榜单
服务器优惠
AI论文
IT文库
-
Jupiter 介绍
Jupiter 介绍 架构图 目标 功能点 快速开始 安装 理念 工程化 服务治理 拥抱变化 提升开发效率 总结 Jupiter 介绍 (opens new window) (opens new window) (opens new window) (opens new window) (opens new w... -
二、FNN
二、FNN 2.1 模型 2.1.1 FNN 2.1.2 SNN 2.2 实验 二、FNN 传统的 CTR 预估模型大多数采用线性模型。线性模型的优点是易于实现，缺点是：模型表达能力较差，无法学习特征之间的相互作用 interaction 。 非线性模型（如：FM,GBDT ）能够利用不同的组合特征，因此能够改善模型的表达能力。但是这... -
10.8. 文本情感分类：使用卷积神经网络（textCNN）
10.8. 文本情感分类：使用卷积神经网络（textCNN） 10.8.1. 一维卷积层 10.8.2. 时序最大池化层 10.8.3. 读取和预处理IMDb数据集 10.8.4. textCNN模型 10.8.4.1. 加载预训练的词向量 10.8.4.2. 训练并评价模型 10.8.5. 小结 10.8.6. 练习 10.8.7. 参考文... -
保存成文件(File)
保存成文件(File) 配置示例 解释 保存成文件(File) 通过日志收集系统将分散在数百台服务器上的数据集中存储在某中心服务器上，这是运维最原始的需求。早年的 scribed ，甚至直接就把输出的语法命名为 <store> 。Logstash 当然也能做到这点。 和 LogStash::File 不同, LogStash::File 里... -
6.7 门控循环单元（GRU）
6.7 门控循环单元（GRU） 6.7.1 门控循环单元 6.7.1.1 重置门和更新门 6.7.1.2 候选隐藏状态 6.7.1.3 隐藏状态 6.7.2 读取数据集 6.7.3 从零开始实现 6.7.3.1 初始化模型参数 6.7.3.2 定义模型 6.7.3.3 训练模型并创作歌词 6.7.4 简洁实现 小结 参考文献 ... -
用例子学习 PyTorch
用例子学习 PyTorch 目录 张量 Warm-up：NumPy PyTorch：张量 自动求导 PyTorch：张量和自动求导 PyTorch：定义新的自动求导函数 TensorFlow：静态图 nn 模块 PyTorch：nn PyTorch：optim PyTorch：自定义nn 模块 PyTorch：控制流和权重共... -
使用PyNative模式调试
使用PyNative模式调试 概述 执行单算子 执行普通函数 提升PyNative性能 调试网络训练模型 使用PyNative模式调试 概述 MindSpore支持两种运行模式，在调试或者运行方面做了不同的优化: PyNative模式：也称动态图模式，将神经网络中的各个算子逐一下发执行，方便用户编写和调试神经网络模型。 Grap... -
GS_OPT_MODEL
GS_OPT_MODEL GS_OPT_MODEL GS_OPT_MODEL是启用AiEngine执行计划时间预测功能时的数据表，记录机器学习模型的配置、训练结果、功能、对应系统函数、训练历史等相关信息。 表 1 GS_OPT_MODEL字段 名称 类型 描述 oid oid 数据库对象id。 templa... -
端到端学习的兴起
端到端学习的兴起 端到端学习的兴起 假设你想要构建一个系统来对产品的线上评论进行检查，并且要能够自动地告诉你给出评论的人是否喜欢这个产品。比如说，你希望系统将下面的句子识别为十分正面的评论： 这个拖把非常好用！ 而下面的评论应当是十分负面的： 拖把的质量好差，我后悔买它了。 这种识别正面与负面评论的问题被称为 “情感分类”（s...