人工智能

在51单片机中，连接外部存储器使用的是三总线的方式，即：数据总线，地址总线，控制总线。51单片机的P0口在有外部存储器的设计之中，一般充当数据总线和低8位的地址总线。所以我们必须解决P0的复用问题。51提供了ALE信号，ALE地址锁存信号的下降沿来临时，地址总线的数据被锁存。 外扩的数据存储器和外扩的I/O口是统一编址的。必须记住。 PSEN信号是外部ROM的读选通信号。一般接到存储器的OE端。 EA信号：EA = 0，只访问外部程序存储器，EA = 1，从内部ROM开始访问，当访问完内部ROM后，转去访问外部ROM。 常用的ROM芯片： Ai：地址线 Di：数据线 CE：片选信号 OE：选通信号线，与PSEN相连 PGM：编程脉冲端 VPP：编程电压端 来源： oschina 链接： https://my.oschina.net/u/4367678/blog/3965996

UE4 的全名是 Unreal Engine 4，中文译为“虚幻引擎4”。UE4 是一款由 Epic Games 公司开发的开源、商业收费、学习免费的游戏引擎。那你了解UE4吗？如果还不清楚，就一起来看下这篇 UE4 详解吧！ 一、虚幻4术语 1.Actor：可放入关卡中的对象都是 Actor。Actor是支持三维转换（如平移、旋转和缩放）的泛型类。可通过游戏进程代码（C++或蓝图）创建（生成）及销毁Actor。在C++中，AActor是所有Actor的基本类。 2.Component 组件：组件（Component） 是可添加到Actor的一项功能。组件不可独立存在，但在将其添加到Actor后，该Actor便可以访问并使用该组件所提供的功能。例如，音频组件（Audio Component）将使您的Actor能够播放声音。 3.Pawn 人形体：Pawn 是Actor的一个子类，充当游戏中的化身或假面，例如游戏中的角色。 4.Brush 画刷：笔刷（Brush） 是一种Actor，几何体画刷是虚幻编辑器中最基本的关卡构建工具，它可以快速原型化关卡和对象。另外，根据附加在它们上的效果，体积具有多种用途，例如：阻塞体积（Blocking Volume）（它们是不可见的，用于阻止Actor穿过它们）、伤害产生体积（Pain Causing Volume）（随着时间的推移

准备报考计算机专业考研的同学们有没有确定好自己的目标院校？计算机专业哪些学校的考研难度比较大？哪些学校相对好考？下文有途网小编给大家整理了计算机考研难度排行榜，供参考！ 1计算机考研学校难度排名 1、北京大学考研330分 数学自主命题，进复试的60多人，被刷了10个左右，330+的几个基本全留下了，复试率基本1:1.2，今年360以下的基本都去软院，录取除特殊人物外，基本看排名总排名40开外，专业排名6之外的都很危险，排名之间还要看分数差距 2、清华大学352分(含工程硕士) 清华工程不享受奖学金，不享受国家补助，不享受公费医疗， 工学录了35个，5个去深圳，每年工学收30个左右 3、南京大学341分(不含工程硕士，南大工程的复试线是其工科校线到341之间) 计划招收工学硕士90人，本校和外校推免生一共34人，通过考试招收56人，按照1:1.2的比例，共有68人进入复试，工学刷下来的可以直接选读工程硕士(南大工程硕士可以评定奖学金的)，无需复试 4、浙江大学考研320分(不含工程硕士) 浙大复试比例:1:1.5，进入复试240人，录取140+，刷了90人。实际录取线在350分左右，140人中只有30人公费(其中浙大本校免复试占去15个名额)，剩下的大部分交一半学费，少数全交 5、复旦大学325分(不含工程硕士) 工学招80个，已有48名免推生，复旦专硕的复试线是其工科校线310

转自：https://blog.csdn.net/txl199106/article/details/49227067 国家集训队1999论文集 陈宏：《数据结构的选择与算法效率——从IOI98试题PICTURE谈起》 来煜坤：《把握本质，灵活运用——动态规划的深入探讨》 齐鑫：《搜索方法中的剪枝优化》 邵铮：《数学模型的建立、比较和应用》 石润婷：《隐蔽化、多维化、开放化——论当今信息学竞赛中数学建模的灵活性》 杨帆：《准确性、全面性、美观性——测试数据设计中的三要素》 周咏基：《论随机化算法的原理与设计》 国家集训队2000论文集 陈彧：《信息学竞赛中的思维方法》 方奇：《动态规划》 高寒蕊：《递推关系的建立及在信息学竞赛中的应用》 郭一：《数学模型及其在信息学竞赛中的应用》 江鹏：《探索构造法解题模式》 李刚：《动态规划的深入讨论》 龙翀：《解决空间规模问题的几种常用的存储结构》 骆骥：《数学模型的建立和选择》 施遥：《人工智能在围棋程序中的应用》 肖洲：《数据结构的在程序设计中的应用》 谢婧：《规模化问题的解题策略》 徐串：《论程序的调试技巧》 徐静：《图论模型的建立与转化》 杨江明：《论数学策略在信息学问题中的应用》 杨培：《非最优化算法初探》 张辰：《动态规划的特点及其应用》 张力：《类比思想在解题中的应用》 张一飞：《冗繁削尽留清瘦——浅谈信息的充分利用》

