精华内容
下载资源
问答
  • 属性图数据模型 属性图模型简介 属性图模型是一种不同于RDF 三元组的一种数据模型 这个模型由点来表示现实世界中的实体,由边来表示实体与实体之间的关系。同时,点和边上都可以通过键值对的形式被关联上任意数量...

    属性图数据模型

    属性图模型简介

    • 属性图模型是一种不同于RDF 三元组的一种图数据模型
    • 这个模型由点来表示现实世界中的实体,由边来表示实体与实体之间的关系。同时,点和边上都可以通过键值对的形式被关联上任意数量的属性和属性值
    • 在这种图模型中,关系被提到了一个和实体本身一样重要的程度
    • 从形式化的角度来看,属性图模型包含三种元素组成:值、图和表。
    • 语法细节参考

    属性图模型的符号列表

    在这里插入图片描述

    属性图模型组成元素:值

    在这里插入图片描述

    属性图模型组成元素:图

    在这里插入图片描述

    属性图模型组成元素:表

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    Cypher查询语言

    简介

    Cypher语言中一个在图G上的查询Q可以认为是从空表到结果关系表的转换。一个Cypher 查询语言包括四部分:表达式、图模式、子句和查询。针对一个属性图而言,Cypher 语句既包括查询也包括数据更新和操作等功能。

    表达式

    所谓表达式,就是出现在Cypher 查询语句中的对于值的操作表达式,包括数值操作、字符串操作、关系操作、链表操作、映射表操作、路径操作等等

    图模式

    • 所谓图模式,就是出现在Cypher 查询语句MATCH 子句中查询模式,这个是Cypher 语言的核心
    • Cypher 定义了两种基本查询模式:点模式和关系模式

    点模式

    • 点模式是一个三元组(a, L, P),其中a 为所查询点对应的变量名、L 是所查询的点需要满足的标签集合、P
      是所查询的点在属性上所需满足的条件
    • 点模式的查询语义是找到属性图中的所有满足如下条件的节点:
      1. 这些节点的标签满足L 中的定义;
      2. 这些节点在属性上满足P中定义的属性约束条件;并且把这些节点的标识符赋值给变量a

    示例:

    MATCH (r.Person)  //找到所有标签为Person的节点
    

    关系模式

    • 关系模式是一个五元组(d, a, T, P, I),其中d 为关系模式的方向、a 是所查询关系对应的变量名、T
      是所查询关系需要满足的边类型集合、P 是所查询关系在边属性上所需满足的条件、I 表示所查询关系的可以对应多少条边
    • 关系模式的查询语义是找到属性图中的满足如下条件的关系边:
      1、边的方向符合d 的定义,其中MATCH 语句中-[]->、<-[]-、-[]-分别表示自左向右、自右向左的有向边和无向边;
      2、边的关系类型满足T 中约束;
      3、边在属性上满足P 中定义的属性约束条件;
      4、 I 表示关系边的数量范围。其中[m, n] 表示边的数量范围在m 和n之间
      示例:
    MATCH (r)[:influencedBy*]-> (p:Person)  //找到所有标签为Person,边为influencedBy的节点
    

    子句

    • 所谓子句,就是表示一个从表到表到函数
    • Cypher 中最主要子句的就是MATCH 子句。MATCH
      子句后面跟的就是图模式,可以是点模式,也可以是点模式加关系模式,以及由点模式和关系模式组成的路径模式
    • MATCH 子句本身的含义是图模式P 在属性图上的匹配的结果关系表T;如果MATCH子句前面有关键词“OPTIONAL”,表示的是左外连接;WITH 子句是对查询中间结果的一个映射,同时WITH子句也可以表达聚集函数的操作;WHERE 子句可以用在MATCH 和WITH 子句中,用于对匹配结果进行过滤

