关于 乖乖药一次的用量【V信;799.196.362】孕 的搜索结果,共1700
l****m 2018-07-10
词向
文章结构: 词向 背景介绍 效果展示 模型概览 数据准备 编程实现 模型应 总结 参考文献 本教程源代码目录在book/word2vec,初使请您参考Book文档使说明。 背景介绍 本章我们介绍词表征,也称为word embedding。词向是自然语言处理中常见个操作,是搜索引擎、广告系统、推荐系统等互联网服务背后常见基础技术。 在这些互联网服务里,我们经常要比较两个词或者两段文本之间相关性。为了做这样比较,我们往往先要把词表示成计算机适合处理方式。最自然方式恐怕莫过于向空间模型(vector space model)。 在这种方式里,每个词被表示成个实数向(one-hot vector),其长度为字典大小,每个维度对应个字典里每个词,除了这个词对应维度上值是1,其他元素都是0。 One-hot vector虽然自然,但是处有限。比如,在互联网广告系统里,如果户输入query是“母亲节”,而有个广告关键词是“康乃馨”。
x****3 2018-07-10
零基础认识深度学习——猿人直立行走
我又手写了个数字2,还特地选黑底白字28*28,结果这几个模型没个识别准确,全部识别失败。 --下图是 22.新图识别失败 -- 四、实战才能出模型 本实验拿到正确率是94.81%模型是意外惊喜,那个模型测其他图片失败倒是意料之中。因为这实验初始样本才几千张,如果样本数够多,过拟合(即噪音特征被纳入模型)可能性就越小;我全部是默认调试选项,添加其他特征项调试模型可能会减少欠拟合(主特征没提取到)几率;我并未明确定义该模型使场景,即没有明确训练数据、测试文件和生产文件是否相同。 我们看到完全相同配置模型,只因为点击生成模型时间不同,对同个图片识别结果确千差万别,再强调这不是因果判断而是相关性计算。实验结论和我上文主张相同,模型需要拿实战数据进行实际训练,且我们只能预估但不能预测模型生成结果。我做这个实验就是给大家解释,AI模型训练不是软件外包,不是谈拢了价格就能规划人日预估效果个AI技术供应商简单点就是卖现成模型,比如说人脸识别模型、OCR识别模型等等。
y****i 2018-07-11
做容器云最佳
文末总结 以前我看到虚拟机套单容器事情,因为不任他们老套宣传话述,狠狠嘲笑了这些容器云从业者。 但我和个值得高手聊天时,他反问我,这种架构除了看起来不够优雅,有没有什么逻辑上致命问题? 如果有些服务就是要业务进程包在容器里,但数据文件就是要落在硬盘上,这时候容器加云主机可以说是种取长补短嫁接,总好过拿pod本地存储做冒险。 我也是因为这会面而想写本文,开始更正态度看容器,有问题工具样可以是好工具。 想想自己曾经也对云计算不屑顾,人生循环真是有趣。 备注 1.本文中运维指是业务服务运维,不是资源支撑运维。 2.很多人会跟我说容器比虚拟机启动快,但容器应该跟虚拟机里进程比重启速度啊,虚拟机重启进程也不重启系统啊。 3.我般说docker纯粹指是它容器部分,不包括swarm等部分。 4.在我看来容器对系统运行环境封装就是像个jvm,我知道容器封装更多更彻底,但这只是五十步和百步区别。 5.我知道文中没把docker和k8s分太清楚,但这是给客户看,不是内部考核,请大家脑补时往好处想。
h****e 2018-07-10
程序:我从哪里来?
