人工智能

1.快速幂 题目描述 求 a 的 b 次方对 p 取模的值，其中 0≤a,b≤10^9 , 0<p≤10^9 输入 三个用空格隔开的整数a,b和p。 输出 一个整数，表示a^b mod p的值。 样例输入 2 3 9 样例输出 8 对于本题，按照以往的思路是直接循环进行乘法，同时，边乘边取模，最终能够得到结果，但是本题由于乘的次数过多导致运算时间过于长，所以要考虑的就是怎样通过改进算法来缩短计算时间 这里就有了快速幂，快速幂的目的就是快速求出幂，假设我们要求a^b,按照朴素算法就是把a连乘b次，这样一来时间复杂度是O(b)也即是O(n)级别，快速幂能做到O(logn)，快了好多好多。它的原理如下： 当幂指数非常大的时候，我们并没有必要一次又一次的反复求，假设我们本来要求2 1024 我们可以依次求得2 2 、2 4 、2 8 、……2 1024 这样，原本需要1024次循环，现在只用了10次，时间也就大大缩短了。 同理我们可以推进到一般情况，b可以拆解为若干不重复的2的次幂的和的形式，即可以用二进制的形式来表示，巧妙的运用位运算或者模运算，可以得到每一位前的系数为0或者1来达到快速幂的目的 # include <bits/stdc++.h> using namespace std ; long long a , b , p ; long long f ( long long a ,

作者｜Sebastian Ruder 来源｜机器之心编辑部 去年有哪些机器学习重要进展是你必须关注的？听听 DeepMind 研究科学家怎么说。 2020 年因为新冠疫情，很多人不得不在家工作和学习，大量人工智能学术会议也转为线上。不过在去年我们仍然看到了很多 AI 技术领域的进展。DeepMind 研究科学家 Sebastian Ruder 近日帮我们对去年的机器学习社区进行了一番总结。 首先你必须了解的是：这些重点的选择基于作者个人熟悉的领域，所选主题偏向于表示学习、迁移学习，面向自然语言处理（NLP）。 如果读者有不同的见解，可以留下自己的评论。 Sebastian Ruder 列出的 2020 年十大机器学习研究进展是： 大模型和高效模型 语言模型从 2018 年到 2020 年的发展（图片来自 State of AI Report 2020）。 2020 年发生了什么？ 在过去的一年，我们看到了很多前所未有的巨型语言和语音模型，如 Meena（Adiwardana et al., 2020）、 Turing-NLG、BST（Roller et al., 2020） 和 GPT-3（Brown et al., 2020） 。与此同时，研究人员们也早已意识到训练这样的模型要耗费过量的能源（Strubell et al., 2019），并转而探索体量更小、效果仍然不错的模型

2020 年 12 月 21 日 ~12 月 23 日，由 IT168 旗下 ITPUB 企业社区平台主办的第十一届中国数据库技术大会 (DTCC2020) 在北京隆重召开。 Denodo 大中华区总经理，全球销售副总裁 Stan Wu 进行了精彩议题分享，并接受了 IT168 小编的采访。 从 Microsoft 到 Oracle 到 Informatica ，再到目前所任职的 Denodo 。 Stan Wu 有着多年数据库和数据管理从业经验，他认为数据管理这片市场始终存在着一些历史包袱：从最初的应用软件开始数据孤岛开始陆续出现，为了解决孤岛问题，企业开始进行建设数据仓储，让数据孤岛进行汇聚，然而由于技术问题，导致数据提供报表的时效性大打折扣，甚至会存在几天的延迟。 而数据管理市场所面临的问题远不止于此， Stan Wu 认为，对于主管高层以及重量级的使用者来讲，往往会面临以下几点问题： ● 第一，数据提供缓慢：他们需要比较实时的获得结果，而不是存在几天的延迟 ; ● 第二，无法及时获悉全局状况：即便有新的工具可以使用，但出于用户使用习惯，不同的用户往往使用不同的分析工具，因而导致无法及时获取到全局状况 ; ● 第三，数据缺乏可信度：要求数据被提供出来时是可被信任、可被追溯的，要清楚数据从哪边来，要从哪些角度去看，用户经常遇到的痛点有哪些。 而对于技术或者科技部门员工来讲

