zenRRan
zenRRan

【面向工业界】京东NLP算法工程师培养计划

想成为NLP工程师，但是否因为没有实际项目经历而发愁？是否希望丰富简历中的项目经验，从而提高面试的通过率？是否想尝试有技术含量的项目，以后为进大厂而准备？ 这就是我们实战训练营的初衷。

京东智联云联合贪心科技推出了《京东NLP项目实战训练营》，让学员通过4个月完成4个非常具有挑战的京东落地应用项目，智能医疗分诊项目、智能营销文案生成项目、智能对话系统项目、同类商品搜索项目。完成这些项目的同时，你也会学会使用BERT, GCN, GAT等前沿技术原理和应用。

【面向工业界】京东NLP算法工程师培养计划_第1张图片

四大真实京东实战场景

【面向工业界】京东NLP算法工程师培养计划_第2张图片

《京东NLP企业项目实战训练营3期》

专注于培养行业TOP10%的NLP工程师

添加课程顾问小姐姐微信

报名、课程咨询

????????????

【面向工业界】京东NLP算法工程师培养计划_第3张图片

01 课程大纲

第一章：京东健康智能分诊项目

Part 01：文本处理与特征工程

  • BagofWords模型

  • 从tf-idf到Word2Vec

  • SkipGram与CBOW

  • HierarhicalSoftmax与NegativeSampling

  • FastText 

  • N-gram与平滑操作

  • 文本特征工程

  • 工具的使用：Gensim、Sklearn、jieba的使用

  • 论文：SkipGram论文解读&复现

  • 专题：如果阅读科研论文

  • 项目：京东健康智能分诊项目讲解（1）

Part 02：基于统计学习的分类方法

  • 决策树

  • CART模型

  • Bagging&Boosting

  • 随机森林和GBDT

  • XGBoost

  • 精确率、召回率

  • F1，AUC

  • 论文：XGBoost的Paper和代码解读

  • 实战：LightGBM的解读与实战

  • 专题：如何处理样本不平衡问题

  • 项目：京东健康智能分诊项目讲解（2）

Part 03：基于深度学习的分类方法

  • 统计学习与深度学习的区别

  • 深度学习与浅层学习

  • 从逻辑回归到神经网络

  • 深度学习的非线性性质

  • 损失函数与优化器

  • 神经网络的调参

  • 实战：Pytorch的基础使用

  • 实战：使用Pytorch实现神经网络和卷积神经网络 

  • 专题：不同优化器比较：Momentum,AdaGrad,RMSProp,Adam

  • 项目：京东健康智能分诊项目讲解（3）

Part 04：CNN与工业界模型部署

  • CNN，TextCNN

  • 模型的部署

  • Docker的使用

  • Git&Jenkins的使用

  • Kubernetes的使用

  • Flask的使用

  • 实战：Neufoundry平台上的模型部署

  • 专题：智能分诊前沿技术讲解

  • 京东嘉宾：京东的文本分类部署

  • 京东嘉宾：京东的特征工程技术方案

第二章：京东智能营销文本生成项目

Part 05：递归神经网络RNN与BPTT算法

  • BPTT与RNN中的梯度消失、爆炸

  • 梯度爆炸的处理

  • LSTM与GRU

  • 基于LSTM的文本分类

  • Bi-LSTM与DeepBi-LSTM

  • RNN与LSTM的可视化

  • 实战：基于LSTM的情感分类

  • 实战：利用Pytorch实现多层LSTM

  • 实战：基于LSTM语言模型的文本生成

  • 专题：GPU技术详解

  • 项目：京东智能营销文本生成项目讲解（1）

Part 06：Seq2Seq模型与营销文本生成

  • Encoder-Decoder模型以及各类应用场景

  • Seq2Seq模型与注意力机制

  • GreedyDecoding

  • BeamSearch

  • 基于Seq2Seq的文本生成

  • 文本生成的评价指标

  • 实战：基于Seq2Seq的机器翻译

  • 论文：LSTM-CNNs论文

  • 项目：京东智能营销文本生成项目讲解（2）

Part 07：Pointer-GeneratorNetwork和多模态识别

  • 抽取式文本摘要和生成式文本摘要

  • Pointer-GeneratorNetwork

  • BeamSearch优化思路

  • LengthNormalization

  • CoverageNormalization

  • EndofSentenceNormalization

  • 多模态识别技术:ResNet和FasterRCNN

  • 实战：PGN+Seq2Seq解读

  • 论文：京东论文解读

