1、DIN的注意力机制和transformer的注意力机制有啥区别 注意力范围：DIN是局部注意力，只计算了候选物品和历史行为的一个相关性，但是Transformer是全局计算了 计算方式不一样：DIN的话是将两个向量拼接或者相减，然后通过全连接层，Transformer是通过计算QKV矩阵，然后点

召回阶段 命中率 预测准确的正样本数 / 所有预测为正样本的数量 召回率 预测准确的正样本数 / 所有正样本数 排序阶段 AUC 从物理意义来说，ROC曲线的面经，ROC曲线即横坐标是假阳率，纵坐标是

题目描述： 方法1：动态规划，dp_max与dp_min 分别表示遍历 i 时，以 i 结尾的子数组最大乘积和最小乘积 class Solution { public: int maxProduct(vector<int>& nums) { int dp_max = nums

对LSTM的一个改进，提高计算效率 将LSTM的输入门、遗忘门、输出门，变为了两个门 输入门表示需要记住当前的多少信息，遗忘门表示需要遗忘过去的多少信息，这两个会合并为一个细胞状态，输出门就表示需要输出多少合并后的记忆 GRU将原本的输入门和遗忘门变成了一个更新门，然后将细胞状态和隐藏状态合并了，重

两个模型都是用来预测CTR点击率的 点击率是0-1的 在一定程度上都是在时间序列数据基础上进行建模 DIN 在建模中引入了attention机制，然后引入了小批量自适应正则化和Dice激活函数

题目描述： 方法1：用一个辅助矩阵来存旋转后的矩阵，然后把辅助矩阵赋值给原矩阵（矩阵第一列是旋转过的第一行，第二列是第二行） class Solution { public: void rotate(vector<vector<int>>& matrix) { int n =

1、LoRA微调的矩阵初始化怎么初始化 LoRA微调使用低秩分解，将参数矩阵的变化量，分解成两个更小的矩阵B和A 其中B初始化为0，A初始化为高斯分布 B初始化为0，是为了保证训练刚开始的时候，

SAC是一种actor-critic架构为基础的策略学习的强化学习 并不是基于策略梯度来更新策略网络，而是通过最大化奖励和熵来更新策略网络，是一种off-policy的强化学习 引入了最大熵和一个可学习的调节参数alpha来平衡探索与利用，设定一个熵阈值，如果小于阈值，增大alpha，提高探索 引入

python脚本，读取命令行参数并打开txt文件 import sys def read_file(path): try: with open(path,'r') as file: content = file.read() return content except File

题目描述： 方法1：单指针，两次循环，第一次把0移到前面，第二次把1移到前面 class Solution { public: void sortColors(vector<int>& nums) { int n = nums.size(); int pos