关于 喷雾型春药真实效果【V信;799.196.362】依 的搜索结果,共603
l****m 2018-07-10
词向量(一)
XX是一个|V|×|V||V|×|V| 大小的矩阵,XijXij表示在所有语料中,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即视为所有词的词向量: X=USVTX=USVT 但这样的传统做法有很多问题: 由于很多词没有出现,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)。
双****4 2018-07-11
【杂谈】猎场没那么精彩--还原的猎头
当遭遇面试失败,资深猎头能要到失败原因通报给候选人,而新手猎头不关注面试失败原因,用人部门给的失败原因都是敷衍套话。 也有一部分猎头会和优质候选人保持长时间关系,但这太费时间了,猎头五年内给同一个候选人介绍两次工作的几率在是太小了。 我这里没提诸如JD介绍、简历优化一类基础内容,合格的候选人会认专业的分析职位需求,不需要猎头来催的。 用人单位评估猎头的水平就更简单了,就是写推荐说明。新手猎头是写不出干货锤的推荐的,而资深猎头的推荐不仅是对候选人简历的解析,也会包含简历之外的大量建议说明。
无****禾 2018-07-11
云客户需求引导管理--IT太极拳
客户对自己的很多提议也并没太大心,所以被我们拒了也不会伤心生气,专业供应商都表态某事做不了,客户内部也就不再异想天开了。 倒是云厂商某些从业人员对内滑头滑出经验了,当他们遇到来自客户和售前的需求时,照本宣科照方抓,是腹黑的把选责任甩出去了;医生按照护士和病人的建议来开,治不好病也不负责任,这种小伎俩能瞒得住谁哪? 3.协助内部沟通的能力 我给很多客户都写过正式公函邮件,既是在公函表态承担责任,又是帮客户技术和运营团队制作对内交代的工具。 我们帮客户技术和运营团队解决难题,他们难题解决后会促进我方的消费。其他客户内部部门会挤兑欺压这两个部门,而已经入围的云供应商不会太介意这些部门的态度。 我举个偏点的例子,一个造纸厂的IT说,虽然开源社区的邮箱方案简单又免费,但他还是会买商业邮箱。他自己搭出来的免费邮箱会天天有人挑刺说不满意,而他买商业方案以后,谁有意见谁就去找老板请款买新模块,反而落个清静。 我们并不介入用户内部管理问题,但我们要把客户变成朋友,而不是做一个冷脸旁观的衙门。
金****洲 2018-07-09
百度安全验室|机器学习对抗性攻击报告
因此,他们尝试了对抗性图片在物理世界的表现,即对抗性 图片在传入机器学习模之前,还经过了打印、外部环境、摄像头处理等一系列不可控 转变。相对于直接给计算机传送一张无损的图片文件,该攻击更具有现意义。 在如何构造对抗性攻击图片上,他们使用了非定向类攻击中的FGS 和FGS 迭代方 法,和定向类的FGS 迭代方法[1]。其中,非定向类攻击是指攻击者只追求对抗图像和 原图像不同,而不在意识别的结是什么。定向类攻击则是指攻击者在构造图像时已经 预定目标机器学习模识别的结。 在定向类攻击中,作者首先根据条件概率找出给定源图像,最不可能(least-likely) 被识别的类y 值,表示为(该种类通常和原种类完全不同)。然后采用定向类攻击方 法中的FGS 迭代方法,产生对抗性图片。其中非定向类攻击方法在类种类比较少并且类种类差距较大的数据库里,比较有。但是一旦类之间比较相关,该攻击图像 有极大的可能只会在同一个大类中偏移。这时候定向类攻击方法就会有很多。 图2 对抗性图像在现物理世界欺骗机器学习过程 为了验证结,作者采用白盒攻击模
x****7 2018-07-10
从外行进阶专业 传统企业AI转差的可能只是一个百度EasyDL
