Gemini向光性

在大二小学期软件实训课程中，自己做了一个“CQU软件综实践平台”的项目，于是在此总结一些自己第一次做自己的全栈开发项目的经验。（其实这篇总结应该很早就写的，至于为什么拖到了现在？“不愧是我——那只Monkey又在作怪”）

日历翻至八月，空气日渐升温。在这个特殊的年份，暑假的宿舍只余下我一人——这也是我第一次独自在远离家乡的“专属”空间中“自由”生活。

本篇论文对资源消耗成本最小化的强化学习Policy Gradient算法，结合Seq2Seq模型，提出了一种虚拟网络服务放置的优化算法。

论文简介

论文名称：Virtual Network Function placement optimization with Deep Reinforcement Learning
论文作者：Ruben Solozabal, Josu Ceberio, Aitor Sanchoyerto, Luis Zabala, Bego Blanco, Fidel Liberal
发表期刊：JSAC-2020 (CCF-A)
研究方向：NFV 网络功能虚拟化
关键技术：NFV 网络功能虚拟化, RL 强化学习, Seq2Seq
主要创新：以最小化资源消耗为目标，并用策略梯度算法结合Seq2Seq来搭建模型
论文地址

在数据科学和深度学习等领域常会采用矩阵格式来存储数据，但当矩阵较为庞大且非零元素较少时，运算效率和存储有效率并不高。所以，通常我们采用Sparse稀疏矩阵的方式来存储矩阵，提高存储和运算效率。下面将对SciPy中七种常见的存储方式（COO/ CSR/ CSC/ BSR/ DOK/ LIL/ DIA）的概念和用法进行介绍和对比总结。

[更新中] 对2018至2020年所做过的PPT进行总结反思。

虽然我们可以搜索到许多关于Hexo博客及NexT 8主题配置和美化的教程，但是，很多文章大都聚焦于某一些常用页面的优化和定制。随着版本更迭等情况导致框架可能出现调整时，这些聚焦于某一场景的方法可能会不再适用。本文将尽可能详细描述多个场景下的hexo及nexT定制方法并且提供通用的高度自定义方案。

在我们使用Python的时候，常使用到如下的代码块:

1
2
3
4
5
6
7

# 文件读取
with open(file, 'r') as f:
    # CODE BLOCK #

# 梯度计算
with tf.GradientTape() as g:
    # CODE BLOCK #

在很多场景中，使用with语句来可以让我们可以更好地来管理资源和简化代码，它可以看做是对try/finally模式的简化。它原理上是利用了上下文管理器，下文简要介绍将对其执行原理和自定义的方法。

本文提出了一种基于卷积操作的图神经网络GCN，它将卷积操作适应于图结构，同时提取图结构和节点的特征信息，并在在半监督学习中获得了较好的效果提升。

论文名称：Semi-Supervised Classification with Graph Convolutional Networks
论文作者：Thomas N. Kipf, Max Welling
发表期刊：ICLR-2017 (THU-A)
研究方向：GNN 图神经网络
关键技术：Graph Convolution
主要创新：将多头注意力机制应用于图神经网络，来提升特征提取效果。
下载论文 | 查看源码

本文提出了一种基于卷积操作的图神经网络GCN，它将卷积操作适应于图结构，同时提取图结构和节点的特征信息，并在在半监督学习中获得了较好的效果提升。

论文名称：Semi-Supervised Classification with Graph Convolutional Networks
论文作者：Thomas N. Kipf, Max Welling
发表期刊：ICLR-2017 (THU-A)
研究方向：GNN 图神经网络
关键技术：Graph Convolution
主要创新：将多头注意力机制应用于图神经网络，来提升特征提取效果。
下载论文 | 查看源码

本篇论文将强化学习A3C算法与图卷积神经网络GCN相结合，并且设置了多目标的奖励函数，提出了一种更加高效的虚拟网络嵌入算法。

论文简介

论文名称：Automatic Virtual Network Embedding: A Deep Reinforcement Learning Approach with Graph Convolutional Networks
论文作者：Zhongxia Yan, Jingguo Ge, Y ulei Wu, Senior Member , IEEE, Liangxiong Li, Tong Li
发表期刊：JSAC-2020 (CCF-A)
研究方向：NFV 网络功能虚拟化
关键技术：虚拟网络嵌入, 强化学习, 图卷积神经网络
主要创新：强化学习结合图卷积神经网络、并行的强化学习框架、多目标的奖励函数
下载论文