    查询

    所谓查询,就是若干子句组合并以RETURN 语句结尾或者多个查询的并

    示例

    t1 MATCH(r:Person)
    t2 OPTIONAL MATCH (r)-[:birthPlace]->(pl:Place)
    t3 WITH r,pl AS birthPlace
    t4 MATCH (r)-[:influencedBy*]->(p:Person)
    t5 RETURN r.name,birthPlace.name,cout(p) AS incluenceNum
    

    t1:第一个MATCH 子句中的图模式是一个“点模式”,该语句是为
    了找到点标签为Person 的点,将这些节点的标识符(ID) 赋值给变量r,进而空表转换为以下的表T1
    在这里插入图片描述
    t2:通过OPTIONAL 关键词实现类似于SQL 中的左外连接功能。如查询t2行的OPTIONAL MATCH 子句会匹配所有人物的出生地点,然后与查询t1行的结果进行左外连接
    在这里插入图片描述
    t3: WITH 子句用在不同子句之间过渡。经过WITH 子句之后,其前面的结果表将会通过映射操作形成新的表,这个新的表会作为下一个子句的输入。查询t3行的WITH对变量r和pl进行映射,并将列名pl 重命名为birthPlace
    在这里插入图片描述
    t4:Cypher 支持在图查询模式中存在变长的关系模式。
    比如,查询t4 行的MATCH 子句就包含了一个变长的关系模式influncedBy,这个表示在计算这个图模式匹配的时候匹配一个或者多个连续的边,它们的边类型均为influncedBy在这里插入图片描述
    t5:RETURN 语句功能和WITH 子句类似,也是用来对前面对表进行映射操作,只不过最终得到的表会直接返回给用户,这一点等同于SQL 中的SELECT。
    查询t5 行的RETURN 子句执行完会得到最终结果返回给用户,查询t5 行RETURN 语句包含一个聚集函数count(),类似于SQL 中的GROUP BY 引导聚集查询
    在这里插入图片描述

    展开全文
  • 盒子模型及其属性

    千次阅读 2021-10-13 22:10:58
    二、盒子模型的相关属性 1.边框属性 2.内边距属性 3.外边距属性 4.背景属性 三、盒子模型新增属性 1.颜色透明度 2.圆角 3.图片边框 4.阴影 5.渐变 一、盒子的特性 盒子模型:进行网页布局的重要的属性,...

    目录

    一、盒子的特性

    二、盒子模型的相关属性

    1.边框属性

    2.内边距属性

    3.外边距属性

    4.背景属性

    三、盒子模型新增属性

    1.颜色透明度

    2.圆角

    3.图片边框

    4.阴影

    5.渐变


    一、盒子的特性

    盒子模型:进行网页布局的重要的属性,一个页面由多个盒子组成,每个盒子的内容都不相同
    特性:

    (1)外边距(margin):盒子与其他元素之间的额距离
    (2)内边距(padding):也称为填充距离,内容和边框之间的距离
    (3)边框(border)

    二、盒子模型的相关属性

    1.边框属性

    设置内容

    样式属性

    常用属性值

    边框样式

    border-style:上边 [右边 下边 左边];

    none无(默认)、solid单实线、dashed虚线、dotted点线、double双实线

    边框宽度

    border-width:上边 [右边 下边 左边];

    像素值

    边框颜色

    border-color:上边 [右边 下边 左边];

    颜色值、#十六进制、rgb(r,g,b)rgb(r%,g%,b%)

    综合设置边框

    border:四边宽度 四边样式 四边颜色;

    注意:宽度、样式、颜色顺序任意,不分先后

    圆角边框

    border-radius:水平半径参数/垂直半径参数;

    像素值或百分比

    图片边框

    border-images:图片路径 裁切方式/边框宽度/边框扩展距离 重复方式;

    注意:

    (1)在设置边框宽度时,必须同时设置边框样式,如果未设置样式或设置为none,则不论宽度设置为多少都无效。

    注意:常用取值单位为像素。

     (2)

    2.内边距属性

    注意:
     A、不能有负值
     B、不能同时设置相对的两个边距

    3.外边距属性

     注意:

    (1)当对块级元素应用宽度属性width,并将左右的外边距都设置为auto,可使块级元素水平居中(margin:0 auto /*利用margin实现元素水平居中)

    (2)内外边距清除:

    *{
        padding:0;
        margin:0;
    }

    4.背景属性

    A、背景颜色: background-color

    B、背景图像: background-image

    C、背景图像的平铺属性:background-repeat

    平铺属性值

    含义

    repeat

    沿水平和竖直两个方向平铺(默认值)

    no-repeat

    不平铺(图像位于元素的左上角,只显示一次)

    repeat-x

    只沿水平方向平铺

    repeat-y

    只沿竖直方向平铺

    D、背景图像的位置属性: background-position

    位置属性取值

    含义

    单位数值

    设置图像左上角在元素中的坐标,例如background-position:20px 20px;