  • 论文：FasterRCNN解读

  • 项目：京东智能营销文本生成项目讲解（3）

第三章：京东智能客服对话系统项目

Part 08：对话系统技术概览

  • 对话系统的分类方式

  • 检索方法和生成方法

  • 任务导向型系统和非任务导向型系统

  • 索引的建立

  • 对话系统中的召回

  • 对话系统中的排序

  • 倒排索引和WAND算法

  • 倒排索引的空间优化

  • 信息检索系统的评估方式

  • 实战：倒排索引的实现

  • 实战：VariableByteCompression的检索系统实现

  • 项目：京东智能对话系统项目讲解（1）

Part 09：检索系统中的召回

  • ApproximateNearestNeighborSearch

  • KD树

  • LSH技术

  • 近似图（ProximityGraph）

  • SmallWordGraph

  • NSW和HNSW

  • 论文：HNSW论文解读

  • 项目：京东智能对话系统项目讲解（2）

Part10：对话系统中的排序

  • LearningtoRank技术介绍

  • Point-wiseApproach

  • Pair-wiseApproach

  • List-wiseApproach

  • 常用模型的评估指标

  • MAP，NDCG

  • 相似度计算方法

  • WordMover'sDistance

  • 论文：WMD的实现

  • 项目：京东智能对话系统项目讲解（3）

Part11：自注意力机制以及Transformer

  • 从Attention到Self-Attention

  • Transformer的应用

  • Transformer模型详解

  • Transformer的实现

  • Reformer

  • Synthesizer

  • Low-RankBottleneck

  • 论文：TransformerXL论文解读

  • 项目：京东智能对话系统项目讲解（4）

  • 京东嘉宾：工业界的检索模型和L2R

Part12：基于BERT和Transformer的闲聊引擎

  • 闲聊引擎技术框架

  • 预训练模型简介

  • AE与VAE

  • BERT模型详解

  • BERT的不同训练方法

  • GPT2

  • GPT3

  • ALBERT

  • 实战：BERT的fine-tuning实战讲解

  • 论文：UniLM解读与复现

  • 论文：XLNet的解读与复现

  • 项目：京东智能对话系统项目讲解（5）

  • 京东嘉宾：工业界的生成式对话模型

第四章：京东同类商品搜索项目

Part13：基于图的学习

  • 图表示概论

  • 图与知识图谱

  • 基于图表示的应用场景

  • 关于图的一些特征

  • 关于图的一些常见算法

  • Deepwalk和Node2vec

  • TransE图嵌入模型

  • DSNE图嵌入模型

  • 实战：基于人工特征的链接预测实现

  • 实战：基于Node2Vec的链接预测实现

  • 项目：京东同类商品搜索项目讲解（1）

Part14：基于图神经网络的EntityLinking

  • 什么是实体

  • EntityLinking的简单解法

  • 基于图的EntityLink思路

  • 卷积神经网络回顾

  • 在图中的卷积

  • 图中的信息传递

  • 图卷积神经网络（GCN）

  • 基于GCN的EntityLinking

  • 论文：GCN论文解读和复现

  • 项目：京东同类商品搜索项目讲解（2）

Part15：GAT、GraphSage与EntityLinking

  • 注意力机制回顾

  • 注意力机制与图表示

  • GAT模型详解

  • GAT与GCN的比较

  • GraphSage详解

  • GAT与知识图谱应用

  • 对于Heterogenous数据处理

  • 论文：GAT论文解读与复现

  • 论文：GraphSage论文解读与复现

  • 项目：京东同类商品搜索项目讲解（3）

Part16：图神经网络与其他应用

  • NodeClassification

  • GraphClassification

  • LinkPrediction

  • CommunityDetection

  • 推荐系统

  • 文本分类

  • 图神经网络的未来发展

  • 论文：图神经网络综述

  • 项目：京东同类商品搜索项目讲解（4）

主讲老师

【面向工业界】京东NLP算法工程师培养计划_第4张图片

《京东NLP企业项目实战训练营3期》

专注于培养行业TOP10%的NLP工程师

添加课程顾问小姐姐微信

报名、课程咨询

????????????