干货概览 在计算机程序或者服务上,我们来试着分析前面提到几个问题。 问题 1.我是谁? 服务叫什么,服务包含了哪些实例,服务规模、部署情况、实例运行状况如何? 2.我从哪里来? 服务上游有哪些,不同上游流如何分配? 3.我往哪里去? 服务下游有哪些,不同下游流如何分配? 面对这样问题,我们答案是什么呢? 在百度运维实践中,我们只需“BNS”就可以获得想要答案。 BNS(Baidu Naming Service,百度名字服务)是百度云智能运维团队研发套分布式名字服务系统,是百度云Noah智能运维产品中个重要基础服务系统。它为每个服务赋予个独无二名字,根据这个名字,我们就可以获取到这个服务相关息 ,这些息包括:服务在机器上部署息(机器IP,部署路径,服务配置,端口息),服务实例运行状况等其他重要息。简单来讲,它提供了个服务名到资源个映射关系。
c****2 2018-07-10
个性化推荐(
文章结构: 背景介绍——效果展示——模型概览——数据准备——训练模型——应模型——总结——参考文献 本教程源代码目录在book/recommender_system,初使请您参考Book文档使说明。 背景介绍 在网络技术不断发展和电子商务规模不断扩大背景下,商品数和种类快速增长,户需要花费大时间才能找到自己想买商品,这就是息超载问题。为了解决这个难题,个性化推荐系统(Recommender System)应运而生。 个性化推荐系统是息过滤系统(Information Filtering System)子集,它可以在很多领域,如电影、音乐、电商和 Feed 流推荐等。个性化推荐系统通过分析、挖掘户行为,发现个性化需求与兴趣特点,将户可能感兴趣息或商品推荐给户。与搜索引擎不同,个性化推荐系统不需要户准确地描述出自己需求,而是根据历史行为进行建模,主动提供满足户兴趣和需求息。 1994年明尼苏达大学推出GroupLens系统[1]般被认为是个性化推荐系统成为个相对独立研究方向标志。
双****4 2018-07-10
词向(三)
文章结构: 词向 背景介绍 效果展示 模型概览 数据准备 编程实现 模型应 总结 参考文献 模型应 在模型训练后,我们可以它做些预测。预测下个词:我们可以我们训练过模型,在得知之前 N-gram 后,预测下个词。
用****在 2018-07-10
词向(二)
如今版本较之以前就简单了许多。我们有现成训练和测试集:paddle.dataset.imikolov.train()和paddle.dataset.imikolov.test()。两者都会返回个读取器。在PaddlePaddle中,读取器是个Python函数,每,会读取下条数据。它是个Pythongenerator。 paddle.batch 会读入个读取器,然后输出个批化了读取器。我们还可以在训练过程中输出每个步骤,批训练情况。
Z****E 2018-07-09
产品迭代最后公里
变更面临问题 其实我们对变更需求并不复杂,作为迭代最后公里,我们只关注两点: 操作过程足够快捷(效率) 变更结果符合预期(安全) 但是,在具有定规模企业生产环境中,户往往要面对比单台机器手工上线更加复杂状况,在这些状况下上述两点要求通常难以满足: 大批机器操作步骤繁琐,较依赖人经验,变更操作效率低下; 由于缺少可靠检查机制,变更效果无法保证,甚至引发线上较大异常。 我们在百度各核心产品大规模变更实践中积累了丰富经验,发现通过自动化部署可以有效提升变更效率,在变更过程中严格执行分级发布流程可以确保检查机制得到执行,并且能够有效限制异常影响范围,加速异常恢复。在两者基础之上,融入AIOps智能变更策略,可以进步降低管理成本,提升检查效果。下面将从三个方面详细介绍我们解决方案。 我们解决方案 1自动化部署 自动化部署包含变更策略和批机器执行能力两部分。具体来说,户通过UI/API配置整个变更过程执行策略,例如先执行A地域机器变更,再执行B地域机器变更;执行失败机器超过10台就自动中止等。
笑****山 2018-07-10
监控专对象存储畅想
我不想涉密去关注具体厂商技术底实现,但会考虑通技术可行性,做个监控型对象存储技术畅想。 每天都有监控抓小偷新闻,监控行业价值已经得到社会认可和买单;监控视频是最容易实现PB级文件容和百亿级文件数场景,摄像头数越来越多、清晰度越来越高,而文件管理、存储和分析压力也越来越大。 监控厂商自己做堆盘式存储是个临时应急性方案,而且客户要求开放式管理监控视频,中立又可靠对象存储方案是最佳选择。 最近几年IT行业并没有核心技术飞跃,我们能做都是优化选型,过去针对http访问场景优化选型,现在要做是贴合监控场景优化选型。 从客户访问和内部实现角度,本文分为“访问界面”“读写代理”“元数据设计”“存储实现”四部分。 访问界面 这里指是应程序访问界面,而不是自然人访问界面。访问界面有四个问题: 要不要存储系统直接支持RTMP?直播和存储技术跨度太大,且监控厂商已经有方案,低优先级处理该功能。 要不要提供文件系统级访问接口?
