深度学习

深度学习是模仿了生物的神经元的概念，你可以想象用一大堆的神经元通过各种刺激来对外部世界进行感知，从而建立起对外部世界的模型。 比如给你一个数据对： x y -1 -3 0 -1 1 1 2 3 3 5 4 7 我们可以使用深度学习通过从数据中学习来了解其中的规律，类似人类的学习，从我们的感知和实践中认识世界。 我们从直观的方式来看一下这些数据具有什么规律。 import numpy as np import matplotlib.pyplot as plt xs = np.array([-1.0, 0, 1, 2, 3, 4], dtype=float) ys = np.array([-3, -1, 1, 3, 5, 7], dtype=float) plt.plot(xs, ys) plt.show() 显示的图形为： 从肉眼上看直观的感觉是线性关系，我们用深度学习来训练一下模型（假设我们不知道这个数据的规律的情况下） import tensorflow as tf import numpy as np import tensorflow.keras as keras xs = np.array([-1.0, 0, 1, 2, 3, 4], dtype=float) ys = np.array([-3, -1, 1, 3, 5, 7], dtype=float) model =

云栖号资讯：【 点击查看更多行业资讯 】 在这里您可以找到不同行业的第一手的上云资讯，还在等什么，快来！ 导读： 领导让数据叔写篇关于人工智能的原创，于是数据叔决定求助于人工智能。 01 智能辅助创新 人工智能领域的发展前景广阔。 数学是个很重要的事情。 创意产业发展潜力无限，极大地推动了全球经济发展和社会进步，做出更多更重要的贡献。 未来将会是什么样的？生活中有哪些不同呢？ 上面4句话，不能算是我写的，但也不是人工智能自动生成的，而是人机搭配干活不累的成果。 iOS自带的输入法有联想功能，你键入一个词之后，输入法会自动联想你接下来可能会输入的词。很多情况下，你接下来要输入的词确实在输入法的联想范围内。还有些时候，你不知道接下来该写什么，那么输入法的联想或许会给你一些思路，甚至你按它的联想接着写就行了。 iOS这个输入法的联想功能并不仅仅基于你自己的用词习惯，而是基于所有用户的用词习惯，也就是一个基于大数据的人工智能系统。 本文开头的那4句话，分别是我用人工智能、数学、创意和未来4个关键词作为句子的起始点，然后在输入法的联想词里进行选择，直到联想词里出现句号，并且自己也满意这样结束。 这4句话里，人工智能提供了选项，我做出选择，这既不是人类单独完成的作品，也不是人工智能单独完成的工作。有人把这种人工智能帮助人类进行创造性工作的模式称为“智能辅助创新”。 智能辅助创新在《天才与算法

1 .京东面试经历 面试的京东的商品推荐的算法岗，在北辰大厦（奥森旁边），面试难度总体来说比较简单。 ①：到公司之后先做了一个小时的笔试题目 ，包括四个简答题和两个编程题，简答题主要是 C语言相关的。 Map和Set的插入和查找的复杂度是多少，Set是否可以存储类 递归和循环可以互相转换吗？ epull和select的原理以及区别？ 什么时候会调用构造函数和析构函数？父类的构造函数可以是virtual的吗？ 编程题也特别简单，一道题是一个有序的数组，寻找数组的中的两个数它们的和是否等 于某 个值target，返回True或者False，要求O(n)的复杂度。 另一道题目是一个数组，两个相邻下标的数组的值的差的绝对值为1，然后在这个数组中寻找 某个值是否在这个数组中，是的话返回下标，否则返回-1。 ②：第一轮面试也特别简单 ，主要就是聊了聊自己的论文是怎么做的，实习的时候干了啥， 然后再出了一道编程题，一个无序数组，只有0,1,2，然后你要对这个数组进行排序，要求 O(n)复杂度。（荷兰国旗问题） ③：第二轮面试也是主要是聊了聊自己的论文 ，然后推导SVM的原理，然后logistic和SVM 的区别，Attention注意力机制的原理，RNN的公式等。 还有一个编程题反转链表。 面试完三天拿到了口头offer，感觉总体来说还是比较简单的。 今天收到了京东的录用函

