首 页 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 尾 页

ICT企业评谈丨格力投500亿元开发芯片就能成功吗?

发布者: PHPYuan | 发布时间:2018-07-10

ICT企业评谈丨格力投500亿元开发芯片就能成功吗?

最近格力电器董事长董明珠在股东会上表示,必须要做芯片,格力打算投入500亿元人民币进行芯片研发。此事在业界引起了热议,一些业界知名人士也对此发表了看法。

ICT企业评谈丨格力投500亿元开发芯片就能成功吗?

比如中国工程院院士倪光南表示,从芯片整体的产业链来讲,如果每个环节都做确实是很大的突破,但假如就某一个环节,比如芯片设计,还是可以的。芯片的加工生产往往只有少数大企业能够承担,生产规模很大,投入太少就很难推进。但芯片设计公司在中国却有很多,因为设计往往可以面向应用,小公司也可以做。

因此倪光南认为,像格力那样的规模做芯片设计毫无问题,但要覆盖整个产业链不太现实。因为需要投入,华为做芯片投入了很多年,有一定积累,所以能

想读更多 ->

最先迎接区块链技术的行业还属金融行业

发布者: PHPYuan | 发布时间:2018-07-10

最先迎接区块链技术的行业还属金融行业

区块链新闻汇总

传统银行开始主动拥抱区块链等金融科技

人民网今日发文表示,最近,波士顿咨询公司发布的两份金融业报告指出,全球银行业继续复苏需要依赖数字化转型。金融科技对于银行业的影响并非只是负面冲击,全球范围内,越来越多的传统银行开始主动拥抱金融科技。

一方面,众多传统银行纷纷加大研发投入,力图让区块链、大数据以及人工智能等新技术为其所用;

另一方面,很多传统银行也选择与互联网科技公司“联姻”,通过优势互补加强市场地位。很多传统银行将区块链技术应用于银行内部乃至银行之间的清算和结算业务,在保证安全的前提下极大地简化业务流程,提高资金运行效率。

一些欧洲银行甚至尝试利用区块链技术向企业发放贷款,贷款中涉及的多方参与者通过区块链的分布式账本技术共同完成贷款流程,成功将贷款流程从几天缩短到几个小时。

机器学习结合音乐教育,目前已碰撞出哪些火花?

将机器学习融入音乐教育中,可以丰富学习过程,帮助已有的课程提升到新的层次。尽管机器学习尚有许多未开发的潜能,但如今也有很多可以在课堂上使用的技术:

1.音乐表演的现场反馈

由于通常情况下,学生的数量都要大于老师,所以在表演方面学生们只能得到有限的反馈。当他们进行课后练习时,就几乎接收不到外界反馈。

在学习唱歌或乐器的早期阶段,这种反馈的缺失是十分

想读更多 ->

迁移学习的Python实例

发布者: PHPYuan | 发布时间:2018-07-10

在这篇文章中,我将帮助您了解我们如何使用最重要的深度学习设计方法(TRANSFER LEARNING)来实现图像或对象识别的真实实现。在我们深入学习转学习之前,让我们回顾一些我们需要理解的概念。

当我们没有为我们关心的特定任务或领域培训可靠模型时,传统的机器学习模型给出了很多痛苦。例如,我需要使用在IAM数据集上训练的一些模型来训练手写文本识别。迁移学习允许我们通过利用某些相关任务或域的现有标记数据来处理这些场景。我们尝试将这些知识存储在解决源域中的源任务中,并将其应用于我们感兴趣的问题。

简而言之,迁移学习只不过是从别的知识中学习。

迁移学习的Python实例

迁移学习和机器学习

本图清楚地反映了转移学习的优点,因为您可以看到,您可以使用最少标记的数据集来训练您自己的定制模型,而您可以看到,在机器学习中缺乏这种特性。

为了更好地理解,我在Fashion MNIST上实现了简单卷积神经网络的工作。在这篇文章中,我们将学习各种迁移学

想读更多 ->

学习Python技术,高薪并没有那么难!

发布者: PHPYuan | 发布时间:2018-07-10

在2018年,受到人工智能、机器学习、大数据等前沿科技的影响,Python的学习者越来越多。大家有没有发现,跟Python紧密联系的人工智能、机器学习,大数据都是热门话题。所以说Python技术的行业发展前景非常广阔。

学习Python技术,高薪并没有那么难!