AI TIME欢迎每一位AI爱好者的加入！ 实体分类是知识图谱构建和补全的重要子任务，其中细粒度实体分类为实体提供了更加丰富的语义信息，有助于关系抽取、实体链接、问答系统等下游任务。 细粒度实体分类是什么？和传统的命名实体识别有什么区别？任务的难点在哪里？采用什么方法解决？目前有哪些数据集可用？未来的发展方向如何？ 为解除这些困惑，第四期AI Time PhD知识图谱专题分享的直播间，我们请到清华大学计算机系、知识工程实验室的博士五年级研究生金海龙，为大家梳理了细粒度实体分类任务发展的脉络，并对未来作出了展望。 一、FGET定义及问题 传统的 命名实体识别（NER ）面向 粗粒度 的类别，比如人物、地点和组织机构等，对实体的刻画不够精确。 图：命名实体识别（来自medium.com） 实际生活中，我们需要更加细粒的类别来刻画实体，提供更加具体的语义信息，增强指示性，比如篮球员动员和香港歌手等。以关系抽取为例，实体的细粒度类别能很大程度暗示实体间候选的关系。实体类别信息越粗，实体间的候选关系就越倾于复杂，相应的关系抽取任务也变得更困难。于是，下游应用催生了细粒度实体分类这个任务。 细粒度实体分类 (FGET) ： Fine-grained Entity Typing, 给定候选 实体 (Mention) 及其 上下文 (Context) ，预测可能的 类别集合 (Type) 。

点击上方 “ AI算法与图像处理 ”，选择加"星标"或“置顶” 重磅干货，第一时间送达 作者： Purvanshi Mehta 来源：AI公园 编译：ronghuaiyang 导读 使用深度学习融合各种来源的信息。 多模态数据 我们对世界的体验是多模态的 —— 我们看到物体，听到声音，感觉到质地，闻到气味，尝到味道。模态是指某件事发生或经历的方式，当一个研究问题包含多个模态时，它就具有多模态的特征。为了让人工智能在理解我们周围的世界方面取得进展，它需要能够同时解释这些多模态的信号。 例如，图像通常与标签和文本解释相关联，文本包含图像，以更清楚地表达文章的中心思想。不同的模态具有非常不同的统计特性。 多模态深度学习 虽然结合不同的模态或信息类型来提高效果从直观上看是一项很有吸引力的任务，但在实践中，如何结合不同的噪声水平和模态之间的冲突是一个挑战。此外，模型对预测结果有不同的定量影响。在实践中最常见的方法是将不同输入的高级嵌入连接起来，然后应用softmax。 多模态深度学习的例子，其中使用不同类型的神经网络提取特征 这种方法的问题是，它将给予所有子网络/模式同等的重要性，这在现实情况中是非常不可能的。 所有的模态对预测都有相同的贡献 对网络进行加权组合 我们采用子网络的加权组合，以便每个输入模态可以对输出预测有一个学习贡献(Theta)。 我们的优化问题变成-

AI TIME PhD 知识图谱专题-4 《细粒度实体分类综述》 2020年6月26日 19:30-20:30 AI TIME PhD 知识图谱专题 主题 讲者 时间 大规模在线教育中的知识智能 于济凡 6月05日 事件检测 仝美涵 6月12日 知识图谱推理问答综述 史佳欣 6月19日 细粒度实体分类综述 金海龙 6月26日 第四期： 2020年6月26日 19:30-20:30 报告题目： 细粒度实体分类综述 摘要： 实体分类是知识图谱构建和补全的重要子任务，近些年来吸引了越来越多的研究兴趣。细粒度实体分类相比于传统的命名实体识别，类别数量更多，需要考虑类别之间的依赖关系，为实体提供了更加丰富的语义信息，有助于关系抽取，实体链接，问答系统等下游任务。在这次报告中，讲者将 梳理 细粒度实体分类任务发展的脉络，以及对未来发展方向作出展望。 嘉宾简介： 金海龙 ，清华大学计算机系，知识工程实验室，博士五年级研究生，导师为李涓子教授。 划重点 ！ 直播通道: 哔哩哔哩直播通道 扫码 或 点击链接 关注AITIME哔哩哔哩官方账号 观看直播 链接： https://live.bilibili.com/21813994 直播结束后我们会邀请讲者在微信群中与大家答疑交流，请添加“AI TIME小助手（微信号：AITIME_HY）”,回复“图谱”，将拉您进“知识图谱交流群”！ AI

