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
三、注解
注解是添加到程序源代码中的结构化信息。
- 和注释一样,注解可以出现在程序中的任何位置,附加到任意变量、方法、表达式或其它程序元素上。
- 和注释不同,注解有结构,因此更容易机器处理。
这里我们主要介绍如何使用注解,而不是如何编写新的注解。编写新的注解不是我们关注的重点。因为使用注解要比编写新注解常用的多。
一个典型的注解示例:
xxxxxxxxxx
@deprecated def f() = ...注解可以用于各种声明、定义上,包括
val, var, def, class, object, trait, type
。注解对于跟在它后面的整个声明或定义有效。注解也可以用于表达式,做法是在表达式后面写一个冒号
:
再写注解。从语法角度来看,注解像是被用在了类型上:xxxxxxxxxx
(e: @unchecked) match{ //... }目前为止所给的注解都是
@
加上注解类名的方式,不过注解也有更丰富的一般格式:xxxxxxxxxx
@annot(exp1,exp2,...)其中:
annot
是注解类名,所有的注解都必须包含。exp
部分是给注解的入参。对于@deprecated
这样的注解而言,它们并不需要入参,因此通常可以省略圆括号。但是你也可以这样写:@deprecated()
。对于确实需要入参的注解,需要将入参写到圆括号中,例如
@serial(1234)
。
你提供给注解的入参的形式取决于特定的注解类。大多数注解处理器只允许你提供直接常量,如
123
或者"hello"
。 不过编译器本身(对于注解而言)是支持任意表达式的,只要它们能够通过类型检查。如:xxxxxxxxxx
@cool val normal = "hello" @coolerThan(normal) val fonzy = "world"scala
在内部将注解表示为仅仅是对某个注解类的构造方法的调用(想象下如果将@
替换为new
)。这意味着编译器可以很自然地支持注解的带名字的参数和默认参数,因为scala
已经支持方法和构造方法调用的带名字参数和默认参数。不能直接把注解当做另一个注解的入参,因为注解并不是合法的表达式。在这种情况下,必须用
new
或者@
:xxxxxxxxxx
import annotation._ class strategy(arg: Annotation) extends Annotation class delayed extends Annotation @strategy(new delayed) def f()=...scala
包含了若干标准注解,它们是为一些非常常用的功能服务的,因此就被放在了语言规范中。不过还没有达到足够基础的程度,因此并没有自己的语法。deprecated
:可以将方法、类标记为deprecated
,这样任何人调用了这个方法或类都会得到一个deprecation
警告。当经过一段时间之后,就可以假定使用方不再访问这个方法或类,因此可以安全地移除这个方法或类。可以简单地在方法/类之前写上
@deprecated
。也可以提供一个字符串作为入参,此时这个字符串将在编译时随警告一起提示出来。通常这个字符串可以告诉大家解释该方法/类已经过时,应该如何升级。volatile
:可以将变量标记为volatile
,从而告诉编译器这个变量会被多个线程使用。这样的变量实现的效果使得读写更慢,但是从多个线程访问时的行为更可预期。事实上
scala
鼓励使用不可变的对象以及函数式编程,因此比较少地使用共享的可变状态。因此@volatile
在scala
中应用较少。序列化:序列化框架可以帮助我们将对象转化为字节流,或者将字节流还原为对象。当你希望将对象保存到磁盘或者将对象通过网络发送时很有帮助。
scala
并没有自己的序列化框架,而是使用底层平台提供的框架。scala
能做的是提供三个可被不同框架使用的注解。针对Java
平台的scala
编译器会以java
的方式来解释这些注解。serializable
:该注解用于表示某个类是否支持序列化。大多数类都是可序列化的,但是有些类不支持,如套接字或GUI
窗口的句柄就不能被序列化。默认情况下,系统不会认为类是可以序列化的,因此你需要给你认为可以序列化的类添加
@serializable
注解。SerialVersionUID(1234)
:该注解用于表示版本可变的序列化。有些类,随着时间推移它可能发生变化(比如一个新的修改)。因此可以通过添加SerialVersionUID(1234)
这样的注解来对某个类的当前版本带上一个序列号,其中1234
可以替换为你想要的序列号。序列化框架将会把这个序列号保存在生成的字节流中。当稍后你从字节流中反序列化出对象时,框架可以检查对应类的当前版本是否和字节流中的版本一致。框架会自动拒绝载入老版本的对象。
transient
:该注解用于标记那些完全不应该被序列化的字段。如果你将某个字段标记为
@transient
,那么就算包含该字段的对象被序列化了,序列化框架也不会保存该字段。当从字节流重新载入对象时,注解为@transient
的这个字段将会被恢复成对应类型的默认值。
scala.reflect.BeanProperty
:该注解会为字段自动生成get
和set
方法。实际上
scala
代码通常不需要显式给出字段的get
和set
方法,因为scala
混合了字段访问和方法调用的语法。不过有一些特定的框架可能希望你提供get
或set
方法。此时可以使用
@scala.reflect.BeanProperty
注解,该注解作用在字段上可以为字段自动生成get
和set
方法。如果该字段名字叫xyz
,则get
方法自动命名为getXyz
,set
方法自动命名为setXyz
。注意:生成的
get
和set
方法仅在编译后可用。因此,你不能在编写代码的时候调用这些get
和set
方法。但在实际应用中这不是问题,因为在scala
中你可以直接访问这些字段。tailrec
:该注解用于对尾递归方法进行尾递归优化。如果尾递归优化因为某些原因无法执行优化,那么你将会得到一个警告,并告诉你为什么无法优化。
unchecked
:该注解用在处理模式匹配的时候,告诉编译器不要担心match
表达式可能看上去漏了某些case
。native
:该注解告诉编译器某个方法的实现是由运行时而非scala
代码提供的。编译器会在输出中开启合适的标记,将由开发者利用诸如java
本地接口JNI
的机制来提供实现。当使用
@native
注解时,必须提供方法体,不过这个方法体并不会被包含在输出当中。如,以下是声明一个由运行时提供的f
方法:xxxxxxxxxx
@native def f() = {}
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