Python是一种解释型,交互式,面向对象的高级编程语言。和别的一些使用标点符号的语言不同,Python使用了大量的英语单词作为关键字,因而具有很好的可读性。而且跟其他编程语言相比,它有更少的语法结构。

而且Python的源代码可以直接运行。Python解释器会将源代码转换成中间语言,之后再翻译成机器码再执行。还有,Python中的一切都是类,所有的变量都是一个对象的引用。引用的值是由函数确定的,因此无法被改变。但是如果一个对象是可以被修改的你可以改动对象。

有人说成为一名Python工程师太累了,其实,我们从事哪些工作会不累呢?不知道大家有没有听说过这样一句话:享受是成功者的附加品。那么,你还想混日子吗?谁都想找“

想读更多 ->

资源|这是一份收藏量超过2万6的计算机科学学习笔记

发布者: PHPYuan | 发布时间:2018-07-10

机器之心整理

作者:郑永川

参与:思源

这是一份收藏量超过 2 万 6、Fork 量超过 7 千的学习笔记。近日,中山大学郑永川构建了一个「准备秋招学习笔记」的项目,该项目包含了计算机科学的大量精要知识与教程。该项目从基础排序算法到编程理念展示了计算机科学的应知应会,该项目对机器学习开发者及入门读者也非常有用,例如 Linux 系统、面向对象的编程、Git 工具和代码可读性等。这些笔记都是作者根据对各类书籍的理解,并记录重要知识点而完成。

资源|这是一份收藏量超过2万6的计算机科学学习笔记

项目地址:https://github.com/CyC2018/Interview-Notebook

该项目的主体内容可分为 9 部分,其中算法介绍了基础的栈和队列、并查集、排序和查找等,操作系统介绍了现代计算机系统与 Linux 系统。其它如介绍了设计模式和基本思想的面向对象编程、世界上最先进的分布式版本控制系统 Git、以

想读更多 ->

ICML进行时:一文看尽获奖论文及Google、脸书、微软的最新成果

发布者: PHPYuan | 发布时间:2018-07-10

ICML进行时:一文看尽获奖论文及Google、脸书、微软的最新成果

编辑 | 姗姗

出品 | 人工智能头条(公众号ID:AI_Thinker)

【导读】 ICML ( International Conference on Machine Learning),国际机器学习大会如今已发展为由国际机器学习学会(IMLS)主办的年度机器学习国际顶级会议。今天,第35届 ICML 大会在瑞典的斯德哥尔摩正式召开,与大家一同分享这一领域在这一年里的突破。ICML 2018 共有 2473 篇论文投稿,共有 621 篇论文杀出重围入选获奖名单,接受率接近25%。其中 Google 强势领跑,Deep Mind 、FaceBook和微软也是精彩纷呈;而在高校中 UC Berkeley 和 Stanford 、CMU 以近 30 篇荣登 Top 榜。

而今年不得不说咱们国内的成绩,虽然清华被收录了 12 篇,相比之下还是有差距,不过相比往年的数量和今年如此激烈的竞争下,进步是不可

想读更多 ->

会这种操作,至少让你的Python快100倍!一点都不吹牛!

发布者: PHPYuan | 发布时间:2018-07-09

会这种操作,至少让你的Python快100倍!一点都不吹牛!

所以其实这里有点耍花招,虽然我们是在讨论 Python,但还要用一些 Cython的魔法。但别忘了,Cython 是 Python 的超集(http://cython.org/),所以别被它吓住了!

你现在的 Python 程序已经是 Cython 程序了。

几种情况下你可能会需要这种加速,例如:

用 Python 为生产环境开发 NLP 模块;用 Python 在大型 NLP 数据集上计算分析结果;为 pyTorch 或 TensorFlow 等深度学习框架预处理一个大型数据集,或者在深度学习的批次加载器中有个很复杂的处理逻辑使得训练变慢。

在我们开始前要说的最后一件事:这篇文章里的例子我都放在了Jupyter Notebook(https://github.com/huggingface/100-times-faster-nlp)上。试试看吧!