7-2 寻找大富翁

7-2 寻找大富翁 分数 25 全屏浏览题目 切换布局 作者 陈越 单位 浙江大学 胡润研究院的调查显示，截至2017年底，中国个人资产超过1亿元的高净值人群达15万人。

图计算 on nLive：Nebula 的图计算实践

图计算之 nebula-plato [图计算 on nLive：Nebula 的图计算实践] nebula-plato 的分享主要由图计算系统概述、Gemini 图计算系统介绍、Plato 图计算系统介绍以及 图计算系统 图的划分 [图计算 on nLive：Nebula 的图计算实践] 图计算系统概述部分，着重讲解下图的划分、分片、存储方式等内容。 [图计算 on nLive：Nebula 的图计算实践] （图：以顶点为中心的编程模型） [图计算 on nLive：Nebula 的图计算实践] （图：以边为中心的编程模型） 这两种模式以顶点为中心的编程模型比较常见 Gemini 图计算系统 Gemini 图计算系统是以计算为中心的分布式图计算系统，这里主要说下它的特点： CSR/CSC 稀疏图/稠密图 push/pull master/mirror 计算/通信 协同工作 Nebula 图计算 [图计算 on nLive：Nebula 的图计算实践] 目前 Nebula 图计算集成了两种不同图计算框架，共有 2 款产品：nebula-algorithm 和 nebula-plato

7-2 树种统计 (20 分)

本文链接：https://blog.csdn.net/shiliang97/article/details/102924532 7-2 树种统计 (20 分) 随着卫星成像技术的应用，自然资源研究机构可以识别每一棵树的种类 请编写程序帮助研究人员统计每种树的数量，计算每种树占总数的百分比。 输入格式: 输入首先给出正整数N（≤10​5​​），随后N行，每行给出卫星观测到的一棵树的种类名称。

PTA 7-2 符号配对（20 分）

7-2 符号配对（20 分） 请编写程序检查C语言源程序中下列符号是否配对：/*与*/、(与)、[与]、{与}。 输入格式: 输入为一个C语言源程序。

动态计算图

Pytorch底层最核心的概念是张量，动态计算图以及自动微分。 本节我们将介绍 Pytorch的动态计算图。 包括： 动态计算图简介 计算图中的Function 计算图和反向传播 叶子节点和非叶子节点 计算图在TensorBoard中的可视化 一，动态计算图简介 ? Pytorch的计算图由节点和边组成，节点表示张量或者Function，边表示张量和Function之间的依赖关系。 Pytorch中的计算图是动态图。这里的动态主要有两重含义。 第一层含义是：计算图的正向传播是立即执行的。无需等待完整的计算图创建完毕，每条语句都会在计算图中动态添加节点和边，并立即执行正向传播得到计算结果。 第二层含义是：计算图在反向传播后立即销毁。 下次调用需要重新构建计算图。

7-2 到底有多二

本文链接：https://blog.csdn.net/shiliang97/article/details/96301355 7-2 到底有多二 一个整数“犯二的程度”定义为该数字中包含2的个数与其位数的比值 例如数字-13142223336是个11位数，其中有3个2，并且是负数，也是偶数，则它的犯二程度计算为：3/11×1.5×2×100%，约为81.82%。本题就请你计算一个给定整数到底有多二。

PTA 7-2 找奇葩 (20 分)

在一个长度为 n 的正整数序列中，所有的奇数都出现了偶数次，只有一个奇葩奇数出现了奇数次。你的任务就是找出这个奇葩。

回炉重造：计算图

有的，那就是我们需要说的计算图 计算图 我们借用「图」的结构就能很好的表示整个前向和后向的过程。形式如下 ? 我们再来看一个更具体的例子 ? （这幅图摘自Paddle教程。 白色是卷积核每次移动覆盖的区域，而蓝色区块，则是与权重W1经过计算的位置 可以看到W1分别和1, 2, 5, 6这四个数字进行计算 我们最后标准化一下 这就是权重W1对应的梯度，以此类推，我们可以得到 因此池化层需要将梯度传递到前面一层，而自身是不需要计算梯度优化参数。 静态图 在tf1时代，其运行机制是静态图，也就是「符号式编程」，tensorflow也是按照上面计算图的思想，把整个运算逻辑抽象成一张「数据流图」 ? 在静态图里我们可以优化到同一层级，乘法和加法同时做到 总结 这篇文章讲解了计算图的提出，框架内部常见算子的反向传播方法，以及动静态图的主要区别。

图的社区计算和嵌入计算

图片图的社区计算社区发现是指在一个图中，将节点分割成若干个互不相交的子集，使得子集内节点之间的连接更加密集，而子集之间的连接较为稀疏。 以上是一种用于发现社区的算法，但并不是唯一的方法，还有许多其他的社区发现算法可以应用于不同的情况和图结构。图的嵌入计算图嵌入是将一个图映射到低维空间中的过程。 MDS可以用于对图的邻接矩阵计算节点的向量表示。局部线性嵌入（LLE）：LLE是一种非线性降维方法，它通过将每个节点表示为其邻居节点的线性组合的方式来进行降维。 Isomap可以用于计算图中节点的向量表示。图卷积神经网络（GCN）：GCN是一种基于深度学习的图嵌入方法，它通过在每个节点上应用卷积操作来学习节点的向量表示。 图注意力网络（GAT）：GAT是一种使用注意力机制的图嵌入方法，它能够自适应地学习每个节点与其邻居节点之间的关系。GAT可以通过多层注意力操作来计算节点的向量表示。

