搜索[学习]结果-低调大师优秀个人博客

精选列表

搜索[学习]，共10000篇文章

MindSpore强化学习：使用PPO配合环境HalfCheetah-v2进行训练

本文分享自华为云社区《MindSpore强化学习：使用PPO配合环境HalfCheetah-v2进行训练》，作者： irrational。

2024-04-29

数据本地性如何助力企业在云上实现高效机器学习

分享嘉宾： Lu Qiu, Shawn Sun 本文将讨论数据本地性对于在云上进行高效机器学习的重要性。首先对比现有解决方案的利弊，并综合考虑如何通过数据本地性来降低成本和实现性能最大化。

2024-03-22

ICDM'23 BICE论文解读：基于双向LSTM和集成学习的模型框架

我们通过图嵌入算法学习表与表之间的关联，并作为连接条件编码的依据。之后，我们建立了双向LSTM对物理计划进行学习。

2024-01-19

每日一博 | 机器学习硬件十年：性能变迁与趋势

我们认为，这在一定程度上是因为机器学习实践者选择了最强大的可用硬件，其次，这也是由于最近推出的专门针对机器学习市场的高端数据中心GPU的推出，例如英伟达的V/A/H100或谷歌的TPU。

2023-12-12

一文读懂机器学习中的回归模型

一、引言回归问题的重要性回归问题是机器学习领域中最古老、最基础，同时也是最广泛应用的问题之一。无论是在金融、医疗、零售还是自然科学中，回归模型都扮演着至关重要的角色。

2023-11-29

一、简介内核启动介绍了整个系统从硬件上电如何一步步进入用户程序的过程。一般情况下，启动过程分为硬件上电，首先运行和体系架构相关的启动汇编文件，进行一些最基本硬件的初始化(例如CPU配置，时钟，栈地址，RAM等)，为内核运行铺垫好环境，然后初始化内核各模块(例如调度器，定时器等)，接着创建系统任务(例如空闲任务)和用户任务，最后启动调度和运行用户程序。二、自动初始化自动初始化是指初始化函数不需要被显式调用。隐式调用（静态调用）：将动态链接库和其它源程序文件（或者目标文件）一起参与链接；在介绍内核启动之前，有必要介绍自动初始化的实现机制。在介绍内核启动之前，有必要介绍自动初始化的实现机制。显式调用（动态调用）：手动调用动态链接库中包含的资源，同时用完后要手动将资源释放。自动初始化的实现是利用编译器的段和段排序的特性，以GCC编译器为例具体如下：在介绍内核启动之前，有必要介绍自动初始化的实现机制。自动初始化的实现是利用编译器的段和段排序的特性，以GCC编译器为例具体如下： 1、通过GCC的关键字__attribute__((section(x)))，可以把定义的符号（函数地址或变量地址）放到段名为x的段中，段名x由用户指定。在自动初始化应用中，段名都包含.init_call字符串，若采用通配符的表示方法，段名为.init_call，表示任何一串其它一串字符串； 2、在GCC的链接脚本中，关键字KEEP((SORT(.init_call)))可以对段名符合.init_call*形式的段进行排序； 3、若把自动初始化函数的符号（即函数地址）放到符合.init_call*形式的段中，就可以间接实现函数符号排序，从而可以提供有顺序的执行自动初始化函数的方法。自动初始化通过宏定义提供了注册初始化函数的接口，接口如下：提供了段结构的宏定义，根据初始化优先级的不同，有如下宏定义：编译之后，初始化宏对应的段结构如下：三、内核启动流程下图展示了整个系统启动过程和内核启动过程，本节主要介绍内核启动部分。可见，内核启动主要有下面几个步骤： 1、系统先从启动文件开始运行，然后进入 OneOS 的内核启动函数 os_kernel_init()和os_kernel_start() 2、os_kernel_init中调用_k_run_init_call函数执行OS_INIT_LEVEL_PRE_KERNEL_1，进行内核启动前的第一阶段的初始化 3、初始化内核各模块，如tick队列，调度器，定时器等 4、创建recycle，idle，timer，sys系统任务 5、启动调度器，最后会运行sys任务，sys任务调用_k_run_init_call函数依次执行其他自动化宏注册的函数，最后调用main函数进入用户程序入口

2023-09-14

基于飞桨图学习框架实现的城市地点动态关系挖掘

为了应对这些挑战，我们基于飞桨的图学习框架实现了一种新型的深度学习框架来研究城市中区域地点的动态关系挖掘。

2023-08-14

【论文解读｜GL-Cache 】基于组级学习的缓存替换算法

为了适应不断变化的工作负载，近年来设计出一些学习型缓存（学习型缓存替换策略，特别是逐出策略），大致可以分为三种：对象级别学习、从分布中学习和从简单专家（策略集）中学习。

2023-05-29

novel v3.4.0 发布，Spring Boot 3 + Vue 3 学习型项目

Bug 修复 [文档] 增加Docker Compose 一键安装开发环境教程项目简介 novel 是一套基于时下最新 Java 技术栈 Spring Boot 3 + Vue 3 开发的前后端分离学习型小说项目