明天，就是 2020 WAIC 开发者日重磅环节了，这场即将开播的公开课值得你点赞、收藏、分享三连。 两天前， 2020 WAIC 开发者日全日程 揭晓，这是一场包含了 60 位重磅嘉宾、43 场演讲、9 大环节的盛会。其中，有一场为开发者提供三小时极致学习的公开课，值得爱学习的小伙伴们注册观看。 「开发者日百度公开课」由机器之心联合百度组织，基于百度飞桨平台，从 NLP、CV 到零门槛 AI 开发平台 EasyDL，助力学习者掌握人工智能开发技能。 不久之前的「WAVE SUMMIT 2020」深度学习开发者峰会，百度飞桨做了一系列全新发布与升级，能够极大地提升开发者的开发体验。 在这场公开课中，来自百度的四位技术专家将结合自身多年深耕 AI 开发领域的经验，分别从智能对话技术、视觉技术、EasyDL 平台三个方向做分享，也将演示如何进行实际操作，手把手带领观众学习 AI 开发。 https:// api.worldaic.com.cn/wai c-portal/shortLink/jump/19df8dfe7c134709b080fdb54f130309 (二维码自动识别) 有关「开发者日百度公开课」课程详情，可查看文章：《 3 小时极致学习 AI 开发，WAIC 开发者日有一堂必上公开课 》。 纵深布局人工智能技术十数年，开发者一直是百度极为重视的力量

常用深度学习框——Caffe/ TensorFlow / Keras/ PyTorch/MXNet 一．概述 近几年来，深度学习的研究和应用的热潮持续高涨，各种开源深度学习框架层出不穷，包括TensorFlow，Keras，MXNet，PyTorch，CNTK，Theano，Caffe，DeepLearning4，Lasagne，Neon，等等。Google，Microsoft等商业巨头都加入了这场深度学习框架大战，当下最主流的框架当属TensorFlow，Keras，MXNet，PyTorch，Caffe接下来对这四种主流的深度学习框架从几个不同的方面进行简单的对比。 选择框架，建议几个点考虑： 1）框架能不能解决你的问题。比如某些框架对rnn或者lstm支持不足。 这个是必要条件。下面的都附加条件。 2）框架的资源是否足够。比如文档，社区，开源的项目支持。 3）框架是否易于上手，学习曲线如何。这个就因人而异了。 4）框架应用是否和现有系统匹配。这个也是根据你自己的具体情况了。 二. Caffe Caffe作为入门级的深度学习框架，对于一般的深度学习任务，如图像分类/ 目标检测/ 实例分割等，存在已有的代码供大家参考，使得上手很快，需要新手修改的地方一般为配置文件，基本不需要书写代码。而且Caffe是基于C++的代码，因此训练方面很快。因此，作为新手入门这是一个很好的框架

编辑 | Just 出品 | CSDN（ID:CSDNnews） 7 月 9 日，世界人工智能大会（WAIC）云端峰会正式拉开帷幕。开幕式上，来自产学研界的领导者发表了对AI发展的看法，包括从宏观为AI的发展问诊把脉，指出面临的挑战以及未来趋势，并从微观为AI的进一步发展提出可执行的研究路径。 本篇内容，CSDN提炼出以下演讲者的内容重点（排名不分先后）： **企业界：**百度CEO李彦宏、腾讯首席运营官任宇昕、特斯拉CEO马斯克、联合国数字合作高级别小组联合主席马云 **学界：**图灵奖得主姚期智、图灵奖得主约书亚•本希奥(Yoshua Bengio) **投资人：**黑石集团创始人苏世民 **论坛对话：**清华大学国家金融研究院院长朱民、中国工程院院士陈杰、清华大学教授沈向洋、复旦大学附属华山医院感染科主任张文宏 李彦宏：AI发展会经历三大历史阶段 随着人工智能技术平台开源开放，越来越多应用可以很方便开发出来，惠及经济社会方方面面。李彦宏认为，未来最主要的操作系统软件将不是基于PC，也不是基于手机的操作系统，而是基于人工智能深度学习框架的操作系统，深度学习框架对上承接各类智能应用，对下主宰AI芯片设计。 在他看来，AI发展会经历三大历史阶段。 第一阶段叫技术的智能化。 人工智能在60多年前被提出，近十年来算法有着快速的迭代和创新，通过云计算

题图摄于旧金山市政广场 近期文章： VMware招聘机器学习和云原生开发工程师 vSphere Bitfusion运行TensorFlow深度学习任务 Harbor从CNCF毕业啦！ KubeFATE: 用云原生技术赋能联邦学习 （转发 VMware 中国研发中心系列文章，本文作者系 VMware 边缘计算实验室主任） 在与众多用户的交流中，我们发现大家对安全的一个流行看法是：技术复杂的业务负担。即“完全不做不大好，做得太少易暴雷，做得太多划不来，做得很好显不出，做到多深难把握”。尤其是对于边缘计算这种新兴的计算模式，因为各种各样的原因，很多用户最关心的是它如何带来更多的业务价值，对于安全加固常常是次一级的考虑因素。 我们充分理解这样的考虑。本文试图以一种宏观的视角来描述云边协同环境内的安全状态，提出若干技术思路，以资普遍性的讨论。至于在某用户的某实际系统中应该如何实施，是利益相关方具体问题具体分析才可以的，不是本文的目标。 第十一篇 边缘计算的安全思考 原生安全 安全和边缘计算行业有一个很有意思的共同点，非常碎片化。 据统计，全球共有数千家安全厂商，分布在几十个不同的领域上。 内置 一般的安全产品经常是由系统平台厂商之外的独立专业厂商来提供的。就像在完整的衣服上打补丁：随着发现的问题增加，补丁也越来越多，最后整个系统的可维护性也越来越差。 究其根本原因，外接的安全性意味着太多产品