来源：中国电子信息产业发展研究院（转载请注明来源） 编辑： 蒲蒲 日前，在2020通信产业大会暨第十五届通信技术年会上，工信部赛迪智库发布了《5G发展2021展望白皮书》。白皮书内容包括对2021年5G形势的基本判断、需要关注的几个问题、应采取的对策建议等，以及全球5G研发与商用进展、我国5G研发与商用进展、我国5G区域融合应用指数和5G典型应用案例等附件。 白皮书预计，2021年四大电信运营商将持续加大5G网络投资力度，预计将是将是2020年的1.5到2倍，2022年5G基站建设将会达到高潮。 2021年，我国5G网络建设和产业规模将进一步增长，且增幅将超过2020年度。四大运营商仍将继续布局5G规模组网，并联合企业广泛探索5G融合应用。 5G融合应用将使C/B/G多端用户和市场受益，其中工业互联网领域的5G专网建设将率先发力。但与此同时，我国5G应用发展还存在各类新生5G融合应用面临挑战、5G融合应用商业盈利模式尚不明晰、F5G标准和认证机制存在短板等问题，机遇与挑战并存。 2021年5G将如何发展？ 在2020年12月28日召开的2021年全国工业和信息化工作会议上，工信部部长肖亚庆表示，2021年将有序推进5G网络建设及应用，加快主要城市5G覆盖，推进共建共享，新建5G基站60万个以上。 2021年规划新建5G基站超60万个，5G正进入融合创新的关键阶段

记忆是人类智能的关键，我们因为记忆可以把过去和当下整合成为一体， 并且可以预测未来。 记忆不仅是一个信息承载的工具， 更是世界模型的本体， 它无时无刻不在刻画未来， 也被当下影响， 可以说， 没有记忆，就没有智能。 然而当下深度学习模型有关记忆的模型确是一大空缺， RNN模拟了神经网络通过循环传递导致的信息缓存效应（类似人与人之间互相喊话来留存信息），而LSTM利用输入门和遗忘门进一步加强了这个机制引入了更加可控的信息暂留机制。 基于NTM的模型把过去的信息和常识存储在类似硬盘的存储器里，网络只需要学习读和写。 而transformer类模型把这种根据当下的信息索引既往的信息的能力加强到极致，某种程度，它们绕开了基于问题，而是机械的把所有的信息一次并行的输入到模型里， 由于可以微分的强大注意力机制， 使得它们的能力被广为使用。 我们说生物系统与之不同的是， 记忆不是为了存储而是为了预测（ The hippocampus as a predictive map - Kimberly L. Stachenfeld ），这点尤其体现在模仿海马体的模型里。生物系统的灵活记忆机制纳入到系统里，就需要模拟大脑， 尤其是生物系统的海马体。 一种经典的理论认为海马体是感知信息进入生物长期记忆的门户，信息在这里被类似 “指针”一样的东西索引起来， 这个指针既可以是基于时间（情景记忆）也可以是基于空间

一切都会过去，比如昨晚阿里巴巴的20周年会，比如阿里巴巴的马云时代。 不管你愿不愿意，一切都会过去，时间总是不停的流逝。 这个世界唯一不变的就是变化，即便是马云也无法阻止变化，你能做的就是拥抱变化，让变化朝着自己理想的方向发展。 马云把自己退休当做制度传承的开始，当成是未别人着想、为世界着想、为未来着想的践行。青山不改、绿水长流、换个江湖再见。 马云卸任演讲全文： 　　感谢大家人远道而来。真没想到，等了10年的这一天，来得那么快，来得那么美好，感谢所有帮助过、支持过、信任过阿里巴巴的人，感谢所有的阿里的员工，阿里的朋友，感谢这伟大的时代，感谢这个国家，感谢这个了不起的城市。 　　其实在下面看的时候就发现，阿里这个公司很厉害，可能全世界很少这么一家公司的文艺演出搞得那么专业，很多人以为我们是专业搞文艺演出的，这就是我们的价值。我们不仅工作做得好，我们要玩得好，我们要会生活，感谢大家，我们这样的晚会18年了，18年进步越来越大，我希望30年的时候，我们能给世界带来更多的精彩。 　　15年以前，那时候阿里巴巴决定把这家公司要做102年，横跨三个世纪，我那时候一直在思考一个问题，如何能做到？很多人把公司的愿景是当口号、当标语，他们自己不一定信，而阿里要让我们自己信，并且保证他能实现。那时候我开始考虑如何传承，用制度去思考。我们走访很多公司，全世界基本是两条路