1.PL/SQL cursor用了FOR LOOP之后还可以用fetch吗
2.（三十八）通俗易懂理解——MXNet如何生成.lst文件和.rec文件
3.制作MXNET数据集
4.序列化推荐中的叮咚咚代GRU与Transformer源码解析之一

PL/SQL cursor用了FOR LOOP之后还可以用fetch吗

       ä½ åªä¿®æ”¹è¿™ç‚¹ç‚¹æ˜¯ä¸å¤Ÿçš„，还要删除掉FETCH,FOR游标不与FETCH配合使用，我感觉你纯粹是在乱写

       declare

        cursor dept_cur is

        select deptno, dname from dept where deptno < ;

        cursor dept_cur2(pno number) is

        select ename, job, hiredate, sal

        from emp

        where empno <

        and deptno = pno;

       begin

        FOR dept_rec IN dept_cur LOOP

        FOR dept_rec2 IN dept_cur2(dept_rec.deptno) LOOP

        dbms_output.put_line(dept_rec.deptno || ' ' || dept_rec2.ename || ' ' ||

        dept_rec2.job || ' ' ||

        to_char(dept_rec2.hiredate, 'YYYY-MM-DD') || ' ' ||

        dept_rec2.sal);

        END LOOP;

        END LOOP;

       END;

       è¿™ä¸ªæ˜¯æˆ‘的代码

（三十八）通俗易懂理解——MXNet如何生成.lst文件和.rec文件

       在MXNet中进行图像项目的处理时，图像读取方法有两路：一是码叮码通过.rec格式，虽然文件稳定可移植，叮咚咚代但文件较大占用空间；二是码叮码利用.lst文件与图像结合，lst文件记录路径和标签，叮咚咚代便于数据管理，码叮码猎头人才源码但对图像格式要求高，叮咚咚代且对文件路径的码叮码完整性敏感。对于分类和目标检测，叮咚咚代流程略有差异。码叮码

       首先，叮咚咚代从文件结构开始，码叮码需在根目录下建立文件夹，叮咚咚代如im2rec源码、码叮码html制作网页源码空的叮咚咚代mxrec存放打包文件，以及hot_dog、not_hot_dog等子文件夹。针对分类任务，执行im2rec.py工具，通过参数如`--list`生成lst文件，`--recursive`遍历子目录，`--train_ratio`设置训练与测试的比例，以及指定文件前缀和文件夹路径。打包完成后，就生成了lst和相应的rec、idx文件。

       目标检测略有不同，沪指指标源码不能直接使用im2rec，如VOC数据集，其xml文件包含了的标注信息。制作lst文件时，需要从xml中提取锚框坐标、id、名称和尺寸等信息，以'\t'分隔。然后，遵循分类的打包流程，将这些信息与图像一起打包成rec文件。

       总结来说，MXNet通过lst和rec文件的用andriod源码阅读配合，提供了灵活和稳定的数据管理方式，但需要注意文件格式的兼容性和路径完整性，具体操作根据任务类型（分类或目标检测）进行适当的调整。

制作MXNET数据集

       在MXNet框架中，读取图像主要采用两种方法：一种是处理.rec格式文件，类似于Caffe框架中的LMDB，优点在于文件稳定，移植性强，但在空间占用和数据增删灵活性上存在不足。另一种方式是结合.lst文件与图像，首先在生成.rec文件过程中会同步创建.lst文件，即图像路径与标签对应列表，以此灵活控制训练集与测试集变化，哪个代码是源码但对图像格式要求严格，且在图像路径变更或删除时可能无法找到对应图像。MXNet提供im2rec.py文件来生成.lst和.rec文件，源码可从官方GitHub下载，具体参数解释详尽，使用时只需指定.lst文件位置、图像文件夹及数据前缀。

       使用im2rec.py文件生成.lst和.rec文件的步骤如下：

       1. 首先，使用命令行运行im2rec.py，参数包括输出.lst文件位置、文件夹路径和数据前缀，例如：python im2rec.py --list /home/mark7/Downloads/data /home/mark7/Downloads/test_images。这将生成对应.lst文件，格式为：路径与标签的对应列表。

       2. 其次，使用已生成的.lst文件和文件夹路径，运行另一条命令生成.rec文件，如：python im2rec.py /home/mark7/Downloads/data /home/mark7/Downloads/test_images，这将完成.rec文件的生成。

       在自定义数据集时，需自行制作.lst文件。一种常用工具是labelme，其生成的标签文件可通过Python的json处理模块读取，获取标注数据。MXNet要求lst文件格式固定，需参照官方文档理解具体意义。在处理标注数据后，可自动生成lst文件，如使用python处理后的json文件内容制作lst文件，再使用im2rec.py生成.rec文件。最终，通过调用MXNet函数，即可利用自定义的rec、lst和inx文件进行模型训练。

序列化推荐中的GRU与Transformer源码解析之一

       GRU4Rec源码(TF版本)：github.com/Songweiping/...

       Transformer源码：github.com/kang/SASR...

       序列化推荐领域中，GRU4Rec成功地将循环神经网络(NLP和时序预测常用)应用至推荐领域，此模型取得了良好效果。紧随其后的是"SASR"，基于注意力机制的自适应序列推荐模型，实验表明其性能超越了GRU4Rec。

       两篇论文的作者均在源码公开阶段，为研究者提供参考。我们深入剖析源码，后续系列文章将比较GRU4Rec与SASR的差异、联系与优缺点。

       GRU4Rec模型结构简洁，采用门限循环神经网络，Embedding层处理item_id的one_hot编码，降低维度，便于优化。

       并行化训练数据集优化了模型训练速度，构建了training_batch，便于使用GPU加速矩阵运算。

       负采样技术提高了训练频率，利用同一时刻不同session中的item作为负样本。

       模型设计了贝叶斯排序和TOP1等pairwise方法计算排序损失，认为pairwise结果优于pointwise。

       实验数据集包括RSC和私有VIDEO集，结果表明GRU4Rec模型性能优秀，测试集评价指标包括召回率(recall)和倒序排名得分(mrr)。

       深入分析模型的Tensorflow版本代码，主要从main.py和model.py文件开始，重点解析模型定义、损失函数、GRU4Rec核心代码、数据集初始化、模型训练与预测以及评估函数。

       GRU4Rec的代码分析暂告一段落，后续将详细梳理SASR代码，目标是通过三篇文章全面探讨两个模型的细节。感谢关注。