关于 灰色词代做收录_q扣89651584北京北关百度输入法腾讯视频干 的搜索结果,共1147
l****m 2018-07-10
向量(一)
文章结构: 向量 背景介绍 效果展示 模型概览 数据准备 编程实现 模型应用 总结 参考文献 本教程源码目在book/word2vec,初次使用请您参考Book文档使用说明。 背景介绍 本章我们介绍的向量表征,也称为word embedding。向量是自然语言处理中常见的一个操作,是搜索引擎、广告系统、推荐系统等互联网服务背后常见的基础技术。 在这些互联网服务里,我们经常要比较两个或者两段文本之间的相性。为了这样的比较,我们往往先要把表示成计算机适合处理的方式。最自然的方式恐怕莫过于向量空间模型(vector space model)。 在这种方式里,每个被表示成一个实数向量(one-hot vector),其长为字典大小,每个维对应一个字典里的每个,除了这个对应维上的值是1,其他元素都是0。 One-hot vector虽然自然,但是用处有限。比如,在互联网广告系统里,如果用户的query是“母亲节”,而有一个广告的是“康乃馨”。
h****0 2018-07-09
【 开发指南 】智能家居技能
为了尽快通过审核,请制设备控制,内容需包含主控和所有被控设备,需要可以成功控制被控设备的相功能项。 请发送至 xudandan02@baidu.com 邮件格式: 邮件标题:【技能审核】待审核技能名称邮件正文:正文需注明待审核技能ID,文件可使用附件或者网盘链接的形式发送 设备寄送(可选): 将技能中涉及的所有智能家居设备和设备相使用文档邮寄给DuerOS,以便DuerOS审核该技能; 寄送前需将设备与开发者账号授权绑定完成,并在使用文档中提供对应的账号和密码。 寄送信息: 通地址:市海淀区西旺东路10号院科技园4号楼 件人:张忠琦 联系电话: 18521725422 正式发布上线的技能,将会在哪里显示? 小音箱 等无屏音箱 针对无屏音箱等设备,可以使用 小音箱\厂商自有 app “智能家居” 里查看并启用已上线的智能家居技能; 小在家 等有屏设备 小在家\厂商自有app——发现更多——智能家居 小在家设备内——更多——智能家居 亮\风速…等是否支持设置成50%的程值,是否提供相应的接口信息? 支持亮等程值的设定。
c****2 2018-07-10
个性化推荐(一)
YouTube 个性化推荐系统结构 候选生成网络(Candidate Generation Network) 候选生成网络将推荐问题建模为一个类别数极大的多类分类问题:对于一个Youtube用户,使用其观看历史(ID)、搜索(search tokens)、人口学信息(如地理位置、用户登设备)、二值特征(如性别,是否登)和连续特征(如用户年龄)等,对库中所有进行多分类,得到每一类别的分类结果(即每一个的推荐概率),最终出概率较高的几。 首先,将观看历史及搜索这类历史信息,映射为向量后取平均值得到定长表示;同时,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,并给非线形多层感知器(MLP,详见识别数字教程)处理。最后,训练时将MLP的出给softmax分类,预测时计算用户的综合特征(MLP的出)与所有的相似,取得分最高的kk个作为候选生成网络的筛选结果。图2显示了候选生成网络结构。 图2.
C****X 2018-07-10
群雄逐“图”,缘何备受注?
我们发现,高精地图领域的局者基本上可以分为这样几类,以Google 为表的互联网企业,包括;以丰田、特斯拉为首的车企大厂;以Moblieye(已经被英特尔购)为主的传感器厂商;以及包括 TomTom、四维图新、高德等在内的图商。 不过仔细想想,局归局,但是要想玩的比别人都好,成为领先的玩家,确实不是一件容易的事儿。 其实对高精地图的研发,除了在技术上需要攻克一些难之外,更需要站在自动驾驶产业链的角上思考问题。高精地图是自动驾驶的专属地图,了解车的需求或许比“造图”本身更重要。 如果从开发者的角来看,以表的互联网企业以及传统车企或许在整合产业链资源,全局手的能力上更占优势。 于高精地图的一些based问题 地图,对于人们的日常生活来说很普遍。 通常我们了解的都是用于导航、查询地理信息的传统电子地图,这类地图主要服务的是人类驾驶员。 传统电子地图 (图片来源于文章《高精地图在无人驾驶中的应用》) 如图所示,传统电子地图是对路网的一种抽象表现,将路网抽象成有向图的形式。 什么是有向图形式? 简单来说就是图的顶点表路口,边表路口与路口的连接。
y****n 2018-07-09
Apollo 自动驾驶感知技术分享
上图是点云出,下图是图像感知示例。Level3 检测结果障碍物,对于 Level4 来说,不仅知道这是车,而且可以将其按大车、小车分类,因为大车和小车的开车方式不一样。不同的车,出的决策规划不一样。你可以超小车,但无超大车。 我们需要一个很细的障碍物分类,这根据的不同划分,有点云分类和障碍物中的分类。著名例子是红绿灯的识别,你需要判断交通灯的颜。障碍物检测分类,我们得出障碍物信息,这样有利于我们后续决策。 我们要知道每个障碍物可能运行的轨迹,它会不会超车、插车道或者无故变线,这需要障碍物跟踪。障碍物跟踪是很重要的模块。我们要运用障碍物,也有对场景的分析,我们点云也用到这个。 我们在图像级别会类似的分割,目的是我们场景建模和语义化的描述。我们有很多任务,每个任务是多源的,包括激光雷达、图像等。如果要用 Apollo 搭建感知系统,如何选择传感器、传感器配置?希望它什么任务。 这是三种基本传感器的效果对比,LiDAR 是激光雷达,Radar 是汽车通用毫米波雷达,Camera 是摄像头。绿得好,黄得普通,红得差。
TOP