关于 迷幻听话型香烟作用效果【V信;799.196.362】棵 的搜索结果,共804
l****m 2018-07-10
词向量(一)
神经网络求词向量之前,传统做法是统计一个词语的共生矩阵XX。XX是一个|V|×|V||V|×|V| 大小的矩阵,XijXij表示在所有语料中,词汇表VV(vocabulary)中第i个词和第j个词同时出现的词数,|V||V|为词汇表的大小。对XX做矩阵分解(如奇异值分解,Singular Value Decomposition [5]),得到的UU即视为所有词的词向量: X=USVTX=USVT 但这样的传统做法有很多问题: 由于很多词没有出现,导致矩阵极其稀疏,因此需要对词频做额外处理来达到好的矩阵分解; 矩阵非常大,维度太高(通常达到106×106106×106的数量级); 需要手动去掉停词(如although, a,...),不然这些频繁出现的词也会影响矩阵分解的。 基于神经网络的模不需要计算和存储一个在全语料上统计产生的大表,而是通过学习语义息得到词向量,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词向量的细节,以及如何PaddlePaddle训练一个词向量模
金****洲 2018-07-09
百度安全实验室|机器学习对抗性攻击报告
表1 针对不同源机器学习模构造的非定向对抗性攻击方法(单网络优化方法)在目 标模的攻击。其中,ResNet-50, ResNet-101, ResNet-152,GoogLeNet,Incept-v3 和VGG-16 是当下流行的深度神经网络图像识别系统。 然而,者还使了同样的实验方法测试了定向性对抗性攻击在目标模。 结表明定向类标记的传递性差了很多,只有小于等于4%的对抗性图像在源、目标机 器学习模中都识别出相同的定向标记。 基于此,者提出了ensemble 方法。它是以多个深度神经网络模为基础构造对 抗图片,即将图4 中单个已知机器学习模替换成多个不同的已知机器学习模,并共同产生一个对抗性图像。 在实验设计中,者对5 个不同的深度神经网络模一一实施了黑盒子攻击。在对 每一个模攻击的时候,者假设已知其余的4 个模,并集合的方式白盒子对 抗图形的构造。同样的,者分别使基于优化的攻击手段,和基于Fast Gradient 的 手段构造对抗性图片。构造图片依然使的是Adam 优化器。
嘟****y 2018-07-11
企业适的云平台账户体系
单账户大通铺模式下,所有的平台短和邮件都往一个账户发就行了,但现在要重新设计。我的一线技术工经历并不依赖第三方(如云平台)通知机制,对通知功能的研究较少,所以我只能提出通性设计建议: a.别把平台维护通知当做甩锅通知,大客户会因此忙到鸡飞狗跳。 b.员工正常操不要通知到管理员,自然人收到的息太多会麻木。 c.员工执行摧毁核心资源等高危的操要及时通知管理员。 d.这些操日志可以通过API等方式对接到企业自身的平台。 e.合规和安全风险发送平台管理员和资源池管理员。 云平台有通知机制就要有管理权限,比如说某IP存在合规隐患,管理员要能查看和操该IP;否则平台管理员只能组织各部门领导开会,平台的管理员一般不是公司高管,其处理速度和处理就很慢也很扰民了。 第五.其他随笔说明 a.过去云管平台做计费和权限开发很繁琐,云平台支持精细控制后云管平台的对接成本会瞬间降低,那些功能缺失又不是行业标杆的云平台会云管平台被逐渐放弃接入。 b.有客户想给不同资源组做不同资源单价,这是个弱需求,该需求技术实现繁琐且有客户可接受的变通方法,比如子账户登陆只计量不计价,价格在心中。
c****2 2018-07-10
个性化推荐(一)
