关于 失忆听话药水亲身用后感【V信;799.196.362】旨 的搜索结果,共959
y****n 2018-07-09
Apollo 自动驾驶知技术分享
知技术是什么? 知属于自动驾驶核心技术,我们可以将汽车上的知与人类官进行一个类比:人有知,通过官器官获取外界息,传达知功能区,把形象化的东西抽象成概念性或者更高层的语义,供我们思维记、学习、思考或者决策,让我们运动控制功能区,让我们体对外界进行反馈。无人车类似这样的结构,这是强相关的东西,我们无人车也是一样。 下图所示这辆车是 2016 年 12 月乌镇演示车队的其中一台,它有传器、雷达、摄像头,这是覆盖比较全面的设置,包括视觉、触觉、嗅觉等息。它需要大脑处理,大脑是无人车里的知功能模块。 由于知范围是广泛的,它依赖于人工驾驶或者自动驾驶需要的环境匹配,工况复杂度越高,知复杂度越高。自动驾驶不同级别里,知的复杂度也不同。Apollo 目前开放的定位是 Level3 或者 Level4,知、决策、控制是三位一体的过程。 知与传器系统紧密结合,获取外部环境息,比如有没有障碍物,障碍物的距离、速度等,把数据交给知处理模块,我们会收集息,构成人开车时理解的环境。
1****6 2018-07-10
分析
栈式双向LSTM(Stacked Bidirectional LSTM) 对于正常顺序的循环神经网络,htht包含了tt时刻之前的输入息,也就是上文息。同样,为了得到下文息,我们可以使反方向(将输入逆序处理)的循环神经网络。结合构建深层循环神经网络的方法(深层神经网络往往能得到更抽象和高级的特征表示),我们可以通过构建更加强有力的基于LSTM的栈式双向循环神经网络[9],来对时序数据进行建模。 如图4所示(以三层为例),奇数层LSTM正向,偶数层LSTM反向,高一层的LSTM使低一层LSTM及之前所有层的息作为输入,对最高层LSTM序列使时间维度上的最大池化即可得到文本的定长向量表示(这一表示充分融合了文本的上下文息,并且对文本进行了深层次抽象),最我们将文本表示连接至softmax构建分类模型。 图4. 栈式双向LSTM于文本分类 数据集介绍 我们以IMDB情分析数据集为例进行介绍。IMDB数据集的训练集和测试集分别包含25000个已标注过的电影评论。其中,负面评论的得分小于等于4,正面评论的得分大于等于7,满分10分。
l****m 2018-07-10
词向量(一)
虽然按照常理,我们知道这两个词之间是有联系的——母节通常应该送给母一束康乃馨;但是这两个词对应的one-hot vectors之间的距离度量,无论是欧氏距离还是余弦相似度(cosine similarity),由于其向量正交,都认为这两个词毫无相关性。 得出这种与我们相悖的结论的根本原因是:每个词本息量都太小。所以,仅仅给定两个词,不足以让我们准确判别它们是否相关。要想精确计算相关性,我们还需要更多的息——从大量数据里通过机器学习方法归纳出来的知识。 在机器学习领域里,各种“知识”被各种模型表示,词向量模型(word embedding model)就是其中的一类。通过词向量模型可将一个 one-hot vector映射到一个维度更低的实数向量(embedding vector),如embedding(母节)=[0.3,4.2,−1.5,...],embedding(康乃馨)=[0.2,5.6,−2.3,...]embedding(母节)=[0.3,4.2,−1.5,...],embedding(康乃馨)=[0.2,5.6,−2.3,...]。
双****4 2018-07-11
【杂谈】猎场没那么精彩--还原真实的猎头
新手猎头是撒网炸鱼,对每个面试者没花时间也并不热心;资深猎头为了一次面试准备了超过货同行十倍的时间,催面试反馈她比你还着急。 当遭遇面试败,资深猎头能要到真实败原因通报给候选人,而新手猎头不关注面试败原因,人部门给的败原因都是敷衍套。 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实在是太小了。 我这里没提诸如JD介绍、简历优化一类基础内容,合格的候选人会认真专业的分析职位需求,不需要猎头来催的。 人单位评估猎头的平就更简单了,就是写推荐说明。新手猎头是写不出干货实锤的推荐的,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。
TOP