文章目录论文信息摘要FedSageSubgraphsDistributedinLocalSystems孤立子图上的协作学习FedSage+MissingNeighborGenerator(NeighGen)Graphsage和Neighgen的本地联合训练Graphsage和Neighgen的联邦学习FedSage+Algorithm论文信息SubgraphFederatedLearningwithMissingNeighborGeneration原文链接：SubgraphFederatedLearningwithMissingNeighborGeneration：https://arxiv.
文章目录论文信息摘要FedSageSubgraphsDistributedinLocalSystems孤立子图上的协作学习FedSage+MissingNeighborGenerator(NeighGen)Graphsage和Neighgen的本地联合训练Graphsage和Neighgen的联邦学习FedSage+Algorithm论文信息SubgraphFederatedLearningwithMissingNeighborGeneration原文链接：SubgraphFederatedLearningwithMissingNeighborGeneration：https://arxiv.
字段类型text的时候首先"name":{“type”:“text”}的时候，我们存入一条数据叫零在金融id为1和另一条数据叫金融行业id为2这时候ES通过IK分词后name的倒排索引会这样存储nameid零1在1金融1金融2行业2这个时候使用匹配查询(match)，{“query”:{“match”:{“name”:“零在金融”}}}会先将零在金融分词为零、在、金融三个词，然后分别去倒排索引匹配。这时候会匹配出id为1和id为2的两行数据，但是由于id为1的零在金融数据匹配度更高，所以得分最高放在前面，而id为2的金融行业也会被查出来。这个时候使用精确查询(term){“query”:{“t
字段类型text的时候首先"name":{“type”:“text”}的时候，我们存入一条数据叫零在金融id为1和另一条数据叫金融行业id为2这时候ES通过IK分词后name的倒排索引会这样存储nameid零1在1金融1金融2行业2这个时候使用匹配查询(match)，{“query”:{“match”:{“name”:“零在金融”}}}会先将零在金融分词为零、在、金融三个词，然后分别去倒排索引匹配。这时候会匹配出id为1和id为2的两行数据，但是由于id为1的零在金融数据匹配度更高，所以得分最高放在前面，而id为2的金融行业也会被查出来。这个时候使用精确查询(term){“query”:{“t
2、倒排索引的数据结构倒排索引其实包含了三种数据，分别是倒排表（PostingList）词项字典（TermDictionary）词项索引（TermIndex）这几种文件分别存储了不同的数据其中倒排表包含某个词项的所有id的数据存储了在.doc文件中；词项字典包含了indexfield的所有经过normalizationtokenfilters处理之后的词项数据，最终存储在.tim文件中。所谓normalization其实是一个如去重、时态统一、大小写统一、近义词处理等类似的相关操作；词项索引就是为了加速词项字典检索的一种数据结构，落地文件为.tip。.tip文件和.tim文件的数据结构如下图所
2、倒排索引的数据结构倒排索引其实包含了三种数据，分别是倒排表（PostingList）词项字典（TermDictionary）词项索引（TermIndex）这几种文件分别存储了不同的数据其中倒排表包含某个词项的所有id的数据存储了在.doc文件中；词项字典包含了indexfield的所有经过normalizationtokenfilters处理之后的词项数据，最终存储在.tim文件中。所谓normalization其实是一个如去重、时态统一、大小写统一、近义词处理等类似的相关操作；词项索引就是为了加速词项字典检索的一种数据结构，落地文件为.tip。.tip文件和.tim文件的数据结构如下图所
项目场景：在多GPU环境下用Pytorch训练的Resnet分类网络问题描述卷积神经网络ResNet训练好之后，测试环境或测试代码用了单GPU版或CPU版，在加载网络的时候报错，报错处代码为：net.load_state_dict(torch.load(args.weights))报错如下：RuntimeError:Error(s)inloadingstate_dictforResNet: Missingkey(s)instate_dict:"conv1.0.weights","conv1.1.weights","conv1.1.bias",...原因分析：出现这种报错的原因主要是，state
项目场景：在多GPU环境下用Pytorch训练的Resnet分类网络问题描述卷积神经网络ResNet训练好之后，测试环境或测试代码用了单GPU版或CPU版，在加载网络的时候报错，报错处代码为：net.load_state_dict(torch.load(args.weights))报错如下：RuntimeError:Error(s)inloadingstate_dictforResNet: Missingkey(s)instate_dict:"conv1.0.weights","conv1.1.weights","conv1.1.bias",...原因分析：出现这种报错的原因主要是，state
原因：预训练权重层数的键值与新构建的模型中的权重层数名称不吻合，Checkpoint里面的模型是在双卡上训练的，保存的key前面都多一个module.解决：model=torch.nn.DataParallel(model,device_ids=[0,1]).cuda()torch.nn.DataParallel是一种能够将数据分散到多张显卡上从而加快模型训练的方法。它的原理是首先在指定的每张显卡上拷贝一份模型，然后将输入的数据分散到各张显卡上，计算梯度，回传到第一张显卡上，然后再对模型进行参数优化。注意：不能直接在load_state_dict里面加strict=False来解决此问题，加入
原因：预训练权重层数的键值与新构建的模型中的权重层数名称不吻合，Checkpoint里面的模型是在双卡上训练的，保存的key前面都多一个module.解决：model=torch.nn.DataParallel(model,device_ids=[0,1]).cuda()torch.nn.DataParallel是一种能够将数据分散到多张显卡上从而加快模型训练的方法。它的原理是首先在指定的每张显卡上拷贝一份模型，然后将输入的数据分散到各张显卡上，计算梯度，回传到第一张显卡上，然后再对模型进行参数优化。注意：不能直接在load_state_dict里面加strict=False来解决此问题，加入
