关于 麦可奈因怎么用【V信;799.196.362】鸵 的搜索结果,共787
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,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,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。
y****n 2018-07-09
Apollo 自动驾驶感知技术分享
这些息会被我们决策模块进行分析和提取,在周围环境车辆行驶状况下,下一步走才是安全的。控制模块会让车向前行,感知模块获得新的息,不停循环,应对更新的环境状态,实现整体良性的循环。 核心:感知来做什? 感知的输入跟环境相关。只要符合条件,都以被列为感知。在 Level3 和 Level4 里定义的细分任务,把输入输出具体化。 障碍物检测,包括人、车、石头、树木等。上图是点云输出,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,而且以将其按大车、小车分类,为大车和小车的开车方式不一样。不同的车,做出的决策规划不一样。你以超小车,但无法超大车。 我们需要一个很细的障碍物分类,这根据输入的不同划分,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色。障碍物检测分类,我们得出障碍物息,这样有利于我们做后续决策。 我们要知道每个障碍物能运行的轨迹,它会不会超车、插入车道或者无故变线,这需要障碍物跟踪。障碍物跟踪是很重要的模块。我们要运障碍物,也有对场景的分析,我们点云也到这个。
TOP