ICode9

精准搜索请尝试: 精确搜索
  • Transformer——Attention Is All You Need经典论文翻译2022-08-30 12:03:17

    转载自:Transformer——Attention Is All You Need经典论文翻译(邓范鑫——致力于变革未来的智能技术)   本文为Transformer经典论文《Attention Is All You Need》的中文翻译https://arxiv.org/pdf/1706.03762.pdf   注意力满足一切 Ashish Vaswani Google Brain avaswani@googl

  • 时间序列分析 (4) — ARIMA 模型:ACF、PACF2022-08-30 07:01:25

    时间序列分析 (4) — ARIMA 模型:ACF、PACF 在上一篇文章中,我们谈到了AR,MA模型,今天我们将研究ARIMA和ARMA模型,它们是由AR和MA模型组成的。 自相关函数 (ACF) 平稳条件,特征方程 (특성방정식) absolute of solutions of this equation are bigger than 1 增强现实(2) AR(2) w

  • 你好大语言模型2022-08-30 07:00:38

    你好大语言模型 使用 Google Colab 首次涉足 Bloom 作为我的硕士课程 Capstone 项目的一部分,我将探索如何实现大型语言模型 (LLM)。我确信这种探索会产生许多博客文章,但对于初学者来说,我只想试一试,看看它在高水平上是如何工作的。 对于初学者来说,LLM 是一种自然语言处理 (NLP) 机

  • 物联网设备上云难?华为云IoT帮你一键完成模型定义,快速在线调试设备2022-08-29 15:34:11

    摘要:在不到3分钟的操作里,不仅完成了一款智慧烟感设备在云端的模型定义,还通过在线调试了解到了设备和远端通信的过程。 本文分享自华为云社区《物联网设备上云难?华为云IoT帮你一键完成模型定义,快速在线调试设备》,作者:华为IoT云服务 。 物联网,即字面意思,让“物”连上网络,比如,手机需

  • PySpark ML 预测流失用户2022-08-28 18:00:25

    PySpark ML 预测流失用户 项目定义 这是 Udacity 的 Capstone 项目,使用 Spark 分析来自音乐应用 Sparkify 的用户行为数据。主要目标是根据音乐应用程序的用户日志数据预测客户流失。日志包含有关用户的一些基本信息和有关单个操作的信息。 在本文中,我构建了机器学习管道以使用 Py

  • 在 ML.NET 中使用Hugginface Transformer2022-08-28 12:33:27

    本文主要来自 https://rubikscode.net/2021/10/25/using-huggingface-transformers-with-ml-net/ ,根据自己的理解做了一些修改。ML.NET 集成的ONNX运行时,Hugginface提供了一种以ONNX格式导出Transformers的方法。 首先以 ONNX 文件格式导出 Hugginface Transformer , ML.NET 然后将

  • 深入理解“字符编码模型”2022-08-28 03:00:31

    深入理解“字符编码模型” 作者:哲思 时间:2022.8.28 邮箱:zhe__si@163.com GitHub:zhe-si (哲思) (github.com) 前言 最近踩坑了后端的文档生成,本想写篇相关的实践总结,忽然感悟到电子文档的魅力,尤其以“字符编码模型”为最,特此进行研究并写下此文。 不了解Unicode、UTF-8、UTF-16、

  • ML第21周学习小结2022-08-28 01:30:09

    本周收获 总结一下本周学习内容: 1、《机器学习》第14章:概率图模型 14.1 隐马尔可夫模型 14.2 马尔科夫随机场 14.3 条件随机场 14.4 学习与推断 14.5 近似推断 14.6 话题模型

  • 机器学习:概率图模型2022-08-28 00:31:52

    1、基本概念 概率图模型(probabilistic graphical model)是一类用图结构来表达各属性之间相关关系的概率模型, 一般而言:图中的一个结点表示一个或一组随机变量,结点之间的边则表示变量间的相关关系,从而形成了一张“变量关系图”。 概率图模型分为贝叶斯网络(Bayesian Network)和马尔可夫

  • UE导入FBX、GLTF模型2022-08-27 18:30:44

    楔子 虽然做了很多年的三维可视化,不过都主要还是web端开发为主(webgl,threejs,有兴趣的读者也可以关注下我的相关专栏)。最近准备入手一下UE,顺便做一下知识梳理。 所以文章可能都是比较粗浅的,对于UE大佬可以忽略。 目标主要是实现数字孪生可视化相关,会围绕此目标整理相关的知识点。有

  • AI模型集成到业务系统的方式演化2022-08-27 17:35:13

        如今,AI模型百花齐放,在业务场景中的使用是越来越多,那AI模型是如何集成到系统中的呢?这几年的集成方式又有何变化呢?   在一些早期系统中,模型比较简单,这时,真正在线上系统部署模型时,模型只是以算法的形式出现,模型参数作为算法所需要的“数据”,存储在内存或分布式缓存(如Redis)

  • 安全规约-第一讲2022-08-27 16:04:23

      时间:2022/08/27   课程链接:安全规约(第一讲)   对于如何定义一个密码系统中的算法要从以下七个方面入手: 1. 定义这个密码系统的安全服务,这就和写论文一样,需要讲好一个故事,陈述一下这个密码系统的使用场景 2. 说明有哪些实体参与了这个密码系统 3. 说明该密码系统中涉及到哪些

  • 用于知识图嵌入的多尺度动态卷积网络2022-08-27 02:01:33

    原文 Multi-Scale Dynamic Convolutional Network for Knowledge Graph Embedding 出版 IEEE Transactions on Knowledge and Data Engineering Volume: 34 Issue: 5 01 May 2022 申明 版权归原文作者及出版单位所有,如有侵权请联系删除 摘要 知识图是具有不完全或部分信息的大型

