关于 站群关键词优化σσ:735894904 的搜索结果,共335
C****X 2018-07-10
雄逐“图”,百度缘何备受注?
高精度地图的势就在于提供车道级别的区分,可以在变道的过程中提供若干个参考的车道、区域的变、自动车道的辅助信息等来完成变道、变向的部分操作。 有高精度地图的数据问题 都知道高精度地图需要很强大的数据实时更新功能,那么如何破解数据带给地图的诸多问题呢?无外乎从两个方面入手,一方面是数据采集,另一方面是数据处理。 更进一步来说,首先需要靠人和车来采集数据,其次依托机器和算法来处理数据。当作图问题转为数据问题时,这对互联网企业发挥势就有“神助攻”的作用了。 于地图数据采集 目前从全球范围内观察,高精度地图测绘数据采集的方式主要集中两类,一种以谷歌、here的地图测绘车为主要力量,例如here高精度测绘车上的激光雷达传感器可以一秒内感知约60万个扫描点(其中包括周边建筑物、树木等),一天内测绘车能够收集和处理的数据超过100G。
双****4 2018-07-10
向量(三)
整个程序的入口很简单: def main(use_cuda, is_sparse): if use_cuda and not fluid.core.is_compiled_with_cuda(): return params_dirname = "word2vec.inference.model" train( if_use_cuda=use_cuda, params_dirname=params_dirname, is_sparse=is_sparse) infer(use_cuda=use_cuda, params_dirname=params_dirname) main(use_cuda=use_cuda, is_sparse=True) 总结 本章中,我们介绍了向量、语言模型和向量的系、以及如何通过训练神经网络模型获得向量。在信息检索中,我们可以根据向量间的余弦夹角,来判断query和文档这二者间的相性。在句法分析和语义分析中,训练好的向量可以用来初始模型,以得到更好的效果。
l****m 2018-07-10
向量(一)
基于神经网络的模型不需要计算和存储一个在全语料上统计产生的大表,而是通过学习语义信息得到向量,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向量的细节,以及如何用PaddlePaddle训练一个向量模型。 效果展示 本章中,当向量训练好后,我们可以用数据可视算法t-SNE[4]画出语特征在二维上的投影(如下图所示)。从图中可以看出,语义相语(如a, the, these; big, huge)在投影上距离很近,语意无(如say, business; decision, japan)在投影上的距离很远。 图1. 向量的二维投影 另一方面,我们知道两个向量的余弦值在[−1,1][−1,1]的区间内:两个完全相同的向量余弦值为1, 两个相互垂直的向量之间余弦值为0,两个方向完全相反的向量余弦值为-1,即相性和余弦值大小成正比。
用****在 2018-07-10
向量(二)
我们在上文中已经讲到用条件概率建模语言模型,即一句话中第tt个的概率和该句话的前t−1t−1个。可实际上越远的语其实对该的影响越小,那么如果考虑一个n-gram, 每个都只受其前面n-1个的影响,则有: P(w1,...,wT)=∏t=nTP(wt|wt−1,wt−2,...,wt−n+1)P(w1,...,wT)=∏t=nTP(wt|wt−1,wt−2,...,wt−n+1) 给定一些真实语料,这些语料中都是有意义的句子,N-gram模型的目标则是最大目标函数: 1T∑tf(wt,wt−1,...,wt−n+1;θ)+R(θ)1T∑tf(wt,wt−1,...,wt−n+1;θ)+R(θ) 其中f(wt,wt−1,...,wt−n+1)f(wt,wt−1,...,wt−n+1)表示根据历史n-1个得到当前wtwt的条件概率,R(θ)R(θ)表示参数正则项。 图2.
c****2 2018-07-10
个性推荐(一)
该方法的一个势是它不依赖于机器去分析物品的内容特征,因此它无需理解物品本身也能够准确地推荐诸如电影之类的复杂物品;缺点是对于没有任何行为的新用户存在冷启动的问题,同时也存在用户与商品之间的交互数据不够多造成的稀疏问题。值得一提的是,社交网络[3]或地理位置等上下文信息都可以结合到协同过滤中去。 基于内容过滤推荐[4](Content-based Filtering Recommendation):该方法利用商品的内容描述,抽象出有意义的特征,通过计算用户的兴趣和商品描述之间的相似度,来给用户做推荐。点是简单直接,不需要依据其他用户对商品的评价,而是通过商品属性进行商品相似度度量,从而推荐给用户所感兴趣商品的相似商品;缺点是对于没有任何行为的新用户同样存在冷启动的问题。 组合推荐[5](Hybrid Recommendation):运用不同的输入和技术共同进行推荐,以弥补各自推荐技术的缺点。 近些年来,深度学习在很多领域都取得了巨大的成功。学术界和工业界都在尝试将深度学习应用于个性推荐系统领域中。
s****5 2018-07-10
个性推荐(二)
paddle.dataset.movielens.train 每次会在乱序后提供一个大小为BATCH_SIZE的数据,乱序的大小为缓存大小buf_size。 train_reader = paddle.batch( paddle.reader.shuffle( paddle.dataset.movielens.train(), buf_size=8192), batch_size=BATCH_SIZE) test_reader = paddle.batch( paddle.dataset.movielens.test(), batch_size=BATCH_SIZE) 构造训练过程(trainer) 我们这里构造了一个训练过程,包括训练函数。 提供数据 feed_order用来定义每条产生的数据和paddle.layer.data之间的映射系。比如,movielens.train产生的第一列的数据对应的是user_id这个特征。
金****洲 2018-07-10
混乱的集遇见TA 从此岁月静好
AHALO全称Hybrid-cloud Application Layout and Operation system,顾名思义,它是私有云或混合云环境中的基础设施部署和集控制系统,是混乱集中的第一束光,让无序的集世界变得有序可控,是云最底层的基石,肩负着裸机环境配置,root域权限控制和智能托管基础设施的重任。如果没有HALO,集机器将处于失控的状态。它屏蔽了云服务底层繁杂的管控逻辑,提供简接口给上层系统NoahEE调用,使上层系统更好更快地释放价值。 Q这么秀的系统到底是如何实现的呢? AHALO系统采用主从架构,分为Master端和Agent端。 Master端主要做复杂的任务调度和管控逻辑,并且所有功能都是模块设计,用户可以根据自己的需求定制安装,包括虚拟容器管理,应用包管理、部署、扩缩容、拓扑搭建和保活,集控制等。 Agent端则以简单为原则,弱繁琐功能,仅作为任务的执行器,其中的supervisor组件,结合父子双进程原理,做到自升级和自保活,把云运维人员的工作量降到最低。 整个系统的工作流程也十分简洁雅!
TOP