背景 和 介绍 最近阅读了 Cold Diffusion: Inverting Arbitrary Image Transforms Without Noise，做了个简短的汇报，写一篇博客记录一下。 目前的diffusion model都是基于高斯噪声在进行扩散，其可被理解为使用Langeviin dynamics在数据范围游走。 对于反向生成而言，就是从一个噪声，一点
实验1：SDN拓扑实践 一、实验目的 能够使用源码安装Mininet； 能够使用Mininet的可视化工具生成拓扑； 能够使用Mininet的命令行生成特定拓扑； 能够使用Mininet交互界面管理SDN拓扑； 能够使用Python脚本构建SDN拓扑。 二、实验要求 1Mininet运行结果截图 2的执行结果截图 使用Mininet的命
原代码地址：GitHub仓库：JevenM 本代码删除了原仓库中的一些个人用不到的功能（生成目录树？），另外稍微给页面加了一点格式，美化了一点点。 运行步骤： 查看帮助信息： $ python httpServer.py -h usage: httpServer.py [-h] [-p PORT] [--path PATH] [--bind ADDRESS] options: -h, --help
使用Mininet可视化工具，生成下图所示的拓扑 生成3台交换机，每个交换机连接1台主机，3台交换机连接成一条线。 生成3台主机，每个主机都连接到同1台交换机上 在上一步基础上，Mininet交互界面上新增1台主机并且连接到交换机上，再测试新拓扑的连通性 修改后的python代码及运行结果 `#!/
实验1：SDN拓扑实践 一、基本要求 （一）Mininet运行结果截图 （二） 使用Mininet的命令行生成如下拓扑： 1. 3台交换机，每个交换机连接1台主机，3台交换机连接成一条线。 2. 3台主机，每个主机都连接到同1台交换机上。 （三）在2 b)的基础上，在Mininet交互界面上新增1台主机并且连接到交换机上，再
https://zhuanlan.zhihu.com/p/508700685 import abc #利用abc模块实现抽象类 class shuiguo(metaclass=abc.ABCMeta): all_type='sg' @abc.abstractmethod #定义抽象方法，无需实现功能 def name(self): pass @abc.abstractmethod #定义抽象方
一、实验基本要求 1.使用Mininet可视化工具，生成下图所示的拓扑，并保存拓扑文件名为学号.py。 2.使用Mininet的命令行生成如下拓扑： a) 3台交换机，每个交换机连接1台主机，3台交换机连接成一条线。 b) 3台主机，每个主机都连接到同1台交换机上。 3.在2.b)的基础上，在Mininet交互界面上新
查找除 Self 之外的数组的乘积 Photo by 克里斯托弗·高尔 on 不飞溅 给定一个 整数 大批 数字 ， 返回 数组 回答 这样 答案[我] 等于所有元素的乘积 数字 除了 数字[i] . 任何前缀或后缀的乘积 数字 是 保证 适应一个 32 位 整数。 您必须编写一个运行在 上） 时间和不使用除
一、实验要求 1.能够使用源码安装Mininet； 2.能够使用Mininet的可视化工具生成拓扑； 3.能够使用Mininet的命令行生成特定拓扑； 4.能够使用Mininet交互界面管理SDN拓扑； 5.能够使用Python脚本构建SDN拓扑。 二、实验环境 Ubuntu 20.04 Desktop amd64 三、实验要求 （一）基本要求 1.使用Min
YAML是专门用来写配置文件的语言，远比JSON格式方便。 YAML语言的设计目标，就是方便人类读写。 YAML是一种比XML和JSON更轻的文件格式，也更简单更强大，它可以通过缩进来表示结构，是不是听起来就和Python很搭？ 顾名思义，用语言编写的文件就可以称之为YAML文件。PyYaml是Pyt
MeLU算是推荐系统冷启动中非常经典的一个模型，在近两年很多冷启动相关的论文都拿它做baseline。以下总结一些个人觉得值得关注的地方。代码参考自MELU_pytorch class Linear(nn.Linear): def __init__(self, in_features, out_features): super(Linear, self).__init_
1. 使用Mininet可视化工具，生成下图所示的拓扑 2. 生成3台交换机，每个交换机连接1台主机，3台交换机连接成一条线。 3. 生成3台主机，每个主机都连接到同1台交换机上 4. 在上一步基础上，Mininet交互界面上新增1台主机并且连接到交换机上，再测试新拓扑的连通性。 5. 修改
一、实验目的 能够使用源码安装Mininet； 能够使用Mininet的可视化工具生成拓扑； 能够使用Mininet的命令行生成特定拓扑； 能够使用Mininet交互界面管理SDN拓扑； 能够使用Python脚本构建SDN拓扑。 二、实验环境 Ubuntu 20.04 Desktop amd64 三、实验要求 （一）基本要求 1、使用Mininet可视
