人工智能

坐稳了没？要开车了哦 期末考试要来了！怎样答题才能得高分？今天这些提示和建议，希望对您的学生有所帮助！ 最牛八大答题技巧 参加过那么多次考试，老师们有没有传授给学生一套行之有效的答题技巧呢？答题技巧重在掌握精髓后灵活运用，以下八大答题技巧，让考生考试不犯难，轻松得高分。 01 拿到试卷熟悉试卷 刚拿到试卷一般心情比较紧张，建议拿到卷子以后看看考卷一共几页，有多少道题，了解试卷结构， 通览全卷是克服“前面难题做不出，后面易题没时间做”的有效措施，也从根本上防止了“漏做题”。 02 答题顺序：从卷首依次开始 一般来讲，全卷大致是先易后难的排列。所以， 正确的做法是从卷首开始依次做题，先易后难，最后攻坚 。但也不是坚决地“依次”做题，虽然考卷大致是先易后难，但试卷前部特别是中间出现难题也是常见的，执着程度适当，才能绕过难题，先做好有保证的题，才能尽量多得分。 03 答题策略 答题策略一共有三点： 1. 先易后难、先熟后生。先做简单的、熟悉的题，再做综合题、难题。 2. 先小后大。先做容易拿分的小题，再做耗时又复杂的大题。 3. 先局部后整体。把疑难问题划分成一系列的步骤，一步一步的解决，每解决一步就能得到一步的分数。 04 学会分段得分 会做的题目要特别注意表达准确、书写规范、语言科学，防止被“分段扣点分”。 不会做的题目我们可以先承认中间结论，往后推，看能否得到结论。如果不能

本文建议阅读时间 12 min 上次我们分享了目标检测 One-Stage 的代表 YOLO，从体验、理论到代码实战。其实 One-Stage 还有一个代表是 SSD ，这个等到下一次我们再讲解，因为 SSD 涉及到部分 Two-Stage 目标检测的知识。 本期我们分享的是 Two-Stage 的代表作 Fater R-CNN ，这是属于 R-CNN 系列中比较经典的一个，目前比较流行。今天我们就带大家体验一把 Faster R-CNN 的检测，代码不多。 代码说明 我们代码使用的是 Pytorch 提供的目标检测模型 fasterrcnn_resnet50_fpn model = torchvision.models.detection.fasterrcnn_resnet50_fpn(pretrained= True ) 模型预测后得到的结果是 Bounding boxes [x0, y0, x1, y1] 边框的四个值 Labels 所有预测的标签 Scores 所有标签的分数 以下就是本次内容的所有代码： import torchvision # 0.3.0 version 这里指的是所使用包的版本 from torchvision import transforms as T import cv2 # 4.1.1 version import matplotlib

向AI转型的程序员都关注了这个号 👇👇👇 机器学习AI算法工程 公众号：datayx 训练模型前的准备 A.数据准备 数据的标注仍然采用VOC格式的数据标注形式，如果是其他的标注形式比如COCO请自行实现相关代码。将数据最终转化为如下形式： path_filename, x1, y1, x2, y2, class_name 格式说明 代码及运行教程，数据集 获取： 关注微信公众号 datayx 然后回复 安全帽 即可获取。 AI项目体验地址 https://loveai.tech 可以运行如下代码实现数据集的准备工作: python3 ./data/data_pro.py 将在 ./data 文件夹下生成 annotation.txt 文件，这样训练数据的准备工作即完成。 B.配置文件准备 根据自己的训练集和训练任务修改 ./keras_frcnn/config.py 的配置文件,相关参数的解释和配置如下： 训练模型 预训练模型的下载地址：https://github.com/fchollet/deep-learning-models Shell下运行： python3 train_frcnn.py --path="./data/annotation.txt" --network="vgg" --input_weight_path="./pre_train/vgg16

一、主流语言的介绍 二、什么是编程？为什么要编程？ 编程是一个动词，编程==写代码 写代码为了什么？ 为了让计算机帮我们做事情 三、编程语言的进化 高级语言的分类： 四、Python发展史 　 1989年，Guido开始写Python语言的编译器。 　　1991年，第一个Python编译器诞生。它是用C语言实现的，并能够调用C语言的库文件。从一出生，Python已经具有了：类，函数，异常处理，包含表和词典在内的核心数据类型，以及模块为基础的拓展系统。 　　Granddaddy of Python web frameworks, Zope 1 was released in 1999 　　Python 1.0 - January 1994 增加了 lambda, map, filter and reduce. 　　Python 2.0 - October 16, 2000，加入了内存回收机制，构成了现在Python语言框架的基础 　　Python 2.4 - November 30, 2004, 同年目前最流行的WEB框架Django 诞生 　　Python 2.5 - September 19, 2006 　　Python 2.6 - October 1, 2008 　　Python 2.7 - July 3, 2010 　　In November 2014, it was