    预定义的关键字

    水平方向值:leftcenterright

    垂直方向值:topcenterbottom

    百分比

    0% 0% :图像左上角与元素的左上角对齐。

    50% 50%:图像50% 50%中心点与元素50% 50%的中心点对齐。

    20% 30%:图像20% 30%的点与元素20% 30%的点对齐。

    100% 100%:图像右下角与元素的右下角对齐,而不是图像充满元素。

    E、背景图像的固定属性: background-attachment

    固定属性取值

    含义

    scroll

    图像随页面元素一起滚动(默认值)。

    fixed

    图像固定在屏幕上,不随页面元素滚动。

     F、综合设置:background:背景色 url("图像") 平铺 定位 固定;

    盒子的 总宽度 = width + 左右 内边距 之和 + 左右 边框 宽度之和 + 左右 外边距 之和
    盒子的 总高度 = height + 上下内边距之和 + 上下 边框 宽度之和 + 上下 外边距 之和
    body{
        background-image: url('../images/avatar.png');
        background-repeat: no-repeat;
        background-repeat: repeat-x; 
        background-repeat: repeat-y; 
        background-position: center;
        background-attachment: fixed;  
        background: url('../images/avatar.png') no-repeat center fixed;
        }

    三、盒子模型新增属性

    1.颜色透明度

    通过引入RGBA模式和opacity属性,对背景与图片设置不透明度

    p{
        background-color:rgba(255,0,0,0.5);
        opacity:opacityValue;
    }

    opacity属性用于定义标签的不透明度,参数opacityValue表示不透明度的值,它是一个介于0~1之间的浮点数值。其中,0表示完全透明,1表示完全不透明,而0.5则表示半透明。 

    2.圆角

    border-radius属性可以将矩形边框四角圆角化,实现圆角效果。

    border-radius: 50%; /*圆形*/

    3.图片边框

    属性

    说明

    border-image-source

    指定图片的路径

    border-image-slice

    指定边框图像顶部、右侧、底部、左侧内偏移量。

    border-image-width

    指定边框宽度

    border-image-outset

    指定边框背景向盒子外部延伸的距离。

    border-image-repeat

    指定背景图片的平铺方式

    4.阴影

     box-shadow:水平阴影位置 垂直阴影位置 模糊距离 阴影尺寸 颜色 outset/inset

    5.渐变

    background-image:linear-gradient(参数值);”样式可以实现线性渐变效果。

    linear-gradient用于定义渐变方式为线性渐变,括号内用于设定渐变角度颜色值

    展开全文
  • 概率图模型和马尔可夫模型

    千次阅读 2021-02-25 19:25:44
    概率图模型和马尔可夫随机场 文章结构1.什么是概率图模型1.1 有向图模型1.2马尔可夫模型1.3 马尔可夫模型的常见问题和解决方法1).什么是无向图模型2).条件随机场 1.什么是概率图模型 绝大多是机器学习的目的就是从...

    概率图模型和马尔可夫随机场

    1.什么是概率图模型

    绝大多是机器学习的目的就是从给定的数据中学习到数据的特点,从给定的数据中找出数据与数据之间的关系。但是对于有一些数据而言,数据与数据之间的关系无法直接并且准确地从给定数据中观察到,因为这样的数据存在着一个或者多个隐变量。这些隐变量使得属性之间的联系变得更加的复杂。所以我们需要一个模型来清晰地表示变量与变量之间关系的概率模型。我们将变量作为一个节点,将变量之间的关系用线来表示,然后把所有有关联的变量连接起来,就形成了我们所谓的概率图模型。

    概率图模型根据数据点之间的相互关系,可以分成贝叶斯网(有向图模型)和马尔可夫网(无向图模型)

    1.1 有向图模型

    通常有向图是用概率拼接起来的。因为有向图中,变量与变量之间的依赖关系我们可以观测或者预估。若变量之间的依赖关系已知,那么整个图模型就可以使用所有的变量的联合概率分布来表示。为了更容易理解,我们假设我们有一组观测变量X={x1,x2,x3,x4},这四个观测变量的依赖关系如下图所示:

    在这里插入图片描述
    这个图的意思是,X1,X3是独立的,他们的出现不依赖于集合中的任何变量。然而,X2的出现依赖于X1和X3两个变量,X4的出现依赖于X2。
    按照这样的逻辑,我们可以很轻松的写出这一个有向图模型的表达式,用联合概率分布表示为:

    在这里插入图片描述
    所以根据上面的式子,我们可以这样来解释有向图:有向图就是将一整个联合概率分布分成了一个一个独立于单个变量的条件概率分布。

    A directed graphical model describes how a distribution factorizes into local conditional probability distributions.

