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
一、Traversable
Traversable
的所有操作为(xs
是一个Traversable
对象):抽象操作:
xs foreach f
:对xs
的每个元素执行函数f
。
添加操作:
xs ++ ys
: 拼接xs
和ys
的所有元素, 返回一个新的Traversable
。ys
是一个TraversableOnce
,它既可以是一个Traversable
也可以是一个Iterator
。
映射操作:
xs map f
:通过对xs
的每个元素应用函数f
,返回一个新的Traversable
。xs flatmap f
:通过对xs
的每个元素(是一个Traversable
) 的每个元素应用函数f
,返回一个新的Traversble
。xs collect f
: 通过对xs
的每个元素应用偏函数f
,并将定义的结果收集起来得到的集合。
转化操作:
xs.toArray
: 将Traversable
转换成Array
。xs.toList
: 将Traversable
转换为List
。xs.toIterable
: 将Traversable
转换为Iterable
。xs.toSeq
: 将Traversable
转换为Seq
。xs.toIndexedSeq
: 将Traversable
转换成IndexedSeq
。xs.toStream
: 将Traversable
转换成Stream
。xs.toSet
: 将Traversable
转换成Set
。xs.toMap
: 将Traversable
转换成Map
。
拷贝操作:
xs.copyToBuffer(buf)
: 将xs
的所有元素拷贝到缓冲buf
中。xs.copyToArray(arr,s,len)
: 将xs
的从下标s
开始的、最多len
个元素拷贝到arr
中 。s
和len
是可选的, 默认从0
开始, 拷贝长度为xs
大小。
大小信息:
xs.isEmpty
: 测试xs
是否为空。xs.nonEmpty
: 测试xs
是否非空。xs.size
: 返回xs
的元素数量。xs.hasDefiniteSize
: 如果xs
的大小有限, 则返回true
。
获取元素:
xs.head
: 获取第一个元素(如果是有序的集合), 或者某个元素(如果是无序的集合)。xs.headOption
: 获取第一个元素或者某个元素, 如果xs
为空时返回None
。xs.last
: 获取最后一个元素(如果是有序的集合), 或者某个元素(如果是无序的集合)。xs.lastOption
:获取最后一个元素或者某个元素, 如果xs
为空时返回None
。xs find p
:返回xs
中满足p
的首个元素,当xs
为空时返回None
。
子集:
xs.tail
: 集合去掉xs.head
的部分。xs.init
: 集合去掉xs.last
的部分。xs.slice(from,to)
:集合位于from
(包含)到to
(不包含)区间的元素组合的新集合。xs.take(n)
: 包含集合xs
的前n
个元素(如果是有序的集合), 或者任意n
个元素(如果是无序的集合)。xs.drop(n)
: 集合去掉xs.take(n)
的部分。xs.takeWhile(p)
: 寻求满足p
条件为true
的第一个元素, 假设其索引为n
, 则返回xs.take(n)
。xs.dropWhile(p)
: 寻求满足p
条件为true
的第一个元素, 假设其索引为n
, 则返回xs.drop(n)
。xs.filter(p)
: 包含xs
中所有满足条件p
的元素。xs.withFilter(p)
:xs.filter(p)
的延迟版本。它不生成新的集合, 而是一个WithFilter
对象, 它主要用于map/flatMap/foreach/withFilter
等链式操作, 在后续操作才生成新的集合, 从而提高性能。xs.filterNot(p)
: 包含xs
中所有不满足条件p
的元素。
拆分:
xs.splitAt(n)
: 在指定位置拆分xs
,返回一对集合(xs.take(n), xs.drop(n))
。xs.span(p)
: 根据条件p
切分xs
, 返回一对集合(xs.takeWhile(p), xs.dropWhile(p))
。xs.partition(p)
: 根据条件p
分离xs
, 返回一对集合(xs.filter(p), xs.filterNot(p))
。xs.groubBy(f)
: 根据分区函数f
将xs
转化为各分区到子集合的映射。其中f
将元素映射为分区的key
。
元素条件:
xs.forall(p)
: 是否xs
的所有元素都满足条件p
。xs.exists(p)
: 是否xs
存在元素满足条件p
。xs.count(p)
:xs
中满足条件p
的元素数量。
折叠:
(z /: xs)(op)
: 以z
开始从左到右依次对xs
中的连续元素应用二元操作op
。相比xs reduceLeft op
