";\tnum2:"+num2+";\tnum3:"+num3) // 打印: num1:123; str1:abc; num2:456; num3:789这种语法结构在处理样例类时非常有用。当你知道要处理的样例类是什么时,就可以用一个模式来解析它。
xxxxxxxxxx
case class Worker(name:String) case class System(worker:Worker,name:String) val system = System(Worker("worker_1"),"system_1") val System(unpack_worker,system_name) = system // 解包 println("unpack_worker:"+unpack_worker+"; system_name:"+system_name) // 打印: unpack_worker:Worker(worker_1); system_name:system_1
4.2 case 序列
用花括号包起来的一系列
case
(即可选分支)可以用在任何允许出现函数字面量的地方。本质上讲,
case
序列就是一个函数字面量,只是更加通用。不像普通函数那样只有一个入口和参数列表,case
序列可以有多个入口,每个入口都有自己的参数列表。每个case
对应该函数的一个入口,该入口的参数列表通过模式来指定。每个入口的逻辑主体是case
右边的部分。xxxxxxxxxx
val func: Any => Unit = { case (i,j) => println("catch tuple:("+i+","+j+")") case s:String => println("catch string:"+s) case Some(x) => println("catch Opiton:"+x) case e => println("catch other:"+e) } func(Tuple2("hello",1)) // 匹配第一个 case: i="hello",j=1 func("hello",2) // 匹配第一个 case: i="hello",j=2 func("hello",2,0.0) // 匹配第四个 case: e=("hello",2,0.0) func("A String") // 匹配第二个 case: s="A String" func(Some(0.0)) // 匹配第三个 case: x=0.0 func(Map("a"->1)) // 匹配第四个 case: e=Map("a"->1)通过
case
序列得到的是一个偏函数。如果我们将这样一个函数应用到它不支持的值上,则会产生一个运行时异常。xxxxxxxxxx
val second_val: List[Int] => Int = { case x :: y :: _ => y } println(second_val(List(1,2,3))) // 打印: 2 println(second_val(List())) // 运行时异常:抛出MatchError编译时,编译器会警告:
xxxxxxxxxx
Warning:(1, 44) match may not be exhaustive. It would fail on the following inputs: List(_), Nil val second_val: List[Int] => Int = {如果希望检查某个偏函数是否对某个入参有定义,则必须首先告诉编译器:你知道你要处理的是偏函数。但是
List[Int] => Int
这个类型涵盖了所有从List[Int]
到Int
的函数,不论这个函数是偏函数还是全函数。仅仅涵盖从
List[Int]
到Int
的偏函数的类型写作PartialFunction[List[Int],Int]
。偏函数定义了一个isDefinedAt
方法,用于检查该函数是否对某个特定的参数值有定义。xxxxxxxxxx
val second_val: PartialFunction[List[Int], Int] = { case x :: y :: _ => y } println(second_val.isDefinedAt(List())) // 打印: false println(second_val.isDefinedAt(List(1))) // 打印: false println(second_val.isDefinedAt(List(1,2))) // 打印: true println(second_val.isDefinedAt(List(1,2,3))) // 打印: true偏函数的典型应用场景是模式匹配函数字面量,如这里的示例。事实上,这样的表达式会被
Scala
编译器翻译成偏函数。这样的翻译发生了两次:一次是实现真正的函数,另一次是测试这个函数是否对指定参数值有定义。如,函数字面量
{ case x :: y :: _ => y}
被翻译为如下的值偏函数:xxxxxxxxxx
new PartialFunction[List[Int],Int]{ def apply(xs:List[Int]) = xs match{ case x :: y :: _ => y } def isDefinedAt(xs:List[Int]) = xs match { case x :: y :: _ => true case _ => false } }- 如果函数字面量声明的类型是
PartialFunction
,则这样的翻译就会生效。 - 如果声明的类型是
Function1
,或者没有声明,则函数字面量对应的就是一个全函数。
- 如果函数字面量声明的类型是
一般来说推荐使用全函数,因为偏函数允许运行时出现错误,而这个错误编译器无法帮助我们。
不过有时候偏函数也特别有用。比如:你确信不会有无法处理的值传入。也有的框架可能会用到偏函数,每次函数调用前都会用
isDefinedAt
做一次检查。
4.3 for 表达式中的模式
可以在
for
表达式中使用模式。xxxxxxxxxx
for ((name,age) <- Map("zhang san" -> 20,"li si" -> 23)) println("name:"+name+";age:"+age) /* 输出: name:zhang san;age:20 name:li si;age:23 */这个
Map
每次迭代时交出一个对偶,然后该对偶与(name,age)
进行匹配。这个匹配永远是成功的。也有匹配失败的情况,迭代中无法匹配的值会被直接丢弃。
xxxxxxxxxx
for(Some(name) <- List(Some("zhang san"),Some("li si"),None)) println("name:"+name) /* 输出: name:zhang san name:li si */由于
None
无法匹配Some(name)
,因此None
不会出现在输出中。
如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱,如果其他用户或者作者回复了您的评论,将不能在第一时间通知您!
发布评论