优点是简单直接,不需要依据其他户对商品的评价,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户同样存在冷启动的问题。 组合推荐[5](Hybrid Recommendation):运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于个性化推荐系统领域中。深度学习具有优秀的自动提取特征的能力,能够学习多层次的抽象特征表示,并对异质或跨域的内容息进行学习,可以一定程度上处理个性化推荐系统冷启动问题[6]。本教程主要介绍个性化推荐的深度学习模,以及如何使PaddlePaddle实现模展示 我们使包含息、电影息与电影评分的数据集为个性化推荐的应场景。当我们训练好模后,只需要输入对应的户ID和电影ID,就可以得出一个匹配的分数(范围[0,5],分数越高视为兴趣越大),然后根据所有电影的推荐得分排序,推荐给户可能感兴趣的电影。
双****4 2018-07-10
词向量(三)
文章结构: 词向量 背景介绍 展示 模概览 数据准备 编程实现 模 总结 参考文献 模 在模训练后,我们可以它做一些预测。预测下一个词:我们可以我们训练过的模,在得知之前的 N-gram 后,预测下一个词。
用****在 2018-07-10
词向量(二)
5.8, # 我们就认为模已经达到很好的可以停止训练了。
x****7 2018-07-10
从外行进阶专业 传统企业AI转差的可能只是一个百度EasyDL
所谓平台化,即AI技术以最低的门槛向外输出,合伙伴基于场景进行开发,于解决实际问题;而生态化的核心,就是核心技术平台不争利,放利给生态伙伴,进而产生巨大辐射应。 百度EasyDL展示百度AI开放生态的一种策略:平台化的思路,将AI规模化落地,实实在在解决真问题。 近期,大量个人也正加入到EasyDL的开发者行列中来。比如有位“天文”孙睿康同学,基于EasyDL设计了一个超新星自动搜寻系统,希望通过对星云图片的AI技术分析,发现可能存在宇宙中的超新星,这一脑洞大的研究成,已被哈尔滨工业大学《智能计算机与应》刊发。而孙睿康只是一名高中生,这清楚不过地表明了EasyDL在推动AI普惠上的可能性。 AI所带来的惊喜,才刚刚开始。 欢迎点击【EasyDL定制化训练及服务平台】,了解更多产品内容。 如需合咨询可点击屏幕右下角标志,提交具体咨询息;或可进入AI开发者社区,进行沟通交流。
x****3 2018-07-10
零基础认识深度学习——猿人的第一次直立行走
5.搞AI需要准备大量数据,中国对美国有个特色优势,可以做数据标注的人很多而且价格便宜,但到模实践这一步,中国的人力成本太低又限制了AI走向商。 6.不要恐慌AI会消灭人类,对人类有威胁的AI肯定是有缺陷的AI,但人类一样也选出过希特勒这类有缺陷的领袖。也不要鼓吹AI会让人类失业社会动荡的,大家还是老老实实谈星座运势吧,我为什么就不担心自己失业? 7.有些事AI的确准率看起来很低实其很高,比如两人对能清楚80%的字就不错了,AI只懂85%了的文字已经越超人类了。你看我打倒颠字序并不影响你读阅啊。
y****n 2018-07-09
Apollo 自动驾驶感知技术分享
Apollo 搭建感知系统,如何选择传感器、传感器配置?希望它做什么任务。 这是三种基本传感器的对比,LiDAR 是激光雷达,Radar 是汽车通毫米波雷达,Camera 是摄像头。绿色代表做得好,黄色代表做得普通,红色代表做得差。最后,说明了三种传感器融合是最好的。 那么 ,感知系统开放模块怎么做? 点云感知。开放了 LiDAR 点云检测,可以判断点云里的每个点是否为障碍物,障碍物的类是什么。 感知框架。的是深度学习,它可以做到精准检测和识别。而深度学习非常耗费计算量。需要依靠搭建的车载智能系统,来支撑深度学习模,以达到毫秒级感知。 高精地图。先以当前的激光雷达为坐标系核心,把地图中的点投到坐标系里。然后建立快速的表格,根据感知的距离扩大坐标区域。之后对俯视图进行网格化,网格化参数可以在 Apollo 进行配置。最后输送给障碍物检测。 障碍物检测。分为特征抽取、点云检测、点云聚类、后处理、闭包提取。
TOP