AISChaF_20191108191929554.png AISChaF_20191105194955892.png c209364ad11373f0d22cb8e8ab0f4bfbfbed0405.png 打赏 微信打赏 支付宝打赏 来源： oschina 链接： https://my.oschina.net/u/4395911/blog/3305483

Freestyle(自由发挥) 上述一词最近爆火，起因是当红小鲜肉吴亦凡在某档综艺节目中，经常以标配的邪佞笑容、严肃脸，对参赛选手说，“你有freestyle吗？”根据自身个性和喜好，自由随性的发挥是freestyle的灵魂，嘻哈rappers有他们的freestyle，数据分析同样也有自己的freestyle， 这当中的重点就在于你是否选中了Smartbi大数据分析软件。 广州思迈特软件有限公司核心产品“思迈特大数据分析软件”（简称Smartbi Insight），是企业级商业智能和大数据分析平台，已经过多年的持续发展、创新和应用，凝聚了各种最佳实践经验，整合了银行、保险、证券、政府、电信、电力、教育等多个行业及大中型企业数据分析和决策支持的功能需求，充分体现和承载了数据分析发展的新四化。 Smartbi Insight产品简介 1.1. 产品定位 图：五大数据分析功能 Smartbi Insight定位于前端数据分析，具有报表报告、数据可视化、自助探索分析、移动协同、人工智能等功能，可以满足各种数据分析应用需求，如大数据分析、自助分析平台、地图分析、移动管理驾驶舱、指挥大屏幕、企业报表平台等等。 Smartbi Insight提供一整套满足用户需求的数据分析、报表、绩效监控和信息发布的解决方案。具有统一服务平台、仪表盘、大屏幕、图形可视化、地图分析、企业报表、分析报告、自助查询

Haiyore_Kuuko_Fire.png AISChaF_20191229150402064-1.png AISChaF_20200122122129199-1.png 打赏 微信打赏 支付宝打赏 来源： oschina 链接： https://my.oschina.net/u/4395911/blog/3305476

[导读] 什么是加法器？加法器是为了实现加法的，即是产生数的和的装置。加数和被加数为输入，和数与进位为输出的装置为半加器。若加数、被加数与低位的进位数为输入，而和数与进位为输出则为全加器。常用作计算机算术逻辑部件，执行逻辑操作、移位与指令调用。 一、什么是加法器 加法器是为了实现加法的。 即是产生数的和的装置。加数和被加数为输入，和数与进位为输出的装置为半加器。若加数、被加数与低位的进位数为输入，而和数与进位为输出则为全加器。常用作计算机算术逻辑部件，执行逻辑操作、移位与指令调用。 对于1位的二进制加法，相关的有五个的量：1，被加数A，2，被加数B，3，前一位的进位CIN，4，此位二数相加的和S，5，此位二数相加产生的进位COUT。前三个量为输入量，后两个量为输出量，五个量均为1位。 对于32位的二进制加法，相关的也有五个量：1，被加数A(32位)，2，被加数B(32位)，3，前一位的进位CIN(1位)，4，此位二数相加的和S(32位)，5，此位二数相加产生的进位COUT(1位)。 要实现32位的二进制加法，一种自然的想法就是将1位的二进制加法重复32次(即逐位进位加法器)。这样做无疑是可行且易行的，但由于每一位的CIN都是由前一位的COUT提供的，所以第2位必须在第1位计算出结果后，才能开始计算;第3位必须在第2位计算出结果后，才能开始计算，等等