图的排序计算和传播计算

图片图的排序计算一种流行的拓扑排序算法是Kahn算法，具体步骤如下：统计每个顶点的入度（即有多少个顶点指向该顶点）。将入度为0的顶点加入到一个队列中。 处理有环图的拓扑排序问题：如果一个图存在环，那么无法进行拓扑排序。在Kahn算法中，如果最后还存在入度不为0的顶点，那么说明图中存在环。 图的传播计算一种常见的图传播模型是SIR模型，该模型描述了病毒传播的过程。下面是对SIR模型的简要介绍：SIR模型SIR模型将一个图表示为一个网络，网络中的节点代表个体，边表示节点之间的联系。 预测信息在网络中的传播路径可以基于以下的图算法：广度优先搜索 (BFS)：该算法从某个指定的节点出发，在图中逐级扩展搜索，以找到特定节点或满足特定条件的节点。 DFS通常比BFS更适用于探索图的整个结构，而不仅仅是在最短路径上进行搜索。PageRank算法：PageRank算法是一种将节点排名按照重要性进行排序的算法。

PTA 7-2 方阵循环右移

PTA 7-2 数字之王 (20 分)

的每个数的各位数的立方相乘，再将结果的各位数求和，得到一批新的数字，再对这批新的数字重复上述操作，直到所有数字都是 1 位数为止。这时哪个数字最多，哪个就是“数字之王”。

PyTorch: 计算图与动态图机制

文章目录 计算图 PyTorch的动态图机制 计算图 计算图是用来描述运算的有向无环图 计算图有两个主要元素： 结点 Node 边 Edge 结点表示数据：如向量，矩阵，张量 边表示运算：如加减乘除卷积等 用计算图表示：y = (x+ w) * (w+1) a = x + w b = w + 1 y = a * b 计算图与梯度求导 y = (x+ w) * (w+1) a = x + w 计算图与梯度求导 y = (x+ w) * (w+1) 叶子结点 ：用户创建的结点称为叶子结点，如 X 与 W is_leaf: 指示张量是否为叶子结点 叶子节点的作用是标志存储叶子节点的梯度，而清除在反向传播过程中的变量的梯度 根据计算图搭建方式，可将计算图分为动态图和静态图 动态图 运算与搭建同时进行 灵活 易调节 例如动态图 PyTorch： 静态 先搭建图， 后运算 高效 不灵活。 静态图 TensorFlow

图的度计算和相似度计算

图片图的度计算对于一个无向图，节点的度数表示该节点连接的边的数量。 可以通过以下公式计算某个节点的度数：度数 = 与节点相连的边的数量对于一个有向图，节点的出度表示从该节点出发的边的数量，入度表示指向该节点的边的数量。 可以通过以下公式计算某个节点的出度和入度：出度 = 从节点出发的边的数量入度 = 指向节点的边的数量图的相似度计算一种用于计算节点相似度的算法是节点结构相似度算法。 该算法基于两个节点之间的结构相似性来计算节点的相似度。首先，将每个节点的邻居节点及其边的类型记录下来，构建节点的邻接矩阵。对于两个节点i和j，分别计算它们的邻居节点集合Ni和Nj。 计算节点i的邻居节点与节点j的邻居节点的交集大小，记为A。计算节点i的邻居节点与节点j的邻居节点的并集大小，记为B。计算节点j的邻居节点与节点i的邻居节点的交集大小，记为C。

AI框架跟计算图什么关系？PyTorch如何表达计算图？

目前主流的深度学习框架都选择使用计算图来抽象神经网络计算表达，通过通用的数据结构（张量）来理解、表达和执行神经网络模型，通过计算图可以把 AI 系统化的问题形象地表示出来。 本节将会以AI概念落地的时候，遇到的一些问题与挑战，因此引出了计算图的概念来对神经网络模型进行统一抽象。接着展开什么是计算，计算图的基本构成来深入了解诶计算图。 因此派生出了目前主流的深度学习框架都选择使用计算图来抽象神经网络计算。图片计算图的定义我们会经常遇到有些 AI 框架把统一的图描述称为数据流图，有些称为计算图，这里可以统称为计算图。 计算图（Computation Graph）：被定义为有向图，其中节点对应于数学运算，计算图是表达和评估数学表达式的一种方式。 PyTorch计算图动态计算图在Pytorch的计算图中，同样由节点和边组成，节点表示张量或者函数，边表示张量和函数之间的依赖关系。其中Pytorch中的计算图是动态图。这里的动态主要有两重含义。

