2020-10-06
- res 的思想，与 ensemble 的 思想 ， 加入很多层 ensemble 一下 也算是集成模型 res 的思想 一般是加比较好
- 序列问题可以加入 pos embedding: an照 transformer 的方法加入 embedding
- 在 gcn 的邻接矩阵里加入一个 conv2d ？ 等于 atten 吗
-
`nn.BatchNorm1d(out_dim),
nn.Dropout(0.1),
nn.LeakyReLU()` 在一个模块后面加入 这三个优化项 其中 bn要加在dp之前 有科学依据
- 模型可以很深 加很多 res 模块就没事了…
2020-10-07
6. wavenet 的模板get 在 github
7. transformer 的模板 get 在 github
8. transformer 训练的时候要加入 mask 来正则化
9. transformer 可以屏蔽掉句子里的一些 无用的词汇
10. 损失函数一定要改，什么样的损失函数就有什么样的模型 #？？#
11. 加入对抗训练提高性能
12. 加入分数据集的方法 skf 等 在 github
2020-10-8
13. stacking 不能只做简单的带权平均 具体stacking方法 见csdn
14. 调bert 见 github
15. bert 是上游的embedding生成器，transformer layer 是特征提取器 两者是不一样的
16. 保存val最优的模型不可取，大佬说的
17. 伪造label方法 ：回归fl 也是可以做的
2020-10-9
18. 快照学习 – pytorch 版本 pytorch keras 见知乎
19. Backward Elimination 不错的集成方法 集成
20. 今天就到这吧
2020-10-11
21. pytorch 固定部分参数训练 见
22. get 了一整套 训练保存框架 感觉简单易用 看了 mlm的 具体训练方式， 合并成一个文件保存到了github，余弦退火啥的详见余弦退火
23. fast.ai 高级api ，未完待续
2020-10-19
24. 要对整个过程进行神经网络方面的模拟，建模、motivaition正确结果就会是好的
25.nn 特征的维度不在于有多少，但需要精妙的设计
25. nn 建模就像讲故事，要把来龙去脉讲得合理 然人看完说一声合理 ， 而不是觉得简单粗暴 ， 虽然神经网络不可以解释，但是机理要能说清楚
2020-10-20
26. 数据预处理： 1. clap 2. 对y 进行变换 3. 数据清理 4. 归一化 或者 加权 5. label smoothing
27. label smoothing: tf实现很容易改成 pytorch 实现 改一下损失函数
29. Lookahead 优化器
30. pooling 的所用 scale不变性 ， 平移旋转不变性 ， 等 可以将不同形态的同性质 提取出来 学习到本质
31. 加入 ae pretrain 作为分类任务的初始权重
AE的pre-train一般来说只是对自身的拟合。但是这样的权值用来初始化其他任务，比如分类任务为什么效果会好呢？小白，不是很懂。。
其实我已经在评论中回复过了，我在说下：pretrain目前的研究认为，获得了一个比较好的初值。这个初值直接对应一个隐层表达，隐层表达直接作用于最终分类
- VAE 吹的天花乱坠，实际上也就这么几行 VAE pytoch 实现
2020-10-22
33. 比 relu 更好用： gelu（）gelu
34. mesh 也是好的激活函数
2020-10-24
35. 看文章要看完整哦，模型只是一部分，如何训练，数据如何喂进去大有讲究
36. 今日学习transformer 学到很多
37. 全局 xsiver 参数都要初始化 或者pre train 比随机初始化稳定多了
for p in model.parameters():
if p.dim() > 1:
nn.init.xavier_uniform(p)
-
Note: This part is very important. Need to train with this setup of the model.
意思是训练的梯度设置也非常重要，不按照这个策略做得不到这个结果
- 老师训练策略…
- transformer 不需要循环也可以依次预测 见blog
2020-10-24
41. 在lstm中 h0=c0 是隐层的初始化状态，一般是零向量。
42. 模型与真实事件，模型需要贴近真实事件关系模型，所以真实事件的数据要能反映真实事件的力学模型。数据要能贴合力学模型所描绘的关系。
模型是对真实事件的一种简化，去除掉了随机性，去除掉了神秘力量（无关紧要的数据之间的联系），真实数据要贴合模型，满足模型的力学关系，关系不足欠拟合，或者有没建模到的神秘扰动，都会使训练出来的模型不好，所以说模型决定了预测的上限，数据决定了模型训练的上限（数据不贴合模型会使模型的效果不好，达不到模型的上限，会折上加折，确信），那么怎样去捕捉没有建模到的神秘扰动呢… 加一个不同类型的并行layer上去 加一个小权重加上去… 感觉世界线收束了 ， 在我看到万能提取器之前先这么干吧…现在看不到数学层，感觉下一步就是使用数学层进行建模。目前道行不够
2020-10-25
43. 多任务学习，共享表示：本质上是对模型的完整建模，只单个任务不足以对整个模型进行表示。
44. 多语言任务学习： 不同的语言，不同类型的数据不共用一套参数，multi 思路
2020-10-26
45. 提取side信息 用不同的层 提取加一个小权重，加起来 或逐元素相乘 或者max
46. 同样的层设置不同参数 也可以提取不同的信息
47. 多对一attention ，lookahead 加 Radam 见 github
48. 今日学习 nni 自动调参 感觉吊吊的
2020-10-27
49. 自动调参大成功 详见 服务器nni 与 nni文档 感觉芜湖起飞
50. 假期一个月写作 最大的收获就是 学会了这个 embedding 类型 见 github
2020-11-3
51. [类别特征编码] 感觉看了也没啥用(https://blog.csdn.net/weixin_39671140/article/details/84801409)
处置妥当的情况下，无论是线性模型，还是非线性模型，目标编码都是最佳的编码方式。
- 自动特征工程
-