,这里提供了初始值z
。(xs :\ z)(op)
: 以z
开始从右到左依次对xs
中的连续元素应用二元操作op
。相比xs reduceRight op
,这里提供了初始值z
。xs.foldLeft(z)(op)
: 同(z /: xs)(op)
。xs.foldRight(z)(op)
: 同(xs :\ z)(op)
。xs reduceLeft op
: 从左到右依次对非空集合xs
的连续元素应用二元操作op
。xs reduceRight op
: 从右到左依次对非空集合xs
的连续元素应用二元操作op
。
特殊折叠:
xs.sum
: 数值集合xs
中元素的和。xs.product
: 数值集合xs
中元素的积。xs.min
: 有序集合xs
中元素值的最小值。有序指的是元素之间可以排序,而不是序列已经排好序。xs.max
: 有序集合xs
中元素值的最大值。
字符串:
xs addString (b,start,sep,end)
: 将一个显示xs
从start
到end
的元素的字符串, 按照sep
分隔, 添加到StringBuilder b
中。start, end, sep
均为可选。xs mkString (start,sep,end)
: 返回一个字符串,它包含xs
从start
到end
的元素的字符串, 按照sep
分隔。start, end, sep
均为可选。xs.stringPrefix
: 返回集合的名称字符串(如"List"
字符串)。
视图:
xs.view
: 产生一个xs
的视图。xs.view(from,to)
: 产生一个代表xs
中某个下标区间元素的视图。
Traversable
特质唯一的抽象操作是foreach
(当然还有其它非抽象操作):xxxxxxxxxx
def foreach[U] (f: Elem => U)该方法的本意是遍历集合中的所有元素,并对每个元素应用给定的操作
f
。f
的类型为Elem => U
,其中Elem
是集合的元素类型,而U
是任意的结果类型。- 对
f
的调用仅仅是为了副作用,事实上foreach
会丢弃函数调用f
的所有结果。
实现
Traversable
的集合类只需要定义foreach
方法即可。Traversable
特质还定了很多具体方法, 其中包括:++
: 将两个Traversable
加在一起, 或者将某个迭代器的所有元素添加到Traversable
。映射操作:
map/flatMap/collect
通过对集合元素应用某个函数来产生一个新的集合。转化:
toIndexedSeq/toIterable/toStream/toArray/toList/toSeq/toSet/toMap
将一个Traversable
转换到更具体的集合。 如果原始的集合已经是目标类型, 则直接返回原始集合。例如, 对
List
对象调用.toList
会直接返回它本身。拷贝:
copyToBuffer/copyToArray
分别将元素拷贝到Buffer
或者Array
大小操作:
isEmpty/nonEmpty/size/hasDefiniteSize
可用于判断集合大小。能被遍历的集合可以是有限的, 也可以是无限的。 如表示自然数的流
Stream.from(0)
就是一个无限可遍历集合。此时hasDefiniteSize
返回false
, 此时size
方法会报错或者根本不返回。元素获取:
head/last/headOption/lastOption/find
这些操作用于获取元素。 注意: 并非所有的集合都有定义定义好的“第一个” 或者 “最后一个”的语义。如果某个集合总是以相同的顺序交出元素,那么它就是有序的
ordered
。 对于有序的集合,它有“第一个” 和“最后一个” 语义。大多数集合都是有序的,但是有一些不是, 如
HashSet
。Scala
提供了对所有集合类型的有序版本,如HashSet
的有序版本是LinkedHashSet
。子集获取:
tail/init/slice/take/takeWhile/drop/dropWhile/filter/filterNot/withFilter
等操作都用于获取子集。拆分:
splitAt/span/partition/groupBy
等操作将集合切分成若干个子集。元素测试:
exists/forall/count
等操作用于使用给定的条件p
来对集合元素进行测试。折叠:
foldLeft、foldRight、 /: 、 :\、 reduceLeft、reduceRight
等操作用于对集合中连续的元素应用某个二元操作。特定折叠:
sum/product/min/max
等操作用于特定类型的集合(如数值类型或可比较类型) 的特定折叠操作 (求和、乘积、最小、最大)。字符串操作:
mkString/addString/stringPrefix
操作用于将集合转换成字符串。视图操作:
view
操作用于构建视图, 其中视图是一个惰性求值的集合。
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