5****a 2018-07-11
监控专对象存储畅想
我不想涉密去关注具体厂商技术底实现,但会考虑通技术可行性,做个监控型对象存储技术畅想。 每天都有监控抓小偷新闻,监控行业价值已经得到社会认可和买单;监控视频是最容易实现PB级文件容和百亿级文件数场景,摄像头数越来越多、清晰度越来越高,而文件管理、存储和分析压力也越来越大。 监控厂商自己做堆盘式存储是个临时应急性方案,而且客户要求开放式管理监控视频,中立又可靠对象存储方案是最佳选择。 最近几年IT行业并没有核心技术飞跃,我们能做都是优化选型,过去针对http访问场景优化选型,现在要做是贴合监控场景优化选型。 从客户访问和内部实现角度,本文分为“访问界面”“读写代理”“元数据设计”“存储实现”四部分。 访问界面 这里指是应程序访问界面,而不是自然人访问界面。访问界面有四个问题: 要不要存储系统直接支持RTMP?直播和存储技术跨度太大,且监控厂商已经有方案,低优先级处理该功能。 要不要提供文件系统级访问接口?
s****7 2018-07-10
见微知著看技术误解——从裸光纤和NTPD谈起
时间不稳会威胁到程序健壮性和业务安全性,甚至部分程序崩溃稀里糊涂。 ntpdate只是个命令不是服务,它对远端时钟源是盲目任;假设个根NTP服务不稳定,所有服务器获得了错误时间,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情况,但业务混乱是免不了。我们就说联机调试分布式日志,几个节点时间有错可能日志就看不懂了。 NTPD服务做时间调整会有效减少这类情形,它不是简单龟速调整时间,而是有柔性时间调整策略,让时间线跃变和调整尽少影响业务(详情见附录实验);也不会盲目任远端时钟源,甚至固执拒绝同步时间。NTPD服务相本机时刻有可能不对,但不会忽快忽慢甚至停滞,NTPD通过多收发包选择权威稳定时间源,算出双方间网络延迟,然后才会采时刻进行时钟同步。 五、误解根源和影响 因为NTPD不盲从其他时间源,让老辈IT人会留下NTPD不好、不靠谱误会。2005年个人测试虚拟机时间经常走慢,到2010年虚拟机还要防范时间停滞Bug。即使你物理机投入生产,网络延迟仍然不确定,且要观测NTPD同步效果需要时间。
1****2 2018-07-09
百度安全:AI 是系统工程 需要真正开放安全护航
而现在普遍应TLS/SSL 方案 是基于非内存安全语言编写,容易被黑客利内存安全漏洞攻击,而且未来也面临着被 子计算机破解威胁。 而百度安全基于内存安全技术代可配置嵌入式安全通协议栈MesaLink, 在语言层面提供内存安全保障,算法层面提供后子密码对抗能力。这就使得网络传输 可以避免OpenSSL“心脏流血”等高危漏洞隐患,并且能对抗子密码学攻击,进 步增强网络传输层安全。在MesaLink 保驾护航下,AI 系统有了内存安全 和抗子破解双重保障,黑客很难再通过内存安全漏洞和子计算机技术通过网络通 层攻击进入AI 系统。 云端安全 云安全都快成了老生常谈话题。不过现在云端防护引擎存在着定缺陷,比如 它们大多依赖请求特征。方面,要适应千差万别后端应,以及它们对协议处理 方式,本身就很困难。另方面,面临些新型攻击,防御引擎需要及时增添规则,较 为被动。最后,防护引擎只要看到符合特征请求,就会产生报警,并不知道黑客是否 真攻击成功了,所以误报率比较高。 自从Gartner 提出自适应安全架构之后,得到了业界致认可。
p****d 2018-07-11
单机房故障自愈--运维春天
【解决方案】 基于容水位动态均衡 在流调度时,对于容不准确存在风险,我们划分两条容警戒线。 安全水位线:流处于在安全线以下则风险较小,可以步进行切换。 水位上限:该水位线表明服务最大承载能力,旦流超过故障水位线,很大概率会导致容过载。 如果安全水位线提供不足以满足止损,那我们期望使上两条中间buffer,同时流调度过程中进行分步试探,避免性调度压垮服务。 基于快速熔断过载保护 在流调度时,建立快速熔断机制作为防止服务过载最后屏障。旦出现过载风险,则快速停止流调度,降低生故障发生概率。 基于降级功能过载保护 在流调度前,如果已经出现对应机房过载情况,则动态联动对应机房降级功能,实现故障恢复。 2业务线止损策略需求差异大 【问题描述】 我们实现了基础单机房故障流调度止损算法,但在部分业务线中仍存在较大需求差异,比如: 分步动态调度需求:业务存在充Cache情况,过程中服务能力降低,需要控制切换速度。
TOP