人工智能

2021年，发展深度学习技术，需要十分重视的就是深度学习框架。 01 深度学习框架受到高度重视 随着技术的不断前进和应用的大规模增长，产业开发者们面临的挑战，也是日渐地突出。而作为人工智能实现跨越发展的重要突破口， 深度学习框架引起了科技界、产业界的高度重视。 在整个人工智能产业版图中，算法框架是连通硬件、软件、应用场景的“枢纽式”存在。 02 合适的深度学习框架十分重要 深度学习的研究方式和过去传统的研究方式大不相同。 在深度学习领域，已经有很多的科研机构和世界一流的院校开发了多种深度学习工具 ，这些学习工具或者说深度学习库在许多领域大显身手。 如计算机视觉、自然语言处理、自动驾驶等。对于研究者来说，选择合适的框架来解决某一方面的问题是十分必要的。 03 深度学习框架，你是时候该学一学了 深度学习框架则提供了进行深度学习的底层架构和接口，以及大量的神经网络模型，可以 减少开发者重复编程的时间和精力，提高深度学习效率，降低应用开发难度。 那么，我们应该如何学习深度学习框架？ 你是否还在纠结学哪个框架？ PyTorch？、还是Tensorflow？、还是Keras？其实，对于这样的问题，基于现在的形势下，你就不要把着眼点放在这些工具的使用上了， 重要的是要知道它的原理。 为了让更多的人从根本性的掌握AI知识，特为你推出 《用纯Python从零创造自己的深度学习框架》

在2021年新春到来之际，泽宇祝您和您的家人新春快乐，牛年大吉，身体健康，万事顺遂，牛气起来。 我们在元旦那一期的文章《 年末巨制：知识图谱嵌入方法研究总结 》中系统介绍了知识图谱嵌入方法，这也是泽宇读博这几年的研究方向，其中对于经典和前沿各种知识图谱嵌入方法根据自己的理解进行了总结，同时包括相关开源平台和数据集的介绍。很多小伙伴纷纷希望取得原版slides，在此泽宇将原版《 知识图谱嵌入方法研究 总结.pdf》 作为新春礼物免费送给您，取得方式为百度网盘（7天有效）： 链接: https://pan.baidu.com/s/19eJiBtWAYLKzk-wu_PniMA 提取码: h87r 新的一年希望我们能一起学习和交流更多关于AI和知识图谱的有趣的知识。 本文分享自微信公众号 - 人工智能遇上知识图谱（AIKGbyzeyu）。 如有侵权，请联系 support@oschina.cn 删除。 本文参与“ OSC源创计划 ”，欢迎正在阅读的你也加入，一起分享。 来源： oschina 链接： https://my.oschina.net/u/4595922/blog/4954297

点击上方 “ 机器学习与生成对抗网络 ”，关注"星标" 获取有趣、好玩的前沿干货！ 选自arXiv 作者： Yifan Jiang等 机器之心编译 机器之心编辑部 「attention is really becoming『all you need』.」 最近，CV 研究者对 transformer 产生了极大的兴趣并取得了不少突破。这表明，transformer 有可能成为计算机视觉任务（如分类、检测和分割）的强大通用模型。 我们都很好奇：在计算机视觉领域，transformer 还能走多远？对于更加困难的视觉任务，比如生成对抗网络 (GAN)，transformer 表现又如何？ 在这种好奇心的驱使下，德州大学奥斯汀分校的 Yifan Jiang、Zhangyang Wang，IBM Research 的 Shiyu Chang 等研究者进行了第一次试验性研究， 构建了一个只使用纯 transformer 架构、完全没有卷积的 GAN，并将其命名为 TransGAN 。与其它基于 transformer 的视觉模型相比，仅使用 transformer 构建 GAN 似乎更具挑战性，这是因为与分类等任务相比，真实图像生成的门槛更高，而且 GAN 训练本身具有较高的不稳定性。 论文链接：https://arxiv.org/pdf/2102.07074.pdf 代码链接：https:

程序员的成长之路 互联网/程序员/技术/资料共享 关注 阅读本文大概需要 2.8 分钟。 辛丑牛年来了，祝大家新春快乐 MySQL = 没压岁钱了 ↓↓↓ 我是真的没有压岁钱收了 还能收的盆友都收到多少呀？来说说呗 <END> 推荐阅读： 微信昵称加「福」字，最新官方攻略来了！ 微信官宣：5000W个微信红包封面，可以秀一波了！！ 5T技术资源大放送！包括但不限于：C/C++，Linux，Python，Java，PHP，人工智能，单片机，树莓派，等等。在公众号内回复「 2048 」，即可免费获取！！ 微信扫描二维码，关注我的公众号 朕已阅 本文分享自微信公众号 - 程序员的成长之路（cxydczzl）。 如有侵权，请联系 support@oschina.cn 删除。 本文参与“ OSC源创计划 ”，欢迎正在阅读的你也加入，一起分享。 来源： oschina 链接： https://my.oschina.net/u/4581745/blog/4953799

