-
Ubuntu安装docker
文章目录 Ubuntu安装docker 一、安装docker 二、修改docker的默认存储路径 Ubuntu安装docker 一、安装docker 检查安装环境是否满足docker安装要求 检查kernel内核是否在3.10以上: 1uname -a 2// Linux dlserver 4.15.0-33-generic #36~16.04.1-Ubuntu SMP Wed Aug 15 17…- 8
- 0
-
深度学习中的激活函数
深度学习中的激活函数 Understanding Activation Functions in Deep Learning 激活函数的类型 线性激活函数:这是一种简单的线性函数,公式为:f(x) = x。基本上,输入到输出过程中不经过修改。 非线性激活函数:用于分离非线性可分的数据,是最常用的激活函数。非线性方程控制输入到输出的映射。非线性激活函数有 Sigmoid、Tanh、ReLU、LReL…- 10
- 0
-
自然语言处理之word2vec
一、背景 语言模型 - 在统计自然语言处理中,语言模型指的是计算一个句子的概率模型。 传统的语言模型中词的表示是原始的、面向字符串的。两个语义相似的词的字符串可能完全不同,比如“番茄”和“西红柿”。这给所有NLP任务都带来了挑战——字符串本身无法储存语义信息。该挑战突出表现在模型的平滑问题上:标注语料是有限的,而语言整体是无限的,传统模型无法借力未标注的海量语料,只能靠人工设计平滑算法,…- 11
- 0
-
meanShift算法介绍
meanShift, 均值漂移,在聚类、图像平滑、分割、跟踪等方面有着广泛的应用。 meanShift这个概念最早是由 Fukunage在 1975年提出的,其最初的含义正如其名:偏移的均值向量;但随着理论的发展, meanShift的含义已经发生了很多变化。如今,我们说的 meanShift算法,一般是指一个迭代的步骤,即先算出当前点的偏移均值,然后以此为新的起始点,继续移动,直到满足一定的结束…- 9
- 0
-
NLP 拼音汉字转换
https://www.cnblogs.com/zh-1721342390/p/8276922.html https://blog.csdn.net/l1028386804/article/details/55505397- 0
- 0
-
Hanlp中使用纯JAVA实现CRF分词
与基于隐马尔可夫模型的最短路径分词、N- 最短路径分词相比,基于条件随机场( CRF )的分词对未登录词有更好的支持。本文( HanLP )使用纯 Java 实现 CRF 模型的读取与维特比后向解码,内部特征函数采用 双数组 Trie 树 (DoubleArrayTrie) 储存,得到了一个高性能的中文分词器。 开源项目**** 本文代码已集成到HanLP 中开源: http://hanlp.co…- 113
- 0
-
【深度学习】基于caffe的表情识别(四):在Intel AI DevCloud上训练模型
一、注册申请Intel AI DevCloud 1.打开AI DevCloud申请的网址,请求访问:https://software.intel.com/zh-cn/ai-academy/tools/devcloud 2.填写注册信息: 3.Submit提交,提交后会出现下面的界面: 4.说明已经申请成功了,大概等2个工作日左右,会收到一封邮件,邮件长这样: 第一个红框内的链接是使用教…- 8
- 0
-
PyTorch深度学习60分钟快速上手(三),神经网络。
神经网络 使用torch.nn可以很方便地构建神经网络。 到目前为止,我们已经对autograd有所了解,nn依靠autograd来定义模型,并求微分。nn.Module包含了许多网络层,forward(input)能返回输出结果output。 下面是分类数字图片的网络结构图: 这是一个非常简单的前向网络,将输入经过若干网络层的处理,最后得出结果。 神经网络的典型训练过程有以下几点: 定义网络结构…- 8
- 0
-
[深度学习基础] 4. 卷积神经网络
卷积神经网络 (convolutional neural networks, CNN, ConvNets) 是流行的深度学习技术中的一种. 和上文讨论的神经网络一样, CNN 也是由可学习的参数组成, 每一层也是进行一个线性运算和经过一个激活函数, 参数的学习也是根据 BP 算法. CNN 和神经网络的区别, CNN 的优点, 和CNN 参数的具体学习过程将在本文进行讨论. 1 训练数据 CNN …- 2
- 0
-
基于深度学习的推荐系统
ACMJ.Comput.Cult.Herit.,Vol.1,No.1,Article35.Publication date:July 2017. 1、引言 推荐系统:用来预测使用者对于他们还没有见到或了解的事物的喜好。由于网络信息的复杂性和动态性,推荐系统成为解决信息过载问题的有效途径。 深度学习:是通过组合低层的特征,形成更加抽象的高层表示属性或特征,以发现数据的分布式特征表示。目前已应用于语音…- 5