就在今天，腾讯正式对外宣布启动新一轮整体战略升级的消息。这是时隔6年之后，腾讯内部发生的最大的组织变革。6年前为了应对移动互联网浪潮所做的架构调整，使得腾讯顺利实现移动化，并成功拿到移动互联网时代的船票，最终成长为中国互联网的两极之一。如果说6年前的架构变更是为了应对移动化，那么今天的战略升级又意味着什么呢？ 我们知道，腾讯一直以来都是中国最挣钱的互联网公司之一。无论是流量还是现金流，在国内都是数一数二的。但是长久以来，腾讯的收入大部分都来自2C领域，最典型的莫过于游戏收入了。以王者荣耀为例，一季度的流水就达到几十亿，这样的成绩足矣秒杀绝大多数A股上市公司了。可以说，以前的腾讯真的是躺着就能挣钱的。过去几年腾讯股价的飙升，与游戏业务的抢眼表现脱不了关系。正是由于钱来得太容易了，导致腾讯在前沿领域的投入落后于同量级的公司，云计算领域比不上阿里巴巴，人工智能方向不敌百度，而这些才是腾讯这种巨无霸的护城河，而不是微视快手之流。不过这也合乎人性。打个比方，当你发现一座金矿时，你还会到别处去寻找钻石吗？大多数人都会选择先开采眼前的金矿的。腾讯也是如此。 但是金矿总有被开采完的一天。特别是在如今的大环境下，腾讯如果还像以前那样躺着挣钱，最终会死得很难看。资本寒冬、互联网泡沫、游戏管制、股价暴跌、营收增速放缓、头条系崛起……今年对腾讯而言，毫无疑问是最艰难的一年。因此

随着中国企业云服务器使用率的不断提升，虽然与国外一些国家相比还有很大差距。但得益于政策红利和中国企业的数字化转型，市场潜力空间仍然很大，而作为互联网行业中的一员，我们也应当对云服务器的基础知识有一定的了解，利用具有较多优势的云服务平台，研发应用层人工智能产品提供决策辅助。 一、什么是云服务器 云服务器(Elastic Compute Service, ECS)是一种简单高效、安全可靠、处理能力可弹性伸缩的计算服务。其管理方式比物理服务器更简单高效。用户无需提前购买硬件，即可迅速创建或释放任意多台云服务器。 从功能上来看，云服务器主要承载三大方面功能： 云服务器要实现存储功能（分布式） 实现计算功能（分布式） 实现资源整合功能 云计算以分布式存储和分布式计算为核心，通过采用虚拟化的方式来实现资源的动态管理，通过资源整合的方式来实现自身功能的扩充，这一点主要是为了提供PaaS相关服务。 云服务器帮助您快速构建更稳定、安全的应用，降低开发运维的难度和整体IT成本，使您能够更专注于核心业务的创新。 二、云服务器可以解决哪些问题 降低成本 缩短业务部署周期 数据计算及处理功能强大 随着IT行业在全球范围内的快速发展，IT平台的规模和复杂程度出现了大幅度的提升，但是，高昂的硬件和运维管理成本、漫长的业务部署周期以及数据处理能力薄弱为企业IT部门制造了重重障碍

关注“ AI科技时讯 ” 设为星标，第一时间获取更多干货 FM模型最早由Steffen Rendle在2010年提出，解决了稀疏数据场景下的特征组合问题，在广告、推荐等领域被广泛使用。FM模型简单而且效果好，可以作为业务初期快速取得收益，为后续持续迭代提供一个较强的baseline。FM模型从首次提出到现在已经过去七八年时间，这期间的研究进展如何呢？比如： FM类模型有哪些改进？ 哪些模型或者应用引入了FM思想？ 近期的顶会针对FM有哪些改进工作？ 工业界大规模数据场景下如何分布式训练FM模型？ 这一连串的问题代表了学术界和工业界对FM模型关于如何优化和实际应用的深入思考。带着这些问题，下文中笔者根据自己的理解将从不同方面对FM模型的演进进行介绍。文中涉及到的公式进行统一表示来方便读者理解，并为读者提供了参考文献的链接。 一、区别特征交互作用 这部分模型的演进思路就是根据假设来增加参数量（即模型复杂度）来提高模型表达能力。FFM模型参数量太大，一则容易过拟合，二则不利于线上大规模部署（内存压力）。笔者更倾向于Field-weighted FM，简单有效，在效果和实际应用上做了很好的tradeoff。 FM 文章链接：csie.ntu.edu.tw/~b97053 Field-aware FM 文章链接：csie.ntu.edu.tw/~r01922 FM中一个特征只对应一个向量