10.1 池化层的运算 传送门： https://www.cnblogs.com/greentomlee/p/12314064.html github: Leezhen2014: https://github.com/Leezhen2014/python_deep_learning 池化层的forward Pool分为三类 mean-pool, max-pool和min-pool， 本章只讨论max-pool 以下是forwad的运算： https://bl
9.1 卷积层的运算 传送门： https://www.cnblogs.com/greentomlee/p/12314064.html github: Leezhen2014: https://github.com/Leezhen2014/python_deep_learning 卷积的forward 卷积的计算过程网上的资料已经做够好了，没必要自己再写一遍。只把资料搬运到这里： http://deeplearning
一、实验目的 能够使用源码安装Mininet； 能够使用Mininet的可视化工具生成拓扑； 能够使用Mininet的命令行生成特定拓扑； 能够使用Mininet交互界面管理SDN拓扑； 能够使用Python脚本构建SDN拓扑。 二、实验环境 Ubuntu 20.04 Desktop amd64 三、实验要求 （一）基本要求 使用Mininet可视化工
第三篇：基于计算图的神经网络的设计与实现 传送门： https://www.cnblogs.com/greentomlee/p/12314064.html github: Leezhen2014: https://github.com/Leezhen2014/python_deep_learning 在第二篇中介绍了用数值微分的形式计算神经网络的梯度，数值微分的形式比较简单也容易实
传送门： https://www.cnblogs.com/greentomlee/p/12314064.html github: https://github.com/Leezhen2014/python_deep_learning 在第二篇中介绍了用数值微分的形式计算神经网络的梯度，数值微分的形式比较简单也容易实现，但是计算上比较耗时。本章会介绍一种能够较为高效的计算
传送门： https://www.cnblogs.com/greentomlee/p/12314064.html github: Leezhen2014: https://github.com/Leezhen2014/python_deep_learning 我们已经可以实现一些简单的节点（比如， 加法，乘法等），以及 激活函数； 并且已经知道了 backward() 函数的实现的方法：只要计算偏导数即可，将
（一）基本要求 1.使用Mininet可视化工具，生成下图所示的拓扑，并保存拓扑文件名为学号.py。 2.使用Mininet的命令行生成如下拓扑： a) 3台交换机，每个交换机连接1台主机，3台交换机连接成一条线。 b) 3台主机，每个主机都连接到同1台交换机上。 3.在2 b)的基础上，在Mininet交互界面上新增1台
实验1：SDN拓扑实践 一、实验目的 1.能够使用源码安装Mininet； 2.能够使用Mininet的可视化工具生成拓扑； 3.能够使用Mininet的命令行生成特定拓扑； 4.能够使用Mininet交互界面管理SDN拓扑； 5.能够使用Python脚本构建SDN拓扑。 二、实验环境 Ubuntu 20.04 Desktop amd64 三、实验要求 （一）
一、类的继承 （一）、父类与子类 父类：被继承的类，子类继承父类后，会继承父类里面所有的属性（数据属性&实例属性）以及方法 子类：继承其他的类，子类继承父类后，能够继承父类里面所有的方法以及属性，当然也可以调用 实例 class Persion(object): city='xian' def __init__(self,na
1.PPO是采用截断来对动作的输出进行约束，保证相同的状态下，同样的输出 ratio = torch.exp(log_probs - old_log_probs) surr1 = ratio * advantage surr2 = torch.clamp(ratio, 1 - self.eps, 1 + self.eps) * advantage # 约束 2.使用一个累积的状态优势值来对ratio进行加权 #
1.Actor-Critic既学习价值函数，也学习策略函数 2.价值函数用来评估当前的状态是好的，还是不好的，进而帮助Actor进行策略更新 actor_loss = torch.mean(-log_probs * td_delta.detach()) # 即由td_delta来调控损失 3.Critic的学习价值，由Q_value相同的求解方式求出，即Critic(state) =
实验1：SDN拓扑实践 （一）基本要求 1.使用Mininet可视化工具，生成下图所示的拓扑，并保存拓扑文件名为学号.py 2.使用Mininet的命令行生成如下拓扑： a) 3台交换机，每个交换机连接1台主机，3台交换机连接成一条线 b) 3台主机，每个主机都连接到同1台交换机上 3.在2 b)的基础上，在Mininet交