    1.2 什么是无向图模型

    无向图模型数据与数据直接没有可观测或者可预估的依赖关系,且往往有着较大的数据量。比如图片中的每一个像素点之间没十分明确的依赖关系。所以这个时候我们无法直接用概率将无向图进行拼接。但是我们也想要找到无向图之间变量的依赖关系。于是,我们将一个无向图分成一个一个小块(这样的小块叫做团),来研究每一个小块中变量的依赖程度。团中的两两元素应该相互连接。如果一个团无法在容下另外的团,那么这样的团我们称之为最大团。那团中元素的依赖程度我们怎么来求解?这里要引入一个叫做势函数的概念.势函数的作用就是用来刻画每一个团中的元素相关性的。假设我们使用C来表示一个无向图的团的集合,那么这个无向图我们可以表示成:
    在这里插入图片描述
    这里的Z叫做规范化因子。我们要注意的是,如果一个团不是最大团,那么他一定属于某一个最大团。如果我们以所有的团来进行建模,会出现很多不必要的重复运算。所以,C应该是所有最大团的合集。

    1.3 马尔可夫模型

    马尔可夫模型就是一个非常经典的有向图模型。既然是有向图的一种,那么马尔可夫模型,就一定包含有向图的基本特征。那么如何来确定一个马尔可夫模型呢??

    我们还是用抛硬币的例子来解释马尔可夫模型。我们假设有两枚硬币,每一次随机从两枚硬币中拿出一枚进行投掷,并记录下结果(正面还是反面),以上步骤重复5次,意思是,我们应该随机从两枚硬币中拿5次并且记录5次结果。
    在以上的情景中,什么是隐变量?隐变量是我们每一次选择的硬币是A还是B,这些无法观测。什么是观测变量? 也就是我们每一次投掷的结果,这个是可以观测到的。现在我们所能想到的变量就这些了,那我们将这些变量用上面提到的图的方式,连接起来能得到什么呢?

    在这里插入图片描述

    从上图中,蓝色圈圈表示隐变量,也就是我们随机拿的硬币,这个在马尔可夫模型中叫做状态,假如我们拿了硬币A来投,投出了正面,那么这个正面(图中用绿色框框划出来的)就是观测变量(observations)。那投完了第一次硬币之后,我们又要再一次从AB中拿一枚来投,这时候拿到的可能是硬币B,也有可能还是硬币A。再一次拿硬币这个过程在马尔可夫模型里也有专业的定义,我们可以叫它状态转移

    现在我们来定义马尔可夫模型的三个重要参数:

    • 初始状态变量(Initial Probability)
      初始状态变量通常指的是第一个状态变量出现的概率。也就是第一次取硬币是取到A还是B的概率,假设用 π \pi π来表示初始状态概率,y表示当前状态,初始状态变量可以表示成:

    在这里插入图片描述

    • 输出观测概率/发射概率(Emission Probability):
      发射概率阐述的是当前状态下,输出观测变量为 x i x_i xi的概率。
      结合硬币的例子,当我现在拿到了硬币A,出现正面或者反面的概率是多少。

    • 状态转移概率:
      状态转移概率阐述了,模型之间每个状态之间相互转移的概率。
      同样的结合硬币例子来理解。就是第一次取到了硬币A来投掷了。那么下一次我取到硬币A或者硬币B的概率。

    这里有一个有趣的现象, 每次一投硬币的结果只和当前选取的硬币有关,去其他的变量无关,每一次随机抽取的硬币是A还是B,只和上一次投掷的硬币有关。换句话说在任意时刻,观测变量只和状态变量有关,而且当前时刻的状态仅和上一时刻的状态有关,去其他时刻无关。这样的现象(约束)被称为‘马尔可夫链’