2023-04-26

Kubeflow v1.7 发布，K8s 机器学习工具包

Kubeflow v1.7 可以利用开发者的 Python 知识来构建无缝的工作流程，而不需要 Kubernetes CLI 命令，也不需要为每次迭代构建容器镜像。通过多个组件中的新 UI，开发人员可以将配置参数与日志联系起来，这使他们能够快速分析结果。当与 Kubeflow 的 pythonic 工作流程和 Kubernetes 的运行效率相结合时，这些改进可以为模型开发人员节省大量的时间和精力。 Katib Katib 包括对用户界面和 SDK 的新的改进。新的 Katib 用户界面提供了简化的细粒度配置和日志关联性。此外，还增加了排序和过滤功能，允许对你的许多实验进行更有组织的查看。此外，这些功能最大限度地减少了手动使用低级别的命令来定位和关联日志与 HyperParameter Experiment 配置的必要性。这简化了深入的性能分析和后续的模型参数迭代过程。在 1.7 中，Katib SDK 提供了新的功能，包括 Tune API 和从 Katib 数据库中检索试验指标的能力。模型开发者或数据科学家可以执行 Tune API 来启动一个 HyperParameter Experiment，而不需要对底层系统（如 Kubernetes、Docker）有任何了解。它可以自动将用户训练脚本转换为 Katib Experiment。 Training operator Kubeflow 的统一分布式 Training operator 的增强功能包括用于微调资源扩展的配置选项（处理器、内存、存储）。它现在包括对 Pytorch Elastic 工作负载的 HPA 支持，用户可以在 Job Spec 中指定目标指标/利用率。这用于自动扩大/缩小 Pytorch 作业的规模，以满足需求，同时确保用户配置的弹性策略。这些改进大大简化了用户的工作流程，并减少了操作上的繁琐和成本。 Pipelines 在 Kubeflow 1.7 中，Pipelines Working Group 通过最新的 2.0.0-alpha.7 版本继续努力实现 KFP v2。该版本包括以下主要改进：管线作为组件：管线本身可以作为其他管线的组件使用，就像你在管线中使用任何其他单步组件一样 Sub-DAG 可视化，允许管道用户深入了解其管线的子图组件错误和漏洞的修复更多详情可查看：https://github.com/kubeflow/kubeflow/releases/tag/v1.7.0

2023-04-04

斯坦福大学发布开源机械臂 ALOHA，具备模仿学习能力

该项目作者 Tony Zhao 是斯坦福大学 CS PhD，他基于神经网络模型 Transformer 开发了一种动作学习算法——称为 Action Chunking with Transformers

2023-03-30

深度学习工具 audioFlux —— 一个系统的音频特征提取库

目录时频变换频谱重排倒谱系数解卷积谱特征音乐信息检索 audioFlux是一个Python和C实现的库，提供音频领域系统、全面、多维度的特征提取与组合，结合各种深度学习网络模型，进行音频领域的业务研发

2023-03-28

0源码基础学习Spring源码系列（二）——Spring如何解决循环依赖

3.1循环依赖总结在学习代理在循环依赖的，发现其实并不太需要二级缓存，可以在bean实例化完成之后就选择要不要生成代理对象，如果要生成的话就往三级缓存中放入代理对象，否则的话就放入普通bean，这样别人过来拿的时候就不用判断是否需要返回代理对象了

2023-02-15

ERNIE —— 百度基于持续学习的语义理解预训练框架

ERNIE是百度开创性提出的基于知识增强的持续学习语义理解框架，该框架将大数据预训练与多源丰富知识相结合，通过持续学习技术，不断吸收海量文本数据中词汇、结构、语义等方面的知识，实现模型效果不断进化。

2023-02-08

NeurIPS 2022：基于语义聚合的对比式自监督学习方法

本文分享自华为云社区《[NeurIPS 2022]基于语义聚合的对比式自监督学习方法》，作者：Hint 。

2022-12-19

新鲜出炉｜基于深度学习的运维日志领域新进展

与此同时，在文章最后介绍了未来基于深度学习的运维日志领域主要研究方向。日志研究概述日志任务与数据日志是运维领域中的必不可少的一种半结构化数据类型，基于此开展的研究任务也多种多样。

2022-11-25

机器学习服务文本识别能力演进，大幅提升识别准确率

Demo HMS Core机器学习服务OCR能力在2020年01月15日首次上线，为开发者们提供了丰富的API接口，HMS Core OCR能力支持任意角度的文本识别，对横竖排、弯曲文本精准识别的同时，

2022-10-27

英伟达首席科学家：深度学习硬件的过去、现在和未来

深度学习技术的成功实现取决于三大要素：第一是算法。20世纪80年代甚至更早就提出了大多数深度学习算法如深度神经网络、卷积神经网络、反向传播算法和随机梯度下降等。第二是数据集。

2022-08-23

novel v3.3.0 发布，Spring Boot 3 + Vue 3 学习型项目

[优化]优化数据库脚本管理 [文档]更新文档项目部署部分演示站点点击前往项目介绍 novel 是一套基于时下最新 Java 技术栈 Spring Boot 3 + Vue 3 开发的前后端分离学习型小说项目

2022-08-05

挑战最全 Apache Doris 学习资料，你想要的都在这里了！

写在前面：感谢各位对 Apache Doris 的喜爱，针对大家的学习和使用需求，我们从互联网上整理汇总了 Apache Doris 相关的学习资料，包括但不限于：使用教程、技术解析、应用实践、大会回放及

2022-06-17

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。