这篇文章主要是基于我自己的经验，侧重于计算机视觉学习资源的介绍，如果大家按照这个路线去学，相信这将在很大程度上促进提高你的计算机视觉知识水平。 在开始学习计算机视觉之前，我们先来了解有关机器学习和python基础知识。 框架（Frameworks） 虽然你不必从一开始就去考虑选择何种框架，但是实践应用新的知识是必要的。 对应框架并没有太多选择，主要为： pytorch 或 keras （TensorFlow）。Pytorch可能需要编写更多代码，但在返回方面具有很大的灵活性，因此我们可以先学习如何使用pytorch。此外，大多数深度学习研究人员也普遍使用pytoch。 Albumentation (图像增强库)和 catalyst (框架，pytorch顶部的高级API)在我们学习计算机视觉的过长中也是很常用的工具，我们也可以先学习和使用它们，尤其是第一个。 硬件 Nvidia GPU 10xx +：（$ 300 +） Kaggle内核（免费） ：每周仅30个小时 （ https://www.kaggle.com/kernels） Google Colab（免费）：12小时的会话限制，每周限制的使用时长不定 （ https://colab.research.google.com/notebooks/intro.ipynb#recent=true） 理论与实践 在线课程

【说在前面】本人博客新手一枚，象牙塔的老白，职业场的小白。以下内容仅为个人见解，欢迎批评指正，不喜勿喷！[握手][握手] 【再啰嗦一下】如果你对智能推荐感兴趣，欢迎先浏览我的另一篇随笔： 智能推荐算法演变及学习笔记 【最后再说一下】本文只对智能推荐算法中的CTR预估模型演变进行具体介绍！ 一、传统CTR预估模型演变 1. LR 即逻辑回归。LR模型先求得各特征的加权和，再添加sigmoid函数。 使用各特征的加权和，是为了考虑不同特征的重要程度 使用sigmoid函数，是为了将值映射到 [0, 1] 区间 LR模型的优点在于： 易于并行化、模型简单、训练开销小 可解释性强、可拓展性强 LR模型的缺点在于： 只使用单一特征，无法利用高维信息，表达能力有限 特征工程需要耗费大量的精力 2. POLY2 POLY2对所有特征进行“暴力”组合（即两两交叉），并对所有的特征组合赋予了权重。 一定程度上解决了LR缺乏特征组合的问题，但是“暴力行为”带来了一些问题： 特征维度爆炸，特征数据过于稀疏，特征权重不易收敛 3. FM 相比于POLY2，FM为每个特征学习了一个隐权重向量 w。在特征交叉时，使用两个特征隐向量w的内积作为交叉特征的权重。 将原先n^2级别的权重数量降低到n*k（k为隐向量w的维度，n>>k），极大降低了训练开销。 4. FFM 在FM模型基础上，FFM模型引入了Field

论文传送门 视频 项目主页 作者 香港科技大学 Yong Wang Zhihua Jin （浙江大学） Qianwen Wang Huamin Qu 微软亚洲研究院 Weiwei Cui IBM T.J. 沃森研究中心 Tengfei Ma 摘要 节点链接图被广泛应用于网络探索。但是，当使用图形绘制技术来可视化网络时，用户通常需要通过比较相应的绘制结果来迭代地调整不同的算法特定参数，以实现所需的视觉效果。这种反复试验的过程通常很繁琐且耗时，特别是对于非专业用户而言。受深度学习技术强大的数据建模和预测功能的启发，我们探索了将深度学习技术应用于图绘制的可能性。具体来说，我们提出使用基于图LSTM的方法将网络结构直接映射到图绘制。给定一组布局示例作为训练数据集，我们对提出的基于图LSTM的模型进行训练以捕获其布局特征。然后，将训练后的模型用于新的网络以类似的样式生成绘制的图。我们以定性和定量两种方式用两种特殊的布局（即网格布局和星形布局）和两种常规类型的布局（即ForceAtlas2和PivotMDS）来评估了该方法。结果证明了我们方法的有效性。我们还对具有20到50个节点的小图进行了时间成本评估。我们进一步报告了所学到的教训，并讨论局限性和未来的工作。 Motivation Graph drawing has been extensively studied to facilitate