  • 线性回归实现2022-08-26 22:31:10

    深度学习第一章:最简单的线性回归实现 1. 引言 AI领域的线性回归和其他领域不太一样,包括了名词和实现方式,所以必须先认识重要名词,再把所有步骤熟悉一边,并建立在之前学习线性回归的基础上 2. 学习目的: 知道线性回归是什么 知道线性回归在深度学习领域怎么在python上实现 代码实现,运

  • 不容错过!什么是领域驱动设计?为什么落地这么难?2022-08-25 10:04:08

    引言 领域驱动设计并不是新的架构设计理论,从Eric Evans提出至今已经有十多年历史。由于微服务架构的兴起,DDD常用于指导微服务边界划分,并重新广泛进入软件研发大众的视野。DDD的理念及应用普及在国外相对成熟,在国内尚处于初期发展阶段。国内的很多社区以及企业组织内部近几年对于DD

  • jupyter notebook的安装和基本使用2022-08-24 22:02:53

    1.人工智能发展必备三要素 数据 算法 计算力 计算力之CPU和GPU的区别: CPU主要适用于I/O密集型的任务 GPU主要适用于计算密集型任务 2.人工智能,机器学习,深度学习三者的关系 机器学习是人工智能的一个实现途径 深度学习是机器学习的一个方法发展而来 3.机器学习概述 1.机

  • 如何根据已有的数据库sql文件,逆向生成模型类?2022-08-24 09:03:56

    这个情况是,我们已经在navicat工具上已经建立了一个数据库和若干数据表,然后我们在pycharm中与数据库建立连接得到了数据库的信息,但是因为是直接连接数据库取得的数据表信息,所以在应用的models模型类中并不存在数据表的信息,所以我们需要根据已有的数据库文件,逆向生成模型类。 在终端

  • 物联网低代码平台如何快捷管理资产?2022-08-23 18:30:23

    AIRIOT物联网低代码平台支持一招模型化,快捷管理资产。模型统一配置,海量资产轻松复用。支持自定义资产类型,通过类型可统一管理多个模型下的资产信息。   资产管理 资产列表 资产是平台中的具体设备信息,创建模型下的具体资产信息。 资产管理对平台中创建的资产信息进行统一的

  • Docker部署GPU模型服务2022-08-23 16:02:47

    Docker部署GPU模型服务 GPU 设置 Nvidia 开启GPU的持久模式 nvidia-smi -pm 1 添加docker 插件 # 不是ubuntu 18.04 这里要需要改 curl -s -L https://nvidia.github.io/nvidia-docker/ubuntu18.04/nvidia-docker.list | tee /etc/apt/sources.list.d/nvidia-docker.list sudo a

  • cs231n 随笔2022-08-23 10:01:51

    一、K最近邻算法(KNN)。 1. 有关K参数(统称超参数)选取,一种常见的方式是将数据集分为三部分,最大的训练集train set ,以及两个大小相当的验证集和测试集。通过训练集训练模型,再通过验证集选取合适的K参数,最终再用测试集去记录模型有效性。 2.  搜索 复制

  • 节选 软件建模与文档:架构师怎样绘制系统架构蓝图?2022-08-22 21:02:59

    软件建模所谓软件建模,就是为要开发的软件建造模型。模型是对客观存在的抽象,例如著名的物理学公式 E=mc2,就是质量能量转换的物理规律的数学模型。除了物理学公式以外,还有一些东西也是模型,比如地图是对地理空间的建模;机械装置、电子电路、建筑设计的各种图纸是对物理实体的建模。而

  • Attentional Factorization Machines: Learning the Weight of Feature Interactions via Attention Networ2022-08-22 17:31:15

    动机 本文是2017年IJCAI上的一篇论文。FM方法通过结合二阶特征交互来增强线性回归模型,它将这些特征交互一视同仁,给予它们一个相同的权重,但是并不是所有特征的交互都是有意义的,更具体的,不同的特征交互之间有不同的重要性。而FM模型忽略了这一点,这可能会带来一些噪声,本文作者提出了A

  • 计算机网络的五层模型和七层模型2022-08-21 15:31:51

    1.TCP/IP五层模型 应用层:为应用程序提供网络通信,http协议,dns协议(域名对应ip),ftp协议(文件传输) 传输层:实现端到端的通信,也就是主机到主机的通信,tcp协议,udp协议 网络层:实现不同网络之间的通信,使用路由器进行控制,提供ip地址,ip协议,arp协议(根据ip地址找到mac地址) 数据链路层:可以把物理层

  • 深度学习 之 模型部署【4】-libtorch入门 - pytorch部署torchscript 以及 c++ libtorch 调用 pytorch 模型2022-08-20 16:00:54

    pytorch 部署 torchscript from torchvision.models import resnet34 import torch.nn.functional as F import torch.nn as nn import torch import cv2 #读取一张图片,并转换成[1,3,224,224]的float张量并归一化 image = cv2.imread("flower.jpg") image = cv2.resize(image,(2

  • 广义线性模型(GLM)及其应用2022-08-20 10:32:48

    广义线性模型[generalize linear model(GLM)]是线性模型的扩展,通过联系函数建立响应变量的数学期望值与线性组合的预测变量之间的关系。它的特点是不强行改变数据的自然度量,数据可以具有非线性和非恒定方差结构。是线性模型在研究响应值的非正态分布以及非线性模型简洁直接的线性

专注分享技术,共同学习,共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有