1. 什么是NLP 自然语言处理 (Natural Language Processing) 是人工智能(AI)的一个子领域.自然语言处理是研究在人与人交互中以及在人与计算机交互中的语言问题的一门学科.为了建设和完善语言模型,自然语言处理建立计算框架,提出相应的方法来不断的完善设计各种实用系统,并探讨这些实用系统的评测方法. 2. NLP主要研究方向 信息抽取:从给定文本中抽取重要的信息,比如时间.地点.人物.事件.原因.结果.数字.日期.货币.专有名词等等.通俗说来,就是要了解谁在什么时候.什

吴恩达的deep Learning 吴恩达机器学习 李宏毅 的机器学习   http://speech.ee.ntu.edu.tw/~tlkagk/courses.html 斯坦福的概率图模型    和 CMU的概率图模型 斯坦福自然语言处理  cs224 斯坦福深度学习  视觉方向  cs231 这位大神的机器学习 比国内高校课程讲的都好吧  强化学习 斯坦福cs230:深度学习 | 吴恩达

内容来源:宜信技术学院第3期技术沙龙-线上直播|AI中台——智能聊天机器人平台 主讲人:宜信科技中心AI中台团队负责人王东 导读:随着“中台”战略的提出,目前宜信中台建设在思想理念及架构设计上都已经取得了很多成果.宜信是如何借助中台化的思想打造“AI中台”及相关的智能产品呢?本次直播,宜信科技中心AI中台团队负责人王东老师分享了宜信AI中台的具体实施路径,并重点介绍了AI中台的智能产品——智能聊天机器人平台,包括智能聊天机器人平台的背景理念.设计思想.技术架构和应用场景,该平台能提供什么样的能力

服务化部署框架Paddle Serving 概述 常见的深度学习模型开发流程需要经过问题定义.数据准备.特征提取.建模.训练过程,以及最后一个环--将训练出来的模型部署应用到实际业务中.如图1所示,当前用户在训练出一个可用的模型后,可以选择如下四种部署应用方式: 服务器端高性能部署:将模型部署在服务器上,利用服务器的高性能帮助用户处理推理业务. 模型服务化部署:将模型以线上服务的形式部署在服务器或者云端,用户通过客户端,请求发送需要推理的输入内容,服务器或者云通过响应报文将推理结果返回给用户.

绘制曲线时的点的控制 当我们在使用CV Curve Tool或者EP Curve Tool创建NURBS曲线的过程中,按下"Insert"键,配合键盘上的上.下箭头方向键,可以自由穿梭于各个EP或者CV之间,并任意地调整各个EP或者CV的位置.当再次按下"Insert"键,可以继续CV Curve Tool或者EP Curve Tool的操作,或者闭合曲线创建.很快捷的编辑你所创建的曲线. 用shift画直线 在maya中创建水平或者竖直线段时,除了使用网格捕捉并将

最近关注了一些Deep Learning在Information Retrieval领域的应用,得益于Deep Model在对文本的表达上展现的优势(比如RNN和CNN),我相信在IR的领域引入Deep Model也会取得很好的效果. IR的范围可能会很广,比如传统的Search Engine(query retrieves documents),Recommendation System(user retrieves items)或者Retrieval based Question Answe

AI产品经理成长路 https://www.jianshu.com/p/4b98314ad3c0 以下都是自己平时知识的一些总结,只是一些个人的愚见,下面出现的公司.书籍.视频.网站都是自己看过体验过的,不是给他们打广告,不是广告!不是广告!不是广告!不同意见的评论区留下意见即可 一.     AI的兴起与互联网 1.互联网的红利消失 1) PC端和移动端使用人数固定 目前来看,PC端和移动端的每年出货量都在一个值上下,移动端大概在每年4亿台,PC端更少而且每年还在下降. 2) 大流量入口被巨头

1.链表反转 2.快排 3.m*k   n*k两矩阵计算欧几里得距离np.tile 4.链表排序,要求时间复杂度小于O(N^2),空间O(1),不允许改变链表的值 5.2sum及其变体 6.给一个数组和target,找到和为target的数对,找出所有,重复也视为不同的方案7.给定0到n-1,有m个规则要求某个数在另外的某个数前面,用程序输出符合所有规则的排列 8. 递归输出下列长度为2^n的矩阵(每个矩阵由四部分组成),矩阵满足以下条件: 右下角部分全为0,其他部分等于上一阶段的矩阵 N=0,

一.BERT-wwm wwm是Whole Word Masking(对全词进行Mask),它相比于Bert的改进是用Mask标签替换一个完整的词而不是子词,中文和英文不同,英文中最小的Token就是一个单词,而中文中最小的Token却是字,词是由一个或多个字组成,且每个词之间没有明显的分隔,包含更多信息的是词,全词Mask就是对整个词都通过Mask进行掩码. 例如: 论文下载链接:https://arxiv.org/pdf/1906.08101.pdf 二.BERT-wwm-ext 它是BERT

https://www.zybuluo.com/Dounm/note/1031900 GBDT算法详解 http://mlnote.com/2016/10/05/a-guide-to-xgboost-A-Scalable-Tree-Boosting-System/ XGboost: A Scalable Tree Boosting System论文及源码导读 2016/10/29XGboost核心源码阅读 2016/10/05XGboost: A Scalable Tree Boosting S