ICASSP 2021将于2021年6月6日-11日在加拿大多伦多拉开序幕，凭借在语音技术领域的扎实积累和前沿创新，京东科技集团的_3篇_论文已经被 ICASSP 2021接收。 ICASSP全称International Conference on Acoustics, Speech and Signal Processing（国际声学、语音与信号处理会议），是由IEEE主办的全世界最大的，也是最全面的信号处理及其应用方面的顶级学术会议。京东科技集团此次的入选论文，在国际舞台全方位展示了 自身在语音增强、语音合成、多轮对话方面的实力。 01.Neural Kalman Filtering for Speech Enhancement 基于神经卡尔曼滤波的语音增强算法研究 * 论文链接： https://arxiv.org/abs/2007.13962 由于复杂环境噪声的存在，语音增强在人机语音交互系统中扮演重要的角色。基于统计机器学习的语音增强算法通常采用机器学习领域现有的常用模块（如全连接网络、递归神经网络、卷积神经网络等）构建增强系统。然而，如何将传统语音信号处理中基于专家知识的最优化滤波器设计理论，有效地应用到基于机器学习的语音增强系统中仍是一个仍未解决的问题。 京东科技集团入选论文《Neural Kalman Filtering for Speech

本次分享从以下几个方面展开，尽可能做到有理有据，希望对读者有所帮助：赛题简介、赛题难点、数据预处理、特征工程、数据增强、模型构建、其他、总结。 1.赛题简介 预测性维护是工业互联网应用“皇冠上的明珠”，实现预测性维护的关键是对设备系统或核心部件的寿命进行有效预测。对工程机械设备的核心耗损性部件的剩余寿命进行预测，可以据此对于相关部件的进行提前维护或者更换，从而减少整个设备非计划停机时间，避免因计划外停机而带来的经济损失，比如导致整个生产现场其他配套设备等待故障设备部件的修复。本赛题由中科云谷科技有限公司提供某类工程机械设备的核心耗损性部件的工作数据，包括部件工作时长、转速、温度、电压、电流等多类工况数据。希望参赛者利用大数据分析、机器学习、深度学习等方法，提取合适的特征、建立合适的寿命预测模型，预测核心耗损性部件的剩余寿命。 2.赛题难点 针对数据量以及划分构造训练集的问题采用以下方案解决： 训练集与测试集的构造： a.一个训练样本按照寿命的一定比例进行构造多个小样本； 这里有两种方法，一是采用固定的比例列表，例如[0.45，0.55，0.63，0.75，0.85]。 二是采用多次选取随机比例构造。 b.测试集不变。 （队友周杰曾尝试过测试集也进行比例划分，有提升） 比如说一个样本的寿命为1000，我们截取450前的数据作为一个训练样本，其剩余寿命为550； 然后截取550前的数据

##2017年第八届蓝桥杯B组C/C++决赛题目 ##<a href="https://www.cnblogs.com/fisherss/p/10876262.html">点击查看2017年蓝桥杯B组C/C++决赛题解</a> ###1.36进制 对于16进制，我们使用字母A-F来表示10及以上的数字。 如法炮制，一直用到字母Z，就可以表示36进制。 36进制中，A表示10，Z表示35，AA表示370 你能算出 MANY 表示的数字用10进制表示是多少吗? 请提交一个整数，不要填写任何多余的内容（比如，说明文字） ###2.磁砖样式 小明家的一面装饰墙原来是 3*10 的小方格。 现在手头有一批刚好能盖住2个小方格的长方形瓷砖。 瓷砖只有两种颜色：黄色和橙色。 小明想知道，对于这么简陋的原料，可以贴出多少种不同的花样来。 小明有个小小的强迫症：忍受不了任何2 2的小格子是同一种颜色。 （瓷砖不能切割，不能重叠，也不能只铺一部分。另外，只考虑组合图案，请忽略瓷砖的拼缝） 显然，对于 2 3 个小格子来说，口算都可以知道：一共10种贴法，如【p1.png所示】 但对于 3*10 的格子呢？肯定是个不小的数目，请你利用计算机的威力算出该数字。 注意：你需要提交的是一个整数，不要填写任何多余的内容（比如：说明性文字） ###3.希尔伯特曲线 希尔伯特曲线是以下一系列分形曲线 Hn 的极限