    当我们可以从数据中找出上述的三种参数,并且数据的依赖规则满足‘马尔可夫链’的约束,那么我们就可以用马尔可夫模型对这样的数据进行建模。

    1.4 D-separation

    在进入马尔可夫模型常见问题之前,有必要先了解什么叫做D-separation。它阐述了每个变量之间的相互依赖关系。也就是说,在给定的一个图G中,可以通过D-separation来判断属于图G中的两个子合集A和B是不是相互独立。

    它有三条重要的规则:
    1.A与B是 D-connected,如果AB之间没有碰撞点(collider)。换句话说,如果他们之间有碰撞点,那么他们就是相互独立的。
    什么是碰撞点?举个例子,如下如所示,这里的箭头并不是代表的方向,因为我们在这里不讨论方向,箭头可以理解成变量间相互依赖关系。在下图中,碰撞点是a4。简单地理解,当箭头出现‘头对头’的情况(head to head),那么箭头中间的那一个点就可以叫做‘碰撞点’。
    在这里插入图片描述
    我们可以发现,在这种情况下,只要经过碰撞点,箭头的方向就发生了变化,我们理解成变量之间的依赖关系发生了变化。所以在下图中,a1与a2是相互依赖的,同理a2,a3也是。但是a1与b1是相互独立的,因为无论如何都无法避免依赖关系发生改变,也就是无法在a1和b1之间找到一条箭头方向不改变的"路径"。注意,这里的讨论前提条件是无条件,意思是只讨论两个集合的情况。

    2.有条件的约束。
    因为第一种约束存在着局限性,在有些情境下可能无法使用。比如没有碰撞点存在的时候。如何使得两个变量条件独立呢?我们引入一个条件合集Z,如果Z中的元素出现在了
    "路径"中间,那么这条路径就可以说是被Z阻断了。可以理解成,变量之间的依赖关系被新加入的元素打断,我们可以设想如图所示的情况。
    在这里插入图片描述
    上图中,X1,X2依旧是相互依赖的,因为他们之间没有元素加入,也没有碰撞点,但是X2和X3就是相互独立的,因为依赖关系被Z1阻断。这个条件的使用也有一个前提,那就是如果存在这个碰撞点,碰撞点不可以在Z这个集合中

    3.当碰撞点在条件集中
    如果碰撞点出现在了条件集合中,又或者说,碰撞点的子代(descendant)在条件集合中,那么这个时候碰撞点将不会阻断任何“路径”。这里很抽象,什么意思?意味着当上述情况出现之后,原本独立的两个或多个变量变得相互依赖。如下图所示
    在这里插入图片描述
    本来应该被碰撞点a3截断的路径,因为碰撞点的子代在条件集合Z中,导致从a1到b2都相互依赖。

    详细D-separation的解释可以参考D-separation without tears

    1.5 马尔可夫模型的常见问题和解决方法

    根据上面的描述,我们可以大致的推断出马尔可夫模型的几种常见问题。

    • Inference problem(推断问题)
      我们只知道观测变量和参数,需要预测状态序列的时候。比如在硬币问题中,我们知道三个关键参数和每一次投掷的结果,来推断投掷的是A还是B。
      这种问题有两种常见的方法,一种brute-force(暴力法)和Viterbi算法。

      暴力法,显而易见,就是尝试每一个可能的状态组合取出使得联合概率最高的状态。但是通常这样的做法都是不可取的,特别是遇到数据量巨大的情况。因为如果是一个二选一的问题,那么我们就有 2 2 = 4 2^2=4 22=4个可能的状态序列,如果有N个可能的状态,那么就有 2 N 2^N 2N个可能的序列,计算压力极大,时间复杂度极高。
      所以我们会使用Viterbi算法来高效的推断出最佳的状态序列。

      Viterbi算法本身是动态规划算法,动态规划的核心就是将一个大问题分成多个小问题。秉持着所有sub-problems的最优解之和就是全局最优解的思想,我们也可以将inference 问题 分成多个小块来求解。我们每一次只计算一个状态,并保证每一次取到的状态都能使当前时刻与观测变量的联合分布最大,如果每一步取到的状态变量都能使当前的联合分布最大的话,那么最后找出的状态变量序列也一定可以让联合分布最大化。