本文记录简单了解VQA的过程,目的是以此学习图像和文本的特征预处理.嵌入以及如何设计分类loss等等. 参考资料: https://zhuanlan.zhihu.com/p/40704719 https://www.youtube.com/watch?v=ElZADFTer4I https://www.youtube.com/watch?v=cgOmpgcELPQ https://tryolabs.com/blog/2018/03/01/introduction-to-visual-questi

Coursera,Udacity,Edx 课程列表(更新ing) Coursera有很多特别好的课程,平时没有机会听到国外大牛的课程,通过Coursera算是可以弥补一下吧,国外的课程普遍比国内的老师教的好,深入浅出,真是一入Coursera深似海呀.通过在知乎和blog上查询,列了一个预备学习的课程表. 知乎里有个问答,觉得对第一次上Coursera的人很有帮助:第一次在 Coursera 学习,各位有什么好的建议? (其中有关于如何使用Coursera wiki,开课轮次,下载视频+中文字母

孙剑博士分享的是<深度学习变革视觉计算>,分别从视觉智能.计算机摄影学和AI计算三个方面去介绍. 他首先回顾了深度学习发展历史,深度学习发展到今天并不容易,过程中遇到了两个主要障碍: 第一,深度神经网络能否很好地被训练.在深度学习获得成功之前曾被很多人怀疑,相比传统的机器学习理论,深度学习神经网络的参数要比数据大10倍甚至上百倍: 第二,当时的训练过程非常不稳定,论文即使给出了神经网络训练方法,其他研究者也很难把结果复现出来. 这些障碍直到2012年才开始慢慢被解除. 人工智能可以分为感知和认

NVIDIA Jarvis:一个GPU加速对话人工智能应用的框架 Introducing NVIDIA Jarvis: A Framework for GPU-Accelerated Conversational AI Applications 实时会话人工智能是一项复杂而富有挑战性的任务.为了允许与最终用户进行实时.自然的交互,模型需要在300毫秒内完成计算.自然的相互作用具有挑战性,需要多模态的感觉整合.模型管道也很复杂,需要跨多个服务进行协调: 自动语音识别(ASR) 自然语言理解(NLU

摘要:为了更深入理解千亿参数的盘古大模型,华为云社区采访到了华为云EI盘古团队高级研究员谢凌曦.谢博士以非常通俗的方式为我们娓娓道来了盘古大模型研发的"前世今生",以及它背后的艰难往事. 本文分享自华为云社区<华为高级研究员谢凌曦:下一代AI将走向何方?盘古大模型探路之旅>,原文作者: 华为云社区精选 . "每个人都生活在特定的时代,每个人在特定时代中的人生道路各不相同.在同一个时代,有人慨叹生不逢时,有人只愿安分--"这是2021年北京高考命题作文&q

基于SwinTransformer的目标检测训练模型学习总结 一.简要介绍 Swin Transformer是2021年提出的,是一种基于Transformer的一种深度学习网络结构,在目标检测.实例分割等计算机视觉任务上均取得了SOTA的性能.同时这篇论文也获得了ICCV2021年的Best Paper. 1.1 Transformer的关键里程碑 Tranformer: 在2017年6月,仅基于注意力机制的Transformer首次由谷歌提出,应用于NLP自然语言处理的任务上表现出了良好的性

何凯明从 CVPR 2020 上发表的 MoCo V1(Momentum Contrast for Unsupervised Visual Representation Learning),到前几天挂在arxiv上面的 MoCo V3(An Empirical Study of Training Self-Supervised Visual Transformers),MoCo一共走过了三个版本. 今天介绍 MoCo 系列第一版 MoCo v1 就是在 SimCLR 发表前经典的图像自监督学习方

郑昀 创建于2015/11/10 最后更新于2015/11/12 关键词:佣金计算.定时任务.数据抽取.数据清洗.数据计算.Java.Redis.MySQL.Zookeeper.azkaban2.oozie.mesos 提纲: 为什么要做“数据”并行计算调度? 他山之玉:azkaban2/oozie/mesos Summoner的特性 Summoner 是国玺部门推出的基于 MySQL+Redis+Zookeeper 的分布式并行计算调度和管理系统,李红红主设.   0x00,为什么要做“数据”

对于一个Web应用来说,在一个请求真正处理前,我们可能会对请求做各种各样的判断,然后才允许后续处理. 我们通常的做法: Script 01.php Script 02.php 优点:直观,容易理解 缺点: 所有处理步骤放在一起,修改添加新步骤可能影响已有步骤: 单个处理步骤不具备可复用性. 同一个处理步骤的代码存在于多处,一个需求变更可能要修改多处代码. 整个处理流程不易扩展 Laravel 的请求处理管道: Request,Middleware,Pipeline,Response 一个请求的处

main文件做了这几件事: 1. 创建当前的应用程序 2. 根据4个参数的最后为应用程序设置代理类(默认情况下是AppDelegate) 3. 将appDelegate 和 应用程序 建立关联(指定代理,) 4. 将整个应用程序进程放进系统的runloop中(一个死循环) runloop有两种状态:等待.处理(处理完后接着等待) frame/bounds/center VC 的生命周期(先alloc/init ->loadView加载界面->viewDidLoad(只执行1遍) ->vi