关于 寄生虫排名工具q扣89651584湛江龙头镇百度视频百度分享骆 的搜索结果,共1168
3****3 2018-07-10
智能运维程架构
背景:为什么要做智能运维 云智能运维团队在运维和平台研发方向历史悠久,支撑了全数十万规模的服务器上的运维服务,所提供的服务包括服务管理、资源定位、监控、部署、布式任务调等等。最近几年,团队着力于发展智能化运维能力以及AIOps产品化建设。 众所周知,除了搜索业务之外,还有很多其他的业务线,有像地图、科、知道、网盘这样的老牌业务,也有诸如像教育、医疗这样的新兴业务,每个业务在规模上、服务架构上都有很大差异。业务本身对稳定性的要求很高,需要保持99.995%的高可用,同时在业务上云的背景下,虚拟化、混合云等都给我们带来了新的挑战。 运维经历了从脚本 、基础运维平台、开放可定制运维平台到我们现在的智能运维平台,这样四个阶段的转变。过去运维的核心目标是提升效果,比如持续交付的速、服务稳定性、运营成本等。
j****2 2018-07-10
大脑开放日来袭 24种全新AI能力呈现
AI技术态部总经理喻友平 首期开放日,喻友平介绍了大脑开源深学习平台PaddlePaddle以及通用AI能力两方面的技术和产品更新,以及大脑在市政、物流、教育等行业的落地案例,与开发者们进行深交流。 更广、更快、更精的AI技术 深学习是AI发展的燃料。在深学习领域深耕已久,2016年,开源了深学习框架PaddlePaddle。此次,PaddlePaddle迎来两方面重大更新,核心框架Paddle Fluid v1.3新增发布业界首个类模型库,新增支持NLP语义表示BERT模型,布式训练性能大幅提升,大规模稀疏参数服务器Benchmark发布;同时,基于PaddlePaddle的深强化学习框架PARL,夺冠NeurIPS 2018。有高灵活性和可扩展性,支持可定制的并行扩展,覆盖DQN、DDPG、PPO、A3C等主流强化学习算法. 目前,PaddlePaddle已对外开放超过50种经过业场景验证的官方模型,例如,领邦利用PaddlePaddle,通过ICNet语义割模型识别精密零件瑕疵,实现零件自动拣。
也****里 2020-08-29
百度carlife不能跟百度地图同步收藏夹非常不方便请改进!
啥时候同账号的情况下,carlife和地图历史轨迹数据同步到一起
x****7 2018-07-10
从外行进阶专业 传统企业AI转型差的可能只是一个EasyDL
拿1000张图片使用EasyDL训练一个图像识别模型最快只需要8钟;拿1000条音来训练声音类模型,只需15钟;使用5000条数据训练文本类模型,也只需8钟。 由于EasyDL低门槛、高精、更轻快的特点,成为企业快速受AI红利的首选。 用案例说话:零门槛落地 自2018年4月正式发布以来,EasyDL用户量级迅速攀升。 截至2018年12月,EasyDL用户数达到10万,覆盖22个行业,已快速在零售、安防、互联网内容审核、业质检、医疗、物流等应用落地,广泛渗透到各种职业场景和细活场景当中。 在EasyDL开发者中,有南方电网这类巨,也有一些中小型企业,他们都能训练最贴合自身业务的深学习模型。 中国南方电网公司广东电网公司直属的佛山供电局管辖范围内,输电线路约4500公里,16000余基杆塔单元,线路附近易发外力破坏的施点有300余处。
C****X 2018-07-10
群雄逐“图”,缘何备受关注?
如果探究体的实践过程,其实可以参照下面的关系式: (图片来源于文章《高精地图在无人驾驶中的应用》) 其中Q代表优化方程,z代表激光雷达扫描出的点,h为方程预测最新扫描点的位置与反光,m为扫描到的点在地图中的位置,x代表无人车当前位置。 这个方程的目的是通过最小化J求出测量点在地图中的准确位置。在计算模型中,m与x开始都是未知的,可以先通过多传感器融合求x,再求出测量点在地图中的准确位置m。 的高精地图如何制作而成? 将高精地图制作为内外两部别是外采、后台数据化处理、人验证与发布,简单说就是外部采集+后期处理。 首先登场的是Velodyne提供的32线激光雷达,主要负责采集点云数据,其中激光雷达在车顶需要呈现一定的放置角,为的是尽可能多的采集道路信息而非天空信息,避免误采。 摄像主要负责采集前方道路影像,一般每秒拍摄 7-10 张照片。 车内的副驾驶位置是一台负责控制采集设备的电脑系统,主要起到监控功能,采集员可以实时监控采集情况,这样的装备每天至少需要采集150公里的高精地图数据。
c****2 2018-07-10
个性化推荐(一)
整个系统由两个神经网络组成:候选成网络和序网络。候选成网络从万量级的库中成上个候选,序网络对候选进行打序,输出最高的数十个结果。系统结构如图1所示: 图1. YouTube 个性化推荐系统结构 候选成网络(Candidate Generation Network) 候选成网络将推荐问题建模为一个类别数极大的多类类问题:对于一个Youtube用户,使用其观看历史(ID)、搜索词记录(search tokens)、人口学信息(如地理位置、用户登录设备)、二值特征(如性别,是否登录)和连续特征(如用户年龄)等,对库中所有进行多类,得到每一类别的类结果(即每一个的推荐概率),最终输出概率较高的几。 首先,将观看历史及搜索词记录这类历史信息,映射为向量后取平均值得到定长表示;同时,输入人口学特征以优化新用户的推荐效果,并将二值特征和连续特征归一化处理到[0, 1]范围。接下来,将所有特征表示拼接为一个向量,并输入给非线形多层感知器(MLP,详见识别数字教程)处理。
1****2 2018-07-09
安全:AI 是系统程 需要真正开放的安全护航
11 月6 日,安全牵成立OASES 智能终端安全态联盟。这是国内第一个开 放的致力于AI 态安全的联盟组织,引发了媒体、行业对AI 安全的聚焦。 毋庸置疑的是,人智能时代已经到来。有数据显示,到2020 年,会有500 亿台 物联网设备在全球部署。埃森哲预测,人智能可能将劳动产率提升40%,让人们 更有效地利用时间。到2035 年,人智能将让年经济增长率提升一倍。 但是,所谓“螳螂捕蝉,黄雀在后”,AI 既能被用来提升效率,也能被黑客用来提 升攻击技术,有更多途径窃取用户隐私。前段时间各种智能电被破解,摄像变成客 厅监器;某品牌智能扫地机器人被曝出存在高危漏洞,变成家庭“间谍”等安全事件 发。 网络安全成了这些智能设备的“阿喀琉斯之踵”。 危机四伏的AI 态 在小编看来,移动互联时代,无论是终端、云端、传输通道,最终保护的都是这整 个网络态中的数据,这些数据既有企业和用户的隐私,也包含了账户和密码等。在AI 时代,大抵相同。所不同的是各种IOT 设备的多样化,身份认证加入了物识别, 语音输入需求更多地取代了手动输入。
TOP