      具体怎么做:
      我们首先创建一个变量 σ i \sigma_i σi来表示从第1个时刻开始到当前时刻,所选状态和观测变量的联合概率分布,我们在整个过程中都应该保持 σ i \sigma_i σi 最大化。 σ \sigma σ可以定义成:

      在这里插入图片描述

      为了可视化整个过程,下面用一个表格来表示:

      在这里插入图片描述

      图中的横轴Z1-Z5表示的是5个时刻的状态,纵轴上的1-5表示的是每一个时刻可能取到的状态。因为我们知道初始状态概率,所以我们可以求出Z1时刻下能使联合概率分布最大的状态变量。在Z2时刻时,每一次计算应该是基于Z1时刻的结果,具体可以表示成:

      在这里插入图片描述

    计算从 Z 1 Z_1 Z1转移至 Z 2 Z_{2} Z2的状态转移矩阵,再加上 Z 1 Z_1 Z1时刻的 σ \sigma σ值,我们取出其中最大的结果作为 Z 2 Z_2 Z2的值。

    然后重复上述步骤,计算每一个节时刻的状态值。使得最后联合概率分布最大的序列就是最佳的状态序列。如下图所示表示的最佳状态序列就是23154。

    在这里插入图片描述

    • 参数估计问题
      参数估计的目标一定是估计发射概率,转移概率以及初始概率这三个参数。那么参数估计本身有两种情况,complete case 和 incomplete case。所谓的complete case 就是观测变量和状态变量全部已知,那么参数估计就可以写成’ p ( x ∣ z ) p(x|z) p(xz)’,而 incomplete case 就是没有只有观测变量已知,但是状态变量未知的情况’ p ( x ∣ ? ) p(x|?) p(x?)’。

      对于第一种情况,往往我们只需要做一些简单的统计就可以找出合适的参数了,相对比较容易处理。比如说,我们想要知道初始状态概率,只需要将每一种状态变量作为第一个状态的次数除以总共的样本数即可。发射概率和转移概率也是用类似的简单统计思想。

      通常我们需要讨论第二种情况。在状态变量未知的情况下,是无法对三个关键参数进行预估的。所以这时我们可以用到EM算法的思想来对状态变量进行预估,从而预估参数。(如果对EM算法不太熟悉,可以参考EM算法的理解和证明这篇博客。

      现在思考状态变量在马尔可夫模型中能决定什么??他可以决定当前状态下的输出观测变量和下一时刻的状态变量。所以我们可以用这一个关系,来求出当观测变量给定时,所有状态出现的概率:

      在这里插入图片描述
      相当于我们可以通过上述的方式来求出状态变量的expectation,将一个incomplete case 转换成了一个complete case。之后我们就可以推算三个关键参数的值,然后再使用估算出的参数的值去更新状态变量的expectation。

      我们现将在这个公式用贝叶斯公式展开:
      在这里插入图片描述

      上述公式中,我将已知的观测变量合集z,拆分成了两个,一个包含了从第一个观测变量到第K个,第二包含了从第K+1个观测变量到最后一个。这么做的原因是,可以使后面的数学证明更加清晰。

      前面有讲到,有向图是将一个大的联合概率分布拆分一个一个的基于单个变量的条件概率分布。 对于上述式子而言,我们还可以将其表达成:

      在这里插入图片描述
      根据D-separation的第二条性质,我们可以断定, x 1 : k x_{1:k} x1:k x k + 1 : n x_{k+1:n} xk+1:n是相互依赖的,所以 x 1 : k x_{1:k} x1:k对当前分布不造成影响,所以:

      在这里插入图片描述
      上述的表达式,其实是一种新算法叫做前向-后向算法(forward-backward algorithm)。 这个算法其实是前向和反向算法的总称,在上述式子上 p ( z k , x 1 : k ) p(z_k,x_{1:k}) p(zk,x1:k)就是前向算法, p ( x k + 1 : n ∣ z k ) p(x_{k+1:n}|z_k) p(xk+1:nzk)就是反向算法。

    1.6 总结

    有向图和无向图之间最明显的区别就是有向图中每个变量的相互依赖关系是已知或者可观测的,所以有向图模型可以使用所有变量的联合概率分布来表示,也就是可以使用概率拼接。但是无向图中因为无法使用概率来进行拼接,我们将一个无向图分成多个最大团,来研究团中元素的依赖程度。

