BERT

软件版本：VIVADO2017.4 操作系统：WIN10 64bit 硬件平台：适用米联客 ZYNQ系列开发板 米联客(MSXBO)论坛： www.osrc.cn 答疑解惑专栏开通，欢迎大家给我提问！！ 1.1概述 Vivado中提供了1种IBERT工具用于对Xilinx FPGA芯片的高速串行收发器进行板级硬件测试。通过IBERT我们可以获取误码率，观察眼图，调节串行收发器的参数，从而有助于判断可能存在的问题，便于验证硬件的稳定性和信号完整性。 本教程基于米联MZ7035开发板，使用IBERT工具对与SFP连接的GTX进行1.25Gbps和10.3125Gbps速率下的测试。从误码率和眼图两个角度来验证开发板GTX部分工作的稳定性和可靠性。 10G光通信需要用到可编程晶振，选购板子的时候需要需要做10G光通信必须选配。 本教程共包含ibert_1_25g和ibert_10g两个例子，分别对应1.25Gbps和10.3125Gbps速率，均基于vivado 2017.4版本开发。 1.2测试原理 IBERT中的BERT是Bit Error Ratio Test的缩写，指比特出错概率测试，简而言之就是误码率测试。Vivado中IBERT工具的测试原理是通过收发器由外部回环进行自收自发而实现。就是将同一组收发器的TX和RX进行短接，TX发送端通过发送某种特定序列的数据流

近日，在第三届中文机器阅读理解评测 (The Third Evaluation Workshop on Chinese Machine Reading Comprehension, CMRC 2019)上，平安金融壹账通旗下人工智能研究院Gamma Lab凭借自主研发的中文预训练语言模型，在资格集和测试集上分别以QAC (Question Accuracy): 90.789%/PAC(Passage Accuracy): 58.2%和QAC: 90.055%/PAC: 57.6%的分数夺得CMRC2019的榜单排名冠军。 中文机器阅读理解评测 (The Chinese Machine Reading Comprehension, CMRC)是从2017年开始，由全国计算语言学学术会议（CCL）计划举办评测活动。CMRC作为全国计算语言学学术会议（CCL）的系列评测，至今已经举办了三次，是中文机器阅读理解技术最权威的竞赛之一。参加此次比赛的单位分别有金融壹账通Gamma Lab，百度，哈工大&汉仪字库，顺丰科技，sixestate等单位组织。金融壹账通Gamma Lab在最终测试集上QAC和PAC分别大幅领先于第二名4.064%和15.8%。说明金融壹账通Gamma Lab的中文阅读理解能力在行业内属于领先地位。 机器阅读理解不同于传统的问答系统，无法通过规则和常识进行来直接回答问题

机器学习是使计算机无需明确编程即可学习的能力的研究领域。 ML是一个人们曾经遇到过的最令人兴奋的技术之一。 从名称可以明显看出，它为计算机提供了与人类更相似的能力：学习能力。 如今，机器学习正在被人类用在很多领域。我们比较了将近22,000个机器学习开源工具和项目，从中选出了35个优秀的机器学习项目。 <计算机视觉> 1、Detectron：用于物体检测研究的FAIRs研究平台，实现了流行的算法，例如Mask R-CNN和RetinaNet。 [Github星星数：13913] 2、Openpose：用于身体，面部和手部预估的实时多人关键点检测库。[Github星星数：11052] 3、DensePose：一种将2D RGB图像的所有人类像素映射到基于3D表面的人体模型的实时方法。[Github星星数：4165] 4、Maskrcnn基准测试：实现PyTorch中语义分割和对象检测算法的快速模块化参考。 [Github星星数：3888] 5、SNIPER：是一种有效的多尺度目标检测算法。[Github星星数：1963] <强化学习> 6、Psychlab：使用Psychlab平台（基于代理的AI的3D平台）实施的实验范例。[Github星星数：5955] 7、ELF：用于游戏研究的广泛，轻便且灵活的平台。我们使用它来构建围棋机器人ELF OpenGo

机器学习是使计算机无需明确编程即可学习的能力的研究领域。 ML是一个人们曾经遇到过的最令人兴奋的技术之一。 从名称可以明显看出，它为计算机提供了与人类更相似的能力：学习能力。 如今，机器学习正在被人类用在很多领域。我们比较了将近22,000个机器学习开源工具和项目，从中选出了35个优秀的机器学习项目。 <计算机视觉> 1、Detectron：用于物体检测研究的FAIRs研究平台，实现了流行的算法，例如Mask R-CNN和RetinaNet。 [Github星星数：13913] 2、Openpose：用于身体，面部和手部预估的实时多人关键点检测库。[Github星星数：11052] 3、DensePose：一种将2D RGB图像的所有人类像素映射到基于3D表面的人体模型的实时方法。[Github星星数：4165] 4、Maskrcnn基准测试：实现PyTorch中语义分割和对象检测算法的快速模块化参考。 [Github星星数：3888] 5、SNIPER：是一种有效的多尺度目标检测算法。[Github星星数：1963] <强化学习> 6、Psychlab：使用Psychlab平台（基于代理的AI的3D平台）实施的实验范例。[Github星星数：5955] 7、ELF：用于游戏研究的广泛，轻便且灵活的平台。我们使用它来构建围棋机器人ELF OpenGo

介绍 在参与的项目和产品中，涉及到模型和算法的需求，主要以自然语言处理（NLP）和知识图谱（KG）为主。NLP涉及面太广，而聚焦在具体场景下，想要生产落地的还需要花很多功夫。 作为NLP的主要方向，情感分析，文本多分类，实体识别等已经在项目中得到应用。例如 通过实体识别，抽取文本中提及到的公司、个人以及金融产品等。 通过情感分析，判别新闻资讯，对其提到的公司和个人是否利好？ 通过文本多分类，判断资讯是否是高质量？判断资讯的行业和主题？ 具体详情再找时间分享。而文本生成、序列到序列（Sequence to Sequence）在机器翻译、问答系统、聊天机器人中有较广的应用，在参与的项目中暂无涉及，本文主要通过tensorflow+bert+seq2seq实现一个简单的问答模型，旨在对seq2seq的了解和熟悉。 数据 关于seq2seq的demo数据有很多，例如小黄鸡聊天语料库，影视语料库，翻译语料库等等。由于最近总是做些奇怪的梦，便想着，做一个AI解梦的应用玩玩，just for fun。 通过采集从网上采集周公解梦数据，通过清洗，形成 dream:梦境； decode:梦境解析结果。 这样的序列对，总计33000+ 条记录。数据集下载地址：后台回复“解梦” { "dream": "梦见商人或富翁", "decode": "是个幸运的预兆，未来自己的事业很有机会成功