关于 三挫仑片效果有多久【V信;799.196.362】兜 的搜索结果,共1046
双****4 2018-07-10
词向量(
为了能简单看到,教程只设置了经过很少的训练就结束并得到如下的预测。我们的模型预测 among a group of 的下一个词是the。这比较符合文法规律。如我们训练时间更长,比如几个小时,那么我们会得到的下一个预测是 workers。预测输出的格式如下所示: [[0.03768077 0.03463154 0.00018074 ... 0.00022283 0.00029888 0.02967956]] 0 the 其中第一行表示预测词在词典上的概率分布,第二行表示概率最大的词对应的id,第行表示概率最大的词。
l****m 2018-07-10
词向量(一)
XX是一个|V|×|V||V|×|V| 大小的矩阵,XijXij表示在所语料中,词汇表VV(vocabulary)中第i个词和第j个词同时出现的词数,|V||V|为词汇表的大小。对XX做矩阵分解(如奇异值分解,Singular Value Decomposition [5]),得到的UU即视为所词的词向量: X=USVTX=USVT 但这样的传统做法问题: 由于很词没出现,导致矩阵极其稀疏,因此需要对词频做额外处理来达到好的矩阵分解; 矩阵非常大,维度太高(通常达到106×106106×106的数量级); 需要手动去掉停用词(如although, a,...),不然这些频繁出现的词也会影响矩阵分解的。 基于神经网络的模型不需要计算和存储一个在全语料上统计产生的大表,而是通过学习语义息得到词向量,因此能很好地解决以上问题。在本章里,我们将展示基于神经网络训练词向量的细节,以及如何用PaddlePaddle训练一个词向量模型。 展示 本章中,当词向量训练好后,我们可以用数据可视化算法t-SNE[4]画出词语特征在二维上的投影(如下图所示)。
s****7 2018-07-10
见微知著看技术误解——从裸光纤和NTPD谈起
ntpdate只是个命令不是服务,它对远端时钟源是盲目任;假设一个根NTP服务不稳定,所的服务器获得了错误的时间,虽然现在业务层可以包容异常,不会出现算出负利息或倒扣费的情况,但业务混乱是免不了的。我们就说联机调试分布式日志,几个节点的时间错可能日志就看不懂了。 NTPD服务做时间调整会减少这类情形,它不是简单的龟速调整时间,而是柔性时间调整策略,让时间线的跃变和调整尽量少影响业务(详情见附录实验);也不会盲目任远端时钟源,甚至固执的拒绝同步时间。NTPD服务相本机时刻可能不对,但不会忽快忽慢甚至停滞,NTPD通过次收发包选择权威稳定的时间源,算出双方间的网络延迟,然后才会采新的时刻进行时钟同步。 五、误解的根源和影响 因为NTPD不盲从其他时间源,让老一辈IT人会留下NTPD不好用、不靠谱的误会。2005年个人测试用虚拟机的时间经常走慢,到2010年虚拟机还要防范时间停滞的Bug。即使你用物理机投入生产,网络延迟仍然不确定,且要观测NTPD同步需要时间。
y****n 2018-07-09
Apollo 自动驾驶感知技术分享
我们任务,每个任务输入是源的,包括激光雷达、图像等。如要用 Apollo 搭建感知系统,如何选择传感器、传感器配置?希望它做什么任务。 这是种基本传感器的对比,LiDAR 是激光雷达,Radar 是汽车通用毫米波雷达,Camera 是摄像头。绿色代表做得好,黄色代表做得普通,红色代表做得差。最后,说明了种传感器融合是最好的。 那么 ,感知系统开放模块怎么做? 点云感知。开放了 LiDAR 点云检测,可以判断点云里的每个点是否为障碍物,障碍物的类型是什么。 感知框架。用的是深度学习,它可以做到精准检测和识别。而深度学习非常耗费计算量。需要依靠搭建的车载智能系统,来支撑深度学习模型,以达到毫秒级感知。 高精地图。先以当前的激光雷达作为坐标系核心,把地图中的点投到坐标系里。然后建立快速的表格,根据感知的距离扩大坐标区域。之后对俯视图进行网格化,网格化参数可以在 Apollo 进行配置。最后输送给障碍物检测。 障碍物检测。分为特征抽取、点云检测、点云聚类、后处理、闭包提取。
TOP