- 0
-
基于深度学习的推荐(三):基于attention的AFM模型
公众号 前言 从这周开始,我们关注基于attention机制的推荐模型,首先看下较早提出的AFM(Attentional Factorization Machines)模型.论文链接:AFM 论文作者认为,并非所有的特征交互都包含有效信息,因此那些"less userful features"应该赋予更低的权重.很明显,当无效信息和有效信息权重相同时,相当于引入了噪声.而FM缺…- 17
- 0
-
Kafka实战(五) – Kafka的秘技"坂本"之争
只有顺应版本,才能成就王者不败神话 也是能否用好Kafka的关键。 不论是哪种Kafka,本质上都基于core Apache Kafka 那就来说说Apache Kafka版本号的问题 1 缘何"在乎"你这版本号 直接使用最新版本不就好了吗? 当然了!这的确是一种有效策略,这种策略并非在任何场景下都适用 如果不了解各个版本之间的差异和功能变化,怎么能够准确地评判某Kafka版本…- 0
- 0
-
Kafka分区分配策略(1)——RangeAssignor
引言 按照Kafka默认的消费逻辑设定,一个分区只能被同一个消费组(ConsumerGroup)内的一个消费者消费。假设目前某消费组内只有一个消费者C0,订阅了一个topic,这个topic包含7个分区,也就是说这个消费者C0订阅了7个分区,参考下图(1)。 此时消费组内又加入了一个新的消费者C1,按照既定的逻辑需要将原来消费者C0的部分分区分配给消费者C1消费,情形上图(2),消费者C0和C1各…- 12
- 0
-
kafka解决了什么问题?
Web应用:部署在云服务器上,为个人电脑或者移动用户提供的访问体验。 SQL数据库:为Web应用提供数据持久化以及数据查询。 这套架构简洁而高效,很快便能够部署到百度云等云计算平台,以便快速推向市场。互联网不就是讲究小步快跑嘛! 好景不长。随着用户的迅速增长,所有的访问都直接通过SQL数据库使得它不堪重负,不得不加上缓存服务以降低SQL数据库的荷载;为了理解用户行为,开始收集日志并保存到Hadoo…- 5
- 0
-
Flume+Kafka+SparkStreaming整合
SparkStream整合Flume&Kafka打造通用的流处理平台 整个流程如图所示: 使用下面这段简单的代码模拟日志产生: 1import org.apache.log4j.Logger; 2 3/** 4 * Created by Zhaogw&Lss on 2019/11/27. 5 */ 6public class LoggerGenerator { 7 private …- 10
- 0
-
Flume整合Kafka
Flume 整合 Kafka 一、背景 先说一下,为什么要使用 Flume + Kafka? 以实时流处理项目为例,由于采集的数据量可能存在峰值和峰谷,假设是一个电商项目,那么峰值通常出现在秒杀时,这时如果直接将 Flume 聚合后的数据输入到 Storm 等分布式计算框架中,可能就会超过集群的处理能力,这时采用 Kafka 就可以起到削峰的作用。Kafka 天生为大数据场景而设计,具有高吞吐的特…- 10
- 0
-
基于hadoop生态圈的数据仓库实践——进阶技术(十五)
十五、维度合并 随着数据仓库中维度的增加,我们会发现有些通用的数据存在于多个维度中。例如,客户维度的客户地址相关信息、送货地址相关信息和工厂维度里都有邮编、城市和州。本节说明如何把三个维度里的邮编相关信息合并到一个新的维度。 1. 修改数据仓库模式 为了合并维度,需要改变数据仓库模式。下图显示了修改后的模式。新增了一个zip_code_dim表,sales_order_fact和productio…- 1
- 0
-
hadoop生态系统学习之路(八)hbase与hive的数据同步以及hive与impala的数据同步
在之前的博文中提到,hive的表数据是可以同步到impala中去的。一般impala是提供实时查询操作的,像比较耗时的入库操作我们可以使用hive,然后再将数据同步到impala中。另外,我们也可以在hive中创建一张表同时映射hbase中的表,实现数据同步。 下面,笔者依次进行介绍。 一、impala与hive的数据同步 首先,我们在hive命令行执行show databases;可以看到有以下…- 4
- 0
幸运之星正在降临...
点击领取今天的签到奖励!
恭喜!您今天获得了{{mission.data.mission.credit}}积分
我的优惠劵
-
¥优惠劵使用时效:无法使用使用时效:
之前
使用时效:永久有效优惠劵ID:×
没有优惠劵可用!