关于 红蜘蛛池程序品牌图片σσ:171616 的搜索结果,共407
h****e 2018-07-10
:我从哪里来?
总结 BNS系统满足服务间交互中常见的的资源定位、IP白名单维护等需求,也可以用于机器列表查询,使用场景包括机器列表查询、服务定位、白名单维护、数据库智能授权等,解决了“我是谁?我从哪里来?该往哪里去?”的问题。 今天我们一起聊了百度云Noah智能运维产中的BNS系统,目前系统还在持续迭代和优化中,若您想进一步了解BNS问题,欢迎大家积极留言。
不****主 2018-07-09
高精地
高精地还包含很多语义信息,地上可能会报告交通灯不同颜色的含义,也可能指示道路的速度限制,及左转车道开始的位置。 高精地最重要特征之一是精度,手机上的导航地只能达到米级精度,而高精地可以使车辆能够达到厘米级的精度,这对确保无人车的安全性至关重要。 二、高精地与定位、感知规划的关系 高精地用于定位 高精地是Apollo平台的核心,许多无人驾驶车模块都有赖于高精地,有了高精地我们就需要在该地上进行自定位。这意味着需要弄清我们在地上的位置,这就是定位——无人驾驶车辆在地上的确切位置。 首先车辆可能会寻找地标,我们可以使用从各类传感器收集的数据,如摄像机像数据、激光雷达收集的三维点云数据来查找地标。车辆将其收集的数据与其在高精地上的已知地标进行比较,这一匹配过是需要预处理、坐标转换、数据融合的复杂过。 无人车的整个定位过取决于高精地,所以车辆需要通过高精地明确它处于什么位置。 高精地用于感知 无人车也可以使用高精地来帮助感知,就像人的眼睛和耳朵会受到环境因素的影响一样,无人车的传感器也是如此。
x****3 2018-07-10
零基础认识深度学习——猿人的第一次直立行走
比如说我用100万张标记好这是猫还是狗,AI把内各个段的特征提取出来,生成一个猫狗识别模型。然后我们再给这个模型套上接口做成猫狗检测,每给这个一张照它就能告诉你有多大几率是猫多大几率是狗。 这个识别模型是整个中最关键的部分,可以模糊的认为它就是一个密封黑盒的识别函数。以前我们写都是做if-then-else因果判断,但像特征没有因果关系只看关联度,过去的工作经验反而成了新的认知障碍,还不如就将其当做黑盒直接拿来用。 接下来我放一个模型训练和推测的实验步骤截,向大家说明两个问题: 1.需要用客户的现场数据做训练才能出模型,训练模型不是软件外包堆人日就行,很难直接承诺模型训练结果。 2.训练模型的过很繁琐耗时,但并不难以掌握,其工作压力比DBA在线调试SQL小多了,IT工师在AI时代仍有用伍之地。 三、动手实验 本节较长,如果读者对实验步骤和结果没兴趣,而是直接想看我的结论,也可以跳过这一节。这个实验是Nvidia提供的入门培训课——ImageClassification with DIGITS - Training a model。
陶****子 2018-07-09
使用nodejs BOT SDK开发问答类技能模板
开发者需要下载技能CFC函数完整zip包到本地进行开发,开发完成后上传函数zip包进行发布。具体流如下: 在CFC控制台通过模板创建函数, 选择node.js DuerOS Bot SDK模板 函数生成后,在函数控制台点击点击下载完整 ZIP 包链接下载包 在本地解压包 将https://github.com/dueros/bot-sdk-node.js/blob/master/samples/trivia/questions.js文件拷贝到包文件夹中 使用https://github.com/dueros/bot-sdk-node.js/blob/master/samples/trivia/index.js替换包文件夹中的index.js文件 将包文件夹中的所有文件重新打包成zip文件 在函数控制台上传zip包并保存 CFC操作说明请参阅函数计算 CFC 完整代码 const Bot = require('bot-sdk'); const privateKey = require(".
C****X 2018-07-10
群雄逐“”,百度缘何备受关注?