计算图演算：反向传播

计算图 谈及计算，有人可能又要为烦人的计算公式头疼了，所以本文用了一种思考数学表达式的轻松方法——计算图。以非常简单的e=(a+b)×(b+1)为例，从计算角度看它一共有3步操作：两次求和和一次乘积。 为了让大家对计算图有更清晰的理解，这里我们把它分开计算，并绘制图像。 我们可以把这个等式分成3个函数： ? 在计算图中，我们把每个函数连同输入变量一起放进节点中。 为了计算图中的偏导数，我们先来复习这两个求和规则和乘积规则： ? 已知a=2，b=1，那么相应的计算图就是： ? 通过分解路径，这个式子能更高效地计算总和，虽然长得和求和等式有一定差异，但对于每条边它确实只计算了一次。 前向模式求导从计算图的输入开始，到最后结束。 虽然你以前可能没想过从计算图的角度来进行理解，但这样一看，其实前向模式求导和我们刚开始学微积分时接触的内容差不多。 另一方面，反向模式求导则是从计算图的最后开始，到输入结束。

TensorFlow中的计算图

计算图表现为有向无环图，定义了数据的流转方式，数据的计算方式，以及各种计算之间的相互依赖关系等。 2 计算图的基本组成 TensorFlow的计算图粒度比较细，由节点和有向边组成（后来也加入了层）。相比之下，腾讯的开源机器学习平台Angel，其计算图的粒度较粗，由层（Layer）组成。 3 计算图的运行 TensorFlow中可以定义多个计算图，不同计算图上的张量和运算相互独立，因此每一个计算图都是一个独立的计算逻辑。 3.1 图的启动 启动计算图的第一步是创建一个会话（Session）对象，如果没有任何的创建参数，会话构造器将启动默认图。 一个Session可以运行多个计算图，一个计算图也可以在多个Session中运行。

娓娓道来图模型、图查询、图计算和图学习知识

图计算可以作为对图查询的一个补充，图查询是直接获取关联的信息，而图计算的目标则是计算出基于关联结构蕴藏在点边中的信息，而且，图计算结果本身可以再存储到图数据库中作为图查询的查询目标。 对于希望借力图计算提升业务效果的同行来说，重点要关注两个方面，首先是图计算的结果怎么用，其次是如何高效算出图计算的结果。 对于图计算能起到多大作用问题，难以一概而论。 鉴于图计算任务大都是计算和资源均密集型的，明确图计算对业务助力的效果应该优于图计算在计算效率上的提升。图计算算法可达数十种，每种有各自适用的场景。 已有的图计算工作的宣传也侧重计算效率的提升，并没有很全面地解答图计算对业务的提升效果如何。例如，对于连通分量来说，作为经典的图计算的问题，在各大公司内部什么场景，起到多大的业务提升作用？ 值得注意的是，目前图计算对异构图的支持有限，针对异构图的计算优化与实际图数据的构图形式有较大的关联，因此难以有通用的图计算系统或算法，但实际业务中的图计算往往更关注异构图。

随机计算图：连续案例

所有这些情况都会将您的计算图变成一个随机的 - 先前的确定性节点现在变成随机的。 如何通过这些节点进行反向传播并不明显。 在这个系列中，我想概述可能的方法。 考虑大致的推理目标： [图片] 或强化学习目标： [图片] 在下面，我将使用以下符号为目标： [图片] 在这种情况下，（随机）计算图（SCG）可以用下面的形式表示[1]: [图片] 这里的 θ，双圈是一组可调参数 为了使用这样的图来估计F(θ)，你只需要用你的θ，计算x的分布，从中得到尽可能多的样本，为每个样本计算f(x)，然后对它们进行平均。 我们如何最大限度地提高呢？ 基本上，这个想法是这样的：如果一些随机变量可以被分解成其他随机变量的组合，那么我们能够转换我们的随机计算图，使得我们不需要通过随机反向传播，并且将随机性注入到模型中作为独立 噪声？ [p3.png] Gen Rep 1是一个广义的重新参数化，只有第一时刻变成白色， Gen Rep 2 - 只有第二个 仿真图清楚地表明，基于分数函数的梯度和第一次广义的重新参数化不能收敛，这与我们的方差分析是一致的

三种计算图

Tensorflow底层最核心的概念是张量，计算图以及自动微分。 本篇我们介绍计算图。 有三种计算图的构建方式：静态计算图，动态计算图，以及Autograph. 在TensorFlow1.0时代，采用的是静态计算图，需要先使用TensorFlow的各种算子创建计算图，然后再开启一个会话Session，显式执行计算图。 二，静态计算图 在TensorFlow1.0中，使用静态计算图分两步，第一步定义计算图，第二部在会话中执行计算图。 TensorFlow1.0静态计算图范例 ? 在TensorFlow1.0中，使用静态计算图分两步，第一步定义计算图，第二部在会话中执行计算图。 而动态计算图已经不区分计算图的定义和执行了，而是定义后立即执行。 在TensorFlow1.0中，使用计算图分两步，第一步定义计算图，第二步在会话中执行计算图。