【面向工业界】京东NLP算法工程师培养计划_第5张图片

01 科学的实战安排

每一期的训练营都有严谨科学的安排，每周伴随着理论、实战、案例分享、项目讲解等课程一系列课程内容。

【面向工业界】京东NLP算法工程师培养计划_第6张图片

【面向工业界】京东NLP算法工程师培养计划_第7张图片

▲节选前两周部分课程安排，详细安排请跟咨询师询问

02 项目讲解&实战帮助

训练营最终的目的是帮助学员完成项目，理解项目中包含核心知识技能，训练营中会花大量的时间帮助学员理解项目以及所涉及到的实战讲解。每一个项目会配套详细的实验手册、工程手册、还有注解的项目代码，所有实战过程都在云端GPU上完成。

【面向工业界】京东NLP算法工程师培养计划_第8张图片

▲节选往期部分课程安排

03 最佳工程实战

来自京东智联云等业界专家来讲述工业界的最佳工程实战，如AI模型的部署、代码编写、模型的调参以及debug等技术。

▲源自京东智联云AI某模块架构图

04 专业的论文解读

作为AI工程师，阅读论文能力是必须要的。在课程里，我们每1-2周会安排一篇经典英文文章供学员阅读，之后由老师帮助解读。   

    

▲节选往期部分论文安排

05 行业案例分享

训练营过程中会邀请合作的专家来分享行业案例以及技术解决方案，如知识图谱的搭建、保险领域的客服系统等。

▲专家分享

《Google YouTube 基于深度学习的视频推荐》

嘉宾简介：曾博士

计算机视觉，机器学习领域专家

先后在CVPR，ACMMM，TPAMI，SCI 期刊，EI 会议等发表超过30篇论文

06 日常社群答疑

为了帮助解决学员遇到的问题，专业助教会提供全天社群答疑服务。我们的助教均来来自于一线AI公司和国内外名校，扎实的理论和工业界应用也是我们选拔助教老师的重要标准，拒绝空谈理论。

▲社群内老师专业的解答

07 丰富的线下交流活动

【面向工业界】京东NLP算法工程师培养计划_第9张图片

【面向工业界】京东NLP算法工程师培养计划_第10张图片

▲参观京东总部，倾听大咖分享

【面向工业界】京东NLP算法工程师培养计划_第11张图片

【面向工业界】京东NLP算法工程师培养计划_第12张图片

【面向工业界】京东NLP算法工程师培养计划_第13张图片

报名须知

1、本课程为收费教学。

2、本期训练营招生名额有限。

3、品质保障！正式开课后7天内，无条件全额退款。

4、学习本课程需要具备一定的机器学习基础。

●●●

《京东NLP企业项目实战训练营3期》

专注于培养行业TOP10%的NLP工程师

添加课程顾问小姐姐微信

报名、课程咨询

????????????

【面向工业界】京东NLP算法工程师培养计划_第14张图片

你可能感兴趣的:(神经网络,人工智能,编程语言,机器学习,算法)