    马尔可夫模型是一个典型的有向图模型,定义它的三个参数是,初始概率,发射概率,和状态转移概率,它收到马尔可夫链的约束。对于马尔可夫模型问题的求解方式,可以发现很不管是推断问题还是参数估计问题,都用到了动态规划算法的思想。forward算法本身也用到了动态规划算法的思想。

    展开全文
  • 模型&边框属性

    2021-07-16 19:17:46
    一、盒模型 1、作用:规定元素位置 2、属性 (1)、padding:填充(会使盒子撑大,要是想保证盒子大小不变,应在样式里减小相应的尺寸) (2)、margin:外边距(不会使盒子增大) (3)、border:边框 (4)...

    一、盒模型

    1、作用:规定元素位置

    2、属性

    (1)、padding:填充(会使盒子撑大,要是想保证盒子大小不变,应在样式里减小相应的尺寸)

    (2)、margin:外边距(不会使盒子增大)

    (3)、border:边框

    (4)、content:元素本身

    3、计算方式

    自身大小:content+padding+border

    实际大小:content+padding+border+margin

    二、边框属性

    1、border-color:边框颜色

    2、border-width:边框大小

    3、border-style:边框样式

    dashed:虚线;double:双实线;soild:实线;dotted;none:无边框

    展开全文
  • 社交网络模型属性介绍

    千次阅读 2021-02-03 10:48:27
    title: 社交网络模型属性介绍 categories: [理论] tags: [学习小结] 社交网络的属性介绍: 网络属性 社会解释的例子 局部拓扑 结构对等:如果两个参与者与其他参与者具有相似的连接,则它们是相似或等效的...
  • 1、盒子模型图2345截图20181203133314.png2、一个简单的盒子模型box.html盒子模型标准文件流不能制作精美的网页;只有脱离标准文档流(脱标),才可以制作我们想要的网页。脱标的方法:浮动,绝对定位,固定定位;浮动...
  • 通过定义一系列与盒子相关的属性,可极大地丰富和促进各个盒子乃至整个HT盒模型主要控制的相关属性是哪几个css中背景属性有哪些?各自的作用是什么?盒子有哪些元素构成?好多问题。一个一个来吧css背景...
  • 针对传统访问控制模型难以解决的动态、细粒度访问控制问题,研究人员提出了基于属性的访问控制模型(attribute-based access control,简称ABAC).ABAC 模型基于实体属性而不是用户身份来判决允许或拒绝用户对 ...
  • CSS盒子模型以及相关属性总结1. 外边距2. 内边距3. 边框3.1边框样式3.2 圆角边框4. 轮廓线5. display元素显示类型5.1 外部显示类型\5.2 内部显示类型6. visibility控制元素显示隐藏7. 元素尺寸设置7.1 min&max-...
  • Creo定制模型及绘图模板.doc

    千次阅读 2021-01-15 21:47:34
    模型模板是标准的Creo模型,它包含预定义的特征、层、参数、命名的视图及其它属性(单位,材料,质量属性等)。绘图模板是包含创建绘图项目说明的特殊绘图文件,这些绘图项目包括视图、表、格式、符号、捕捉线、注释、...
  • 本文主要介绍用行人开源代码fastreid训练行人属性,行人属性数据集采用开源的PA00K。
  • 商品多规格多属性模型设计思路

    千次阅读 2021-01-20 03:48:40
    区分货品(SPU)和商品(SKU)SPU = ...SKU=stock keeping unit(库存量单位):对于服装来讲,它应该会有尺寸、颜色等规格,以及该规格下对应的属性,如:XL、L、红色、白色等等,不同属性组合所表示的就是一个 SKU...
  • 今天学到了一个视角,叫做读者视角——从情商角度看就是换位思考。当我在写文章的时候,可能仅仅站在我的角度看待这个写...1、什么是属性包(Property Bag) 这个名字来源无从考究了,我最早听说应该是在做VB组件或者.
  • 一、已有模型制作底面 1、dmax中dwg格式导出 3dmax中obj格式导出 3dmax中fbx格式导出,可以保留分组 2、cad中多面网格转多段线 用vb脚本"PolyFaceToPL_AA-多面网络转多段线" 3、arcgis中构面 挑选出有用的面 添加...
  • 图模型的构建介绍第一步:业务场景定义第二步:信息收集第三步:建模第四步:实体、概念、属性、关系的标注第五步:实体和概念的识别第六步:属性识别与关系识别 作者:华为公司数据管理部 来源:大数据DT 导读...
  • 浏览器对象模型——BOM常用属性及方法