Title： Mining Unfollow Behavior in Large-Scale Online Social Networks via Spatial-Temporal Interaction Paper： https://www.aaai.org/ojs/index.php/AAAI/article/view/5358 GitHub： https://github.com/wuhaozhe/Unfollow-Prediction 来源： AAAI 20 机构： 清华大学 在线社交网络（OSN）通过两种普遍的行为来发展：关注和取消关注，分别表示建立关系和解除关系。社会网络演化研究主要着重于关注行为，而取消关注行为在很大程度上被忽略了。挖掘取消关注行为具有挑战性，因为用户对取消关注行为的决定不仅受到用户属性（例如信息和互惠）的简单组合的影响，但也受他们之间复杂的交互作用的影响。同时，先前的数据集很少包含足够的记录来推断这种复杂的相互作用。为了解决这些问题，我们首先构建一个大规模的真实世界的微博数据集，记录了180万中国用户的详细帖子内容和关系动态。 接下来，我们将用户的属性定义为两类：空间属性（例如，用户的社会角色）和时间属性（例如，用户的帖子内容）。利用构建的数据集，我们系统地研究了用户的空间和时间属性之间的交互作用如何导致取消关注行为。之后，我们提出了UMHI

向AI转型的程序员都关注了这个号 👇👇👇 机器学习AI算法工程 公众号：datayx 01. 概述 对于图像识别，采用传统的算法（opencv的一些算法），判断形状、颜色等等，我们在实验室和办公场所做测试，效果还不错，和容易识别出来。一旦到了工业现场，图像完全不行，连人和车都识别不出来。在不同光线下不论采用什么颜色空间（RGB、HSV什么）都无法分离出合理的色彩，更不要提判断和检测了。有感于实际的现场环境，决定放弃传统的算法，拿起深度学习的工具，来搞定这个项目。 02. 数据准备 高大上的人工智能背后，一定是苦逼的数据准备，深度学习的模型，需要成千上万的训练和测试数据，这些数据的采集和整理，还有数据的清洗都是体力活啊。 当然，我还是没傻到一张张去拍照片。我通过现场的摄像头做了视频采集，然后拿到录像，做了一个代码从录像中找到人，再把人的上半部分处理一下，变成标准格式的图片。这样子，2-3天的录像就可以产生几十万张图片了，看来训练集的问题解决了。 采用SSD的算法（用于物体检测的深度学习主流算法之一）检测出图片中的人。 这样就可以建立自己的训练集： train和test （带不带帽子的标注需要人工去做... 这个还是很苦逼） 03. 搭建模型 考虑到标准的图片只有128*128，特征不是很多，就动手搭建一个不算深的深度学习模型，采用卷积神经网络处理图形特征，搞过cnn的同学会觉得so

我是AY，杨洋，做wpf开发的，最近得了一种病，程序员患得患失综合征。同事说，我年纪在变大，技术跟不上。业余之间，我原创了写了一些语录，给大家中午休息，累疲惫的时候，开心放松下。 1.活着的每一天都无比珍贵，或许哪天启动调试了，人没了，断点还在 2.每一个断点的诞生，都应该由你取消它，而不是别人。 3.为了工作而活你是好员工，为了自己而活你是真实的。 4.我不写文档，不是不会写，而是写不出，你们理解的规范，我只会txt 5.除了代码我觉得大保健和游戏是大多男码农的兴趣了。 6.生活里不应该只有代码，还有你的家人和朋友，他们能给你带来更多的需求。 7.一个好的键盘能够学习你的编码习惯，不是它人工智能，而是你敲多了。 8.我为什么不为自己买个上万笔记本，钱不是不够，而是我长大了，结过婚。 9.爱因斯洋说过，需求和bug是比女人还难缠的东西。 10.我说一万句，也永远抵不过领导的一句，“你必须按我的来” 11.工作时间，你说啥是啥，下班时候，我说啥就是啥 12.地铁上背单词，低着头嘀咕的时候，注意瞟一下周围人关爱你的眼神 13.我总以为我会猝死，死的时候没想到是在半夜12点回家的路上猝死的，周围一个人也没有。 14.我的每一行代码都想写上注释，我的每一个方法都想出现在文档，而我的成果不想只有你的名字。 15.最近996.icu比较火，我们公司是最后一天996了，踏入997