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 crnn.pytorch 本工程使用随机生成的水平和垂直图像训练crnn模型做文字识别;一共使用10多种不同字体;共包括数字、字符、简体和繁体中文字30656个,详见all_words.txt。 预测 1.1 直接预测 1.2 使用restful服务预测 模型效果 2.1 水平方向 2.2 垂直方向 评估 训练 代码 以及运行教程 获取： 关注微信公众号 datayx 然后回复 OCR 即可获取。 AI项目体验地址 https://loveai.tech 预测 直接预测 a) 执行如下命令预测单个图像 使用restful服务预测 a) 启动restful服务 模型效果 以下图像均来为生成器随机生成的,也可以试用自己的图像测试 水平方向 垂直方向 从左到右识别结果 评估 a) 水平方向 训练 a) 单机多卡 阅读过本文的人还看了以下文章： TensorFlow 2.0深度学习案例实战 基于40万表格数据集TableBank，用MaskRCNN做表格检测 《基于深度学习的自然语言处理》中/英PDF Deep Learning 中文版初版-周志华团队 【全套视频课】最全的目标检测算法系列讲解，通俗易懂！ 《美团机器学习实践》_美团算法团队.pdf 《深度学习入门：基于Python的理论与实现

作者 | 费弗里 来源 | Python大数据分析 简介 前不久「贝壳研究院」基于其丰富的房地产相关数据资源，发布了「2020 新一线城市居住报告」： 图1 而在这个报告中有几张数据可视化作品还是比较可圈可点的，作为（在模仿中精进数据可视化）系列文章的开篇之作，我将基于我观察原始数据可视化作品进而构思出的方式，以纯Python的方式模仿复刻图2所示作品： 图2 复刻过程 2.1 观察原作品 其实原作品咋一看上去有点复杂，但经过观察，将原始图片主要元素拆分成几个部分来构思复现方式，还是不算复杂的，我总结为以下几部分： 「1 坐标系部分」 稍微懂点数据可视化的人应该都可以看出原作品的坐标不是常规的笛卡尔坐标系，而是极坐标系，这里复现原作品极坐标系的难点在于，其并不是完整的极坐标系，即左边略小于半圆的区域是隐藏了参考线的。 因此与其在matplotlib中极坐标系的基础上想方法隐藏部分参考线，不如逆向思维，从构造参考线的角度出发，自己组织构造参考线，会更加的自由和灵活。 「2 颜色填充」 这里的「颜色填充」指的是以居住自由指数折线为中线，在购房自由指数折线与租房自由指数折线之间的颜色填充区域，但困难的是这里当购房自由指数高于租房自由指数时对应的颜色为浅蓝绿色，而反过来则变为灰色，与购房自由指数、租房自由指数的颜色相呼应。 图3 2.2 开始动手！ 综合考虑前面这些难点

来源 | HyperAI超神经 头图 | 视觉中国 近日，日本的一个 AI 分拣鱼类项目进入实验阶段。这将有望改善日本渔业劳动力老龄化及短缺的社会现状。 日本作为岛国，其独特的地理位置，让国民自古以来就跟鱼结下了不解之缘，甚至形成了其独特的「鱼文化」。因此，日本无论是在养鱼、捕鱼还是吃鱼方面，都堪称国际代表。 但是近年来，日本渔业却面临劳动力老龄化与短缺的压力，为此，相关部门正在推动渔业的自动化作业，以及时弥补人力空缺。 AI 看图识鱼，每分钟分装 100 条 餐桌上每一道鲜美的海鱼背后，都离不开渔民的辛苦工作。每一次的出海，渔民们不仅负责将海鲜打捞上船，为了保证渔获的新鲜，他们还要在最短的时间里将其分拣、冲洗、冷藏。 时间的紧迫，往往让他们顾不得天气状况，于是顶着烈日或冒雨作业都是家常便饭。 打渔这份艰辛的工作，越来越难以吸引年轻人。人口老龄化、劳动力短缺，成为制约日本渔业发展的一大因素。 近日，日本青森县八户市则开启了一项前所未有的实验——使用配备有 AI 系统与摄像头的设备，代替渔民，对捕捞上来的活鱼进行自动分类。 在短短 35 分钟的时间里，这台设备就分拣了约 1 吨的鲑鱼、鳕鱼、青花鱼和鲱鱼。 这一项目从 2018 年就已启动，日本农业、林业和渔业部出资 1.3 亿日元（约合人民币 812.7 万元），共同委托青森县产业技术中心食品研究所