    多人点赞 热门讨论 2021-06-13 17:51:58
    BOM(Browser Object Modtael)是一种浏览器对象模型,提供了独立于内容而与浏览器窗口进行交互的对象,其核心对象是window
  • 变分自编码器(VAE)属于生成模型家族。VAE的生成器能够利用连续潜在空间的矢量产生有意义的输出。通过潜在矢量探索解码器输出的可能属性。在VAE中,重点在于潜编码的变分推理。我们将使用VAE生成一些人脸图片,并且...
  • 导读:图模型作为当前流行的信息处理加工技术,自提出以来,迅速在学术界和工业界得到了普及,在智能推荐、决策分析等方面有着广泛的应用。作者:华为公司数据管理部来源:大数据DT(ID:hzda...
  • 本文和大家重点讨论一下UML模型图的概念,标准建模语言UML定义了下列5类、共9种模型图,每种模型图都有各自的特点,相互之间也有一定的联系。具体内容请看本文详细介绍。九种基本的UML模型图从考察系统的不同角度...
  • 在软件架构设计师的考试中,数据库的管理是重点内容,本文主要介绍ER模型,关系代数和函数依赖。本文内容来至互联网内容的编辑修改,方便读者学习。如有侵权,第一时间联系作者删除。 1.ER 实体-联系方法(Entity-...
  • 在CSS中边框属性包括边框样式属性(border-style)、边框宽度属性(border-width)、边框颜色属性(border-color)、单侧边框的属性、边框的综合属性,如表1所示。表1 CSS边框属性仅通过表1的简单解释,初学者可能很难理解...
  • thinkphp 模型属性字段冲突,name ,table ,pk冲突 10501,SQLSTATE[42S02]: Base table or view not found: 1146 Table 'lesson.' doesn't exist 在模型中,获取属性name,pk,table时,与数据表中的字段冲突 比如...
  • ER转关系模型

    千次阅读 2021-03-25 14:06:30
    (1)实体类型的转换 将每个实体类型转换成一个关系模式,实体的 属性 即为关系的 属性,实体标识符即为关系的键。 (2)联系类型的转换 ...示例:该ER转换为关系模型 商店 和 职工是一对多关系,一个商店有多个
  • E-R转换为关系模型

    千次阅读 2021-01-14 11:30:04
    E-R模型如何转换成关系模型,这里我们分成三种情况进行讲解,分别是一对一,一对多和多对多。1.一对一的情况:有两种方法解决这个问题。第一个方法:可以单独对应一个关系模式,由各实体的主码构成关系模式,而关系...
  • Google地图3D城市模型下载最新实践

    千次阅读 2021-07-05 12:05:19
    文章目录前言环境Google ... 捕获 Google 地图的 3D 城市模型5. 在 Blender 中查看捕获的 3D 城市模型6. 将模型导出成 FBX 格式 前言 最近接触到 RenderDoc 工具,可以下载到 Google Map 的 3D 城市模型
  • 本文探讨数据在物联网中应用的可能性,并且提出了使用OPC UA 信息模型来构建物联网信息模型,解决物联网标准缺失的问题。
  • arcgis中按某一字段属性批量出

    千次阅读 2020-12-23 14:44:42
    因为永久基本农田核实整改工作的要求,需要将每一个斑截图提交到上面,一两万个斑有大有小,挨个手动出的话工作量实在是太大了,没办法就要想想简单快捷的方法,这里就用到了arcgis中的数据驱动工具。...
  • 如何把ER模型转换为关系模型这是数据库工程设计进行到逻辑设计的一重大环节,简单的说,如果概念设计是用ER模型,整合为全局的ER模型,那么在逻辑设计这块,主要任务就是把ER模型转换为关系模型。转换只需知道三个...
  • // 如果valueForKeyPath:这个方法调用者是数组,会抽取这个数组中每一个对象的name属性的值,并且存放在一个新的数组中返回 NSArray * names = [persions valueForKeyPath:@"name"]; NSLog(@"names == %@",names); ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 880,955
精华内容 352,382
关键字:

属性图模型