所谓平台化,即AI技术以最低的门槛向外输出,合作伙伴基于场景进行开发,用于解决际问题;而生态化的核心,就是核心技术平台不争利,放利给生态伙伴,进而产生巨大辐射应。 百度EasyDL展示百度AI开放生态的一种策略:用平台化的思路,将AI规模化落地,在在解决问题。 近期,大量个人也正加入到EasyDL的开发者行列中来。比如有位“天文迷”孙睿康同学,基于EasyDL设计了一个超新星自动搜寻系统,希望通过对星云图片的AI技术分析,发现可能存在宇宙中的超新星,这一脑洞大的研究成,已被哈尔滨工业大学《智能计算机与应用》刊发。而孙睿康只是一名高中生,这清楚不过地表明了EasyDL在推动AI普惠上的可能性。 AI所带来的惊喜,才刚刚开始。 欢迎点击【EasyDL定制化训练及服务平台】,了解更多产品内容。 如需合作咨询可点击屏幕右下角标志,提交具体咨询息;或可进入AI开发者社区,进行沟通交流。
x****3 2018-07-10
零基础认识深度学习——猿人的第一次直立行走
--下图是 22.新图识别失败 -- 四、战才能出模 本次验拿到正确率是94.81%的模是意外惊喜,那个模测其他图片失败倒是意料之中的。因为这次验的初始样本才几千张,如样本数量够多,过拟合(即噪音特征被纳入模)的可能性就越小;我用的全部是默认调试选项,添加其他特征项调试模可能会减少欠拟合(主特征没提取到)的几率;我并未明确定义该模的使用场景,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的模,只因为点击生成模的时间不同,对同一个图片的识别结确千差万别,再次强调这不是因判断而是相关性计算。验结论和我上文的主张相同,模需要拿战数据进行际训练,且我们只能预估但不能预测模生成结。我做这个验就是给大家解释,AI模训练不是软件外包,不是谈拢了价格就能规划人日预估的。 一个AI技术供应商简单点就是卖现成的模,比如说人脸识别模、OCR识别模等等。但如客户有定制需求,比如说识别脸上有青痘、识别是不是左撇子签名,那就需要先明确技术场景,再准备数据大干一场。
用****在 2018-07-10
词向量(二)
文章结构: 词向量 背景介绍 展示 模概览 数据准备 编程现 模应用 总结 参考文献 模概览 在这里我们介绍三个训练词向量的模:N-gram模,CBOW模和Skip-gram模,它们的中心思想都是通过上下文得到一个词出现的概率。对于N-gram模,我们会先介绍语言模的概念,并在之后的训练模中,带大家用PaddlePaddle现它。而后两个模,是近年来最有名的神经元词向量模,由 Tomas Mikolov 在Google 研发[3],虽然它们很浅很简单,但训练很好。 语言模 在介绍词向量模之前,我们先来引入一个概念:语言模。 语言模旨在为语句的联合概率函数P(w1,...,wT)P(w1,...,wT)建模, 其中wiwi表示句子中的第i个词。语言模的目标是,希望模对有意义的句子赋予大概率,对没意义的句子赋予小概率。 这样的模可以应用于很多领域,如机器翻译、语音识别、息检索、词性标注、手写识别等,它们都希望能得到一个连续序列的概率。
沙****杀 2018-07-09
如何在预测模块中添加新评估器?
简介 评估器通过应用预训练的深度学习模生成特征(来自障碍物和当前车辆的原始息)以获得模输出。 添加评估器的步骤 请按照下面的步骤添加名称为NewEvaluator的评估器: 在proto中添加一个字段 声明一个从Evaluator类继承的类NewEvaluator 现类NewEvaluator 更新预测配置 更新评估器管理 下面让我们用上面的方法来添加新的评估器。 一、声明一个从Evaluator类继承的类 NewEvaluator modules/prediction/evaluator/vehicle目录下新建文件new_evaluator.h。
双****4 2018-07-10
词向量(三)
文章结构: 词向量 背景介绍 展示 模概览 数据准备 编程现 模应用 总结 参考文献 模应用 在模训练后,我们可以用它做一些预测。预测下一个词:我们可以用我们训练过的模,在得知之前的 N-gram 后,预测下一个词。
TOP