关于 迷香使用方法【V信;799.196.362】纷 的搜索结果,共554
k****0 2018-07-09
使Python SDK开发语录类技能模板
语录类技能模板的交互模型 语录类技能跟户的交互很简单。户说“来一个”,技能从语录列表中选取一条读给户,户可以继续说“来一个”继续听语录,或者说“退出”以结束交互。 使模板开发技能的流程 新建技能 新建技能详情请参阅自定义技能创建 配置意图 意图配置详情请参阅意图、常表达和槽位 语录类技能模板需要创建“获取语录”意图。获取语录意图如下图所示: 配置技能服务部署 语录类技能模板使CFC部署技能服务。使CFC部署技能服务详情请参阅 百度云CFC 修改CFC函数代码 开发者通过模板创建函数以后,可在线编辑函数。创建修改CFC函数具体流程如下: 登录CFC控制台 通过模板创建函数, 选择Python DuerOS Bot SDK模板 将下面代码内容覆盖在线编辑框中代码 修改 launch_request 中的相关内容,如 template.set_background_image(), template.set_title()中的参数 修改 getQuotations 中的语录列表 保存 CFC操作说明请参阅函数计算 CFC 测试技能 至此,语录累技能就开发完成了。
1****9 2020-08-27
百度carlife为何不更新车机版
连接安卓8.0以上,大部分车都无使carlife,连到85%自己断了。
陶****子 2018-07-09
使nodejs BOT SDK开发问答类技能模板
如: 增加更多意图,比如放弃当前问题意图,下一题意图,帮助意图等等 使数据库或其他式存储息和得分,以便增加更多功能。如户抽奖功能,或者分享功能。
l****m 2018-07-10
词向量(一)
神经网络求词向量之前,传统做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效果; 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效果。 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训练一个词向量模型。
h****l 2018-07-09
大数据时代下的隐私保护(二)
简单来说,k-anonymity 的目的是保证公开的数据中包含的个人息至少k-1 条不能 通过其他个人息确定出来。也就是公开数据中的任意quasi-identifier 息,相同的 组合都需要出现至少k 次。 举个例子,假设一个公开的数据进行了2-anonymity 保护。如果攻击者想确认一个人 (小明)的敏感息(购买偏好),通过查询他的年龄、邮编和性别,攻击者会发现数 据里至少有两个人是有相同的年龄、邮编和性别。这样攻击者就没办区分这两条数据 到底哪个是小明了,从而也就保证了小明的隐私不会被泄露。 下面这个表就是2-anonymization 过的息: k-anonymity 的主要有两种,一种是删除对应的数据列,星号(*)代替。另外 一种概括的使之无区分,比如把年龄这个数字概括成一个年龄段。对于邮编这样的数据,如果删除所有邮编,研究人员会失去很多有意义的息,所以可以选 择删除最后一位数字。 从这个表中,即使我们知道小明是男性、24 岁、邮编是100083,却仍然无知道小 明的购买偏好。
金****洲 2018-07-09
百度安全实验室|机器学习对抗性攻击报告
在对 每一个模型攻击的时候,作者假设已知其余的4 个模型,并集合的式作白盒子对 抗图形的构造。同样的,作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。在算经过100 次的迭 代对权重向量的更新,loss function 得以汇聚。作者发现有许多攻击者预先设定的标 记也得到了传递。详细结果参见表2。格子(i,j)代表除了模型i 之外的4 个其他算 生成的对抗图片,模型j 来验证得到的定向标记的准确值。可以看出,当目标模型包 含在已知模型集合中,定向类标记的传递性都在60%以上。即使目标模型不在已知模 型集合中,定向标记的准确值也在30%以上。 表2 针对不同源机器学习模型构造的定向对抗性攻击(ensemble )在目标模 型的攻击效果。 作者同样使了ensemble 算进行非定向攻击。攻击结果如表3 所示。可以看出 和表1 相比,ensemble 算的欺骗性大幅度提升。 表3 针对不同源机器学习模型构造的非定向对抗性攻击(ensemble )在目标 模型的攻击效果。
c****2 2018-07-10
个性化推荐(一)
该系统首次提出了基于协同过滤来完成推荐任务的思想,此后,基于该模型的协同过滤推荐引领了个性化推荐系统十几年的发展向。 传统的个性化推荐系统主要有: 协同过滤推荐(Collaborative Filtering Recommendation):该是应最广泛的技术之一,需要收集和分析户的历史行为、活动和偏好。它通常可以分为两个子类:基于户 (User-Based)的推荐[1] 和基于物品(Item-Based)的推荐[2]。该的一个关键优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户存在冷启动的问题,同时也存在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):该商品的内容描述,抽象出有意义的特征,通过计算户的兴趣和商品描述之间的相似度,来给户做推荐。
f****8 2018-07-09
如何调试Dreamview启动问题?
Dreamview的启动步骤 如果在docker / scripts / dev序列中启动Dreamview时遇到问题,请首先检查是否使了如下所示的正确命令。 $ bash docker/scripts/dev_start.sh $ bash docker/scripts/dev_into.sh $ cd /apollo $ bash apollo.sh build $ bash scripts/dreamview.sh Dreamview启动失败 如果Dreamview无启动,请使下面的脚本检查Dreamview的启动日志并重新启动Dreamview。
1****2 2018-07-09
百度安全:AI 是系统工程 需要真正开放的安全护航
它首创了应状态在线查询机制,是一种生态联防、去中心化的安全案:开发者能及时提供应状态;安全厂商能大规模扫描监控签名息生成 息,并在端上结合息判断App 是否恶意;应商店可以收纳开发者提交的 应息,并定期下架有问题的App;设备厂商则能通过OASP 的签名机制进行额外的安全校验。 传输层面的安全 终端设备和云端服务通的过程中,传输通道的安全性至关重要,一旦被黑客恶意 劫持,设备和云端服务器的数据也就都处在风险中。而现在普遍应的TLS/SSL 案 是基于非内存安全语言编写,容易被黑客利内存安全漏洞攻击,而且未来也面临着被 量子计算机破解的威胁。 而百度安全基于内存安全技术的下一代可配置嵌入式安全通协议栈MesaLink, 在语言层面提供内存安全保障,算层面提供后量子密码对抗能力。这就使得网络传输 可以避免OpenSSL“心脏流血”等高危漏洞隐患,并且能对抗量子密码学攻击,进一 步增强网络传输层的安全。
TOP