👏👏👏

viết bài có vẻ thông thái đấy nhưng thực ra chẳng hiểu gì

Viết bài sai chính tả với thiếu sót tùm lum!!!

chào bạn.. Bạn cho mình hỏi 1 chút là. Khi mình cài laravel echo server luôn trên local thì mình có thể bật cmd để theo dõi việc bradcast bắt đi.. nhưng khi cài trên docker thì làm thể thể nào để theo dõi log của nó nhỉ, để kiểm tra xem thức sự nó có hoạt động chưa ấy ạ. Và còn 1 vấn đề mình gặp là.. sau khi chạy docker , mình dùng các lệnh composer (composer cài trên local) thì bị bão lỗi ko tìm thấy service php redis do bên trong .env mình setup biến CACHE_DRIVER=redis, có vẻ như nó ko tìm thấy redis mặc dù munhf đã chạy redis trong docker

cái bài Tìm ngày tháng chính xác bro làm sai rồi. chỉ có thể làm riêng từng format rồi thêm | thôi chứ ko gộp cả dd/mm/yyy vào chung với mm/dd/yyyy được đâu nếu làm như bro thì case 2x/2x/yyyy (x từ 0 đến 9) nó vẫn nhận

nhưng mà bài viết hay lắm. nay mới bắt đầu học, được 1 tiếng là vừa học vừa làm xong bài ngày tháng chính xác rồi (ko xem lời giải nhe hehe).. mai cố gắng làm nốt đống bài tập về nhà

@mrdo1911 Hi bạn,

• Về phần $A = A + \lambda I$, hiện tại mình đang đề cập tới hướng xử lý từ paper Semi-Supervised Classification with Graph Convolutional Networks . $\lambda$ thực chất có thể là 1 trainable parameter, hiện trong paper fix cứng = 1 và tác giả cũng có đề cập thêm về thông số này tại mục 7.2 (limitations and future work).

• Như trong bài mình có đề cập tới 2 phân lớp chính của GNN là Spectral Graph NN và Spatial Graph NN. Phần về Spectral Graph NN liên quan nhiều tới phương pháp về phân tách ma trận Eigen decomposition, các khái niệm kèm theo như laplacian matrix, eigenvalue,... Phần này mình không đề cập tới nhiều vì cũng không tự tin để đi sâu vào phần toán học của mô hình, phần nào cũng gây khó hiểu thêm cho người đọc. Mình đề cập nhiều tới mô hình GCN khá đơn giản từ paper bên trên (1609.02907) và GraphSage (1 spatial method), như mình có tìm hiểu thì các phương pháp về spatial method đơn giản hơn khá nhiều cả về mặt toán học và mô hình. Với những tài liệu mình tham khảo được thì dường như đang dần thay thế các spectral method nói chung.

Rất cảm ơn bạn đã góp ý ạ

Cảm ơn anh nhé, bài viết rất hữu ích

lại tiếp tục là những bài viết chất còn hơn nước cất

Với một phần rất quan trọng trong lãnh vực nữa, đó là second eigenvalue của toán tử Laplace cho Clustering và embeding

Chào bạn, tôi rất thích bài viết của bạn. Tôi cũng đang work trong lãnh vực này.

Có cái tôi chưa hiểu,

• 1. cái đoạn A=A+lambdaI để đưa thành AW+lambdaW, tại sao ta không sử dụng kiểu cổ điển là AW+B, với B là ma trận bias?
• 2. Trong paper của Michael Jordan, ông ta không sử dụng ma trận đơn vị, mà ông ta dùng e**(d(X_i,X_j)^^2/2sigma để có dạng phân phối chuẩn. Theo tôi nó sẽ phù hợp hơn với đồ thị, đặc biệt là với NPL.
• 3. Có lẽ, bạn nên nói sâu hơn về phân tích phổ của toán tử Laplace trên đồ thị, như vậy một là nó trực quan hơn, thứ hai là nó soi rõ lý thuyết bằng cách sử dụng hình học Riemanian, và qua đó kết nối trực tiếp với Computer Vision và bài toán nhận dạng MRI.

Cảm ơn bạn nhiều.

: ))) ơ thôi anh

Có P.2 chưa anh ơiii

thanks bro

cho mình xin SDT của Tuấn để mình phone được ko nhỉ. Cảm ơn Tuấn

Bài viết chi tiết quá kể nó xuất hiện trước đây mấy tháng thì tốt, lúc đấy mình đã mất khác nhiều công sức để lần mò theo hướng Graph Network này

"Nghiêm cấm Topdev và TechTalk reup dưới mọi hình thức!" =))))))

"Tuy nhiên trường hợp tích hợp bằng merge thì những commit của branch sẽ hoàn toàn không được record lại ." . Đoạn này nghe có vẻ hơi ngược.

Chi tiết quá

Bái phục tác giả về độ chi tiết của bài viết.

Ngon đó e, good job 😁