高精度地计算架构 (来源于文章《高精地在无人驾驶中的应用》) 整体过可以简单描述为,陀螺仪(IMU)及轮测距器 (Wheel Odometer)可以高频率地给出当前车辆的位置预测,但由于其精确度原因,位置可能会有一定度的偏差。 为了纠正这些偏差,可以使用传感器融合技术(比如使用Kalman Filter) 结合GPS与激光雷达(LiDAR)的数据算出当前无人车的准确位置,然后根据当前的准确位置与激光雷达的扫描数据,把新数据加入地中。 如果探究具体的实践过,其实可以参照下面的关系式: (来源于文章《高精地在无人驾驶中的应用》) 其中Q代表优化方,z代表激光雷达扫描出的点,h为方预测最新扫描点的位置与反光度,m为扫描到的点在地中的位置,x代表无人车当前位置。 这个方的目的是通过最小化J求出测量点在地中的准确位置。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,再求出测量点在地中的准确位置m。 百度的高精度地如何制作而成? 百度将高精度地制作分为内外两部分,分别是外采、后台数据化处理、人工验证与发布,简单说就是外部采集+后期处理。
1****9 2018-07-11
【强势出击】第二期百度大脑体验师来袭
立即体验车辆外观损伤识别:http://ai.baidu.com/tech/vehicle/damage (3)像识别 新能力——钱币识别,精准识别中外钱币,支持数百类币种、数千种面额,识别准确率98%以上。 立即体验钱币识别:http://ai.baidu.com/tech/imagerecognition/currency 新升级——酒识别升级,识别结果增加更丰富的信息,包括:酒的国家、产区、酒庄、类型、糖分、色泽、葡萄种、尝温度、酒描述等。 立即体验酒识别:http://ai.baidu.com/tech/imagerecognition/redwine (4)像处理 新能力——黑白像上色,智能识别黑白像内容并填充色彩,使黑白像变得鲜活。 立即体验黑白像上色:http://ai.baidu.com/forum/topic/show/942883 新能力——拉伸像恢复,自动识别过度拉伸的像,将像内容恢复成正常比例。
M****点 2018-07-10
中国云计算现状——产
一个经典PaaS服务应该只是一个进,进是无法长期存储数据的,小量结构化数据依赖数据库存储,海量数据依赖对象存储。 云数据库(如RDS)很重要但想象空间有限,因为企业里已经有数据库和DBA了,DBA并不信任云端未知架构数据库的性能、稳定性和数据安全性,而且企业仍然需要DBA承担设计维护工作。 对象存储服务是新兴需求,企业里本来就没大规模对象存储搭建能力,而且对象存储对应用友好上手简单,客户对它是积极拥抱甚至业务依赖。一旦用户在对象存储平台堆积了上TB的数据,大数据和AI分析应用自然就部署上来了。广域网传输稳定性不够成本又过高,只能是计算组件跟着存储就近部署,PaaS云创业公司从对象存储入手才更有客户粘性和横向扩展空间。 大数据类PaaS类似于云数据库,用户要自带海量数据过来,Mapreduce过和结果又都要用户负责,最终客户觉得云平台什么都没做,大数据PaaS服务都用成IaaS定制模板虚拟机了。而AI类PaaS类似于对象存储,用户本来要靠人肉识,那些非结构数据本来是不存储的,员很乐意去调AI和存储接口,砸碎人肉识团队的饭碗才能成全自己的业绩。
c****2 2018-07-10
个性化推荐(一)
这些特征的处理方式和候选生成网络类似,不同之处是排网络的顶部是一个加权逻辑回归(weighted logistic regression),它对所有候选视频进行打分,从高到底排后将分数较高的一些视频返回给用户。 融合推荐模型 本节会使用卷积神经网络(Convolutional Neural Networks)来学习电影名称的表示。下面会依次介绍文本卷积神经网络以及融合推荐模型。 文本卷积神经网络(CNN) 卷积神经网络经常用来处理具有类似网格拓扑结构(grid-like topology)的数据。例如,像可以视为二维网格的像素点,自然语言可以视为一维的词列。卷积神经网络可以提取多种局部特征,并对其进行组合抽象得到更高级的特征表示。实验表明,卷积神经网络能高效地对像及文本问题进行建模处理。 卷积神经网络主要由卷积(convolution)和化(pooling)操作构成,其应用及组合方式灵活多变,种类繁多。本小结我们以如3所示的网络进行讲解: 3. 卷积神经网络文本分类模型 假设待处理句子的长度为nn,其中第ii个词的词向量为xi∈ℝkxi∈Rk,kk为维度大小。
TOP