在学习与定制AI模型的过程中，开发者会面对各种各样的概念，在深度学习领域，有一个名词正在被越来越频繁地得到关注：迁移学习。它相比效果表现好的监督学习来说，可以减去大量的枯燥标注过程，简单来说就是在大数据集训练的预训练模型上进行小数据集的迁移，以获得对新数据较好的识别效果，因其能够大量节约新模型开发的成本，在实际应用中被更广泛地关注。EasyDL专业版在最新上线的版本中，就引入了百度超大规模视觉预训练模型，结合迁移学习工具，帮助开发者使用少量数据，快速定制高精度AI模型。 在训练一个深度学习模型时，通常需要大量的数据，但数据的采集、标注等数据准备过程会耗费大量的人力、金钱和时间成本。为解决此问题，我们可以使用预训练模型。以预训练模型A作为起点，在此基础上进行重新调优，利用预训练模型及它学习的知识来提高其执行另一项任务B的能力，简单来说就是在大数据集训练的预训练模型上进行小数据集的迁移，以获得对新数据较好的识别效果，这就是迁移学习（Transfer Learning）。迁移学习作为一种机器学习方法，广泛应用于各类深度学习任务中。在具体实现迁移学习时，有多种深度网络迁移方法，其中的Fine-tune（微调）是最简单的一种深度网络迁移方法，它主要是将已训练好的模型参数迁移到新的模型来帮助新模型训练。 在实际应用中，针对一个任务，我们通常不会从头开始训练一个模型，因为这非常耗时耗力

目前，人工智能（AI）非常热门，许多人都想一窥究竟。如果你对人工智能有所了解，但对机器学习（Machine Learning）的理解有很多的困惑，那么看完本文后你将会对此有进一步深入理解。在这里，不会详细介绍机器学习算法的基本原理，而是通过将比较有意思的视频（YouTube）和文字相结合，逐渐增加对机器学习基础的理解。 当看到本文时，请坐下来放松一下。因为下面的这些视频需要花费一点时间，但看完视频后，你肯定会被吸引继续阅读下去。此外，当阅读完本文后，你应该会对现在最热门的技术——机器学习有了全面的知识基础，并对此产生学习热情，最终能学到什么程度完全取决于个人的努力，本文只是一块敲门砖。 为什么机器学习现在如此热门 人工智能总是很酷，从科幻电影到现实中的阿法狗、聊天机器人等，一直吸引人们的关注。长久以来，人们认为人工智能一直围绕着程序员对某些事情应该如何表现的功能性猜测。然而，程序员并不总是像我们经常看到的那样对人工智能编程同样有着天赋。正如我们经常看到的那样，比如谷歌“史诗游戏失败”中在人工智能、物理、有时甚至是经验丰富的人类玩家中都存在有过失。 无论如何，人工智能有一种新的天赋——通过该项技术，我们可以教电脑玩游戏、理解语言、甚至识别人或物。这个只显露冰山一角的新技术来源一个旧的概念——机器学习，直到最近几年，它才获得了理论之外的处理能力，这源于数据量的爆炸

日常鸡汤： 　　当你去想要去放纵自己的时候，多想想你的父母在干什么！ 一、Python简介： 都说“Hello,Wolrd”是万恶之起源，但我觉得介绍才是万恶的起源。 Python 创始人龟叔（Guido van Rossum） 1.主要应用的领域： 云计算：OpenStack WEB开发：Django等框架 科学运算、人工智能：典型库NumPy等 系统运维 金融：量化交易，金融分析 图形GUI：PyQT等 2.编译和解释的区别： 编译器 是把源程序的每一条语句都编译成机器语言，并保存成二进制文件，这样运行时计算机可以直接以机器语言来运行此程序，速度很快。 解释器 是在执行程序时，才一条一条的解释解释成机器语言给计算机来执行，所以运算速度慢，跨平台性高 3.Python语言的特点： 　　“优雅”、“明确”、“简单” 　　并且Python是一门解释型的弱类型语言 二、第一个Python程序 1 # _*_ encoding:utf-8 _*_ 2 print ( " Hello,Word " ) frist 　　当python的版本为2系列的时候需要在编辑代码前加上一行 # _*_ encoding:utf-8 _*_ 　　因为Python2系列的版本默认不支持utf-8的编码，python3 系列没有这个问题 三、变量 1.常量： 　　在python中不存在绝对的常量，只是约定俗称