  • DeepSeek系列模型：高效能推理与多模态处理的技术突破与实践路径 张3蜂 人工智能开源技术选型人工智能开源机器人
    目录引言一、高效能推理的核心技术路径二、多模态处理的技术创新三、技术协同与落地实践四、未来技术演进方向结论引言背景与挑战AI模型规模化趋势下，推理效率与多模态融合成为关键瓶颈。DeepSeek系列模型的定位：平衡性能、效率与多模态能力的技术创新者。核心命题如何通过架构设计与算法优化实现高效推理？如何突破模态边界实现跨模态语义理解与生成？一、高效能推理的核心技术路径轻量化模型架构设计动态稀疏注意力机
  • 《2025：中国行业新方向与民营企业的使命》 晚风る 传媒
    2025年，中国经济正站在新的历史节点上，科技创新、数字经济、绿色经济等成为发展的核心驱动力。在这样的背景下，2025年民营企业座谈会的召开，无疑为中国未来行业的发展指明了方向。本文将结合座谈会内容，探讨中国未来行业发展的新方向。一、数字经济：创新驱动的核心引擎数字经济已成为全球经济增长的重要引擎，而民营企业在其中扮演着关键角色。2025年，数字经济将继续深化，涵盖云计算、大数据、人工智能、物联网
  • 网络安全：挑战、技术与未来发展 一ge科研小菜鸡 运维网络运维
    个人主页：一ge科研小菜鸡-CSDN博客期待您的关注1.引言在数字化时代，网络安全（Cybersecurity）已成为全球关注的焦点。随着云计算、大数据、人工智能（AI）、物联网（IoT）等技术的发展，企业和个人的敏感数据在互联网上的流通日益增加，黑客攻击、数据泄露、勒索软件等网络安全威胁也日趋严峻。本文将从网络安全的核心概念、常见攻击手段、防御技术、企业安全策略以及未来发展趋势等方面，深入探讨如
  • DeepSeek 的创新融合：多行业应用实践探索 ♡喜欢做梦 人工智能deepseek
    引言在数字化转型的浪潮中，技术的融合与创新成为推动各行业发展的关键力量。蓝耘平台作为行业内备受瞩目的创新平台，以其强大的资源整合能力和灵活的架构，为企业提供了高效的服务支持。而DeepSeek凭借先进的人工智能技术，在自然语言处理、数据分析等领域展现出卓越的性能。当蓝耘平台与DeepSeek携手，二者的优势互补为多行业解决方案带来了全新的应用实践方向，为企业解决复杂业务问题、提升运营效率提供了强大
  • CSDN C知道接入DeepSeek-R1满血版，赋能开发者高效智能编程与问题解决 CSDN资讯 人工智能
    CSDN宣布旗下C知道产品将接入深度求索（DeepSeek）人工智能大模型，通过植入“深度思考模式”，全面升级用户的AI搜索体验，重新定义智能编程场景。“CSDN积极整合行业顶尖技术能力，现已引入以DeepSeek为代表的推理大模型，并与C知道AI搜索产品深度融合，致力于为开发者提供更高效、更智能的技术解决方案与学习辅助工具，助力开发者提升效率、解决技术难题。”CSDN技术负责人表示，持续升级的A
  • 带权重的最近任务安排算法（最近面试策略） WePlayDirty 算法面试数据结构
    一个任务j在sj开始，并在fj结束;并且每个任务都有权重。任务相容：任务安排的时间没有重叠目标：找到最大权重，且相容的任务安排#includeusingnamespacestd;typedefstruct{intiStartT;intiFinshT;intiWight;}TASK_INFO;intg_i=0;voidFindSolution(TASK_INFO*schedule,int**comp
  • 算法-队列-买票需要的时间 程序员南飞 算法数据结构java职场和发展leetcode
    力扣题目：2073.买票需要的时间-力扣（LeetCode）有n个人前来排队买票，其中第0人站在队伍最前方，第(n-1)人站在队伍最后方。给你一个下标从0开始的整数数组tickets，数组长度为n，其中第i人想要购买的票数为tickets[i]。每个人买票都需要用掉恰好1秒。一个人一次只能买一张票，如果需要购买更多票，他必须走到队尾重新排队（瞬间发生，不计时间）。如果一个人没有剩下需要买的票，那他
  • Decoder-Only、Encoder-Only、Encoder-Decoder 区别 会喘气的粽子丶 nlp人工智能
    Decoder-Only、Encoder-Only和Encoder-Decoder是三种常见的神经网络架构，主要用于自然语言处理（NLP）任务。它们在结构和应用上有显著的区别。1.Decoder-Only架构描述：仅包含解码器部分，没有编码器。应用：通常用于生成任务，如语言模型和对话系统。代表模型：GPT（GenerativePre-trainedTransformer）特点：自回归生成：模型通过
  • 【重温设计模式】模板方法模式及其Java示例 万猫学社 重温设计模式及其Java实现设计模式模板方法模式java
    模板方法模式的基本概念模板方法模式是一种常见的设计模式，它的名字来源于其核心思想：定义一个操作中的算法的骨架，而将一些步骤延迟到子类中。模板方法使得子类可以不改变一个算法的结构即可重定义该算法的某些特定步骤。听起来可能有些抽象，但其实我们在生活中经常会遇到这样的场景。比如，我们在做饭时，通常会有一套固定的流程：洗菜、切菜、炒菜。这个流程就是一个模板，而具体的做法，比如切菜的方式、炒菜的时间等，就是
  • 【机器学习】半监督和无监督极限学习机SS-US-ELM附Matlab代码 默默科研仔 粉丝福利机器学习人工智能
    标题：【机器学习】半监督和无监督极限学习机SS-US-ELM附Matlab代码一、引言1.1研究背景和意义概述研究的背景以及该研究在领域内的重要性。1.2研究现状分析当前领域的研究进展和存在的问题。二、极限学习机（ELM）基本原理2.1ELM的基本模型描述ELM的基本模型结构和工作原理。2.2ELM的学习过程介绍ELM的学习算法和训练过程。三、半监督极限学习机（SS-ELM）3.1SS-ELM的提
  • 阅读论文“用于车联网安全车载通信的机器学习技术“的学习笔记 饮长安千年月 物联网安全安全机器学习学习
    前言论文全称为MachineLearningTechnologiesforSecureVehicularCommunicationinInternetofVehicles:RecentAdvancescandApplications智能交通系统（ITS）和计算系统的快速发展为智能交通安全提供了新的科学研究，并提供了舒适和高效的解决方案。人工智能（AI）已被广泛用于优化不同研究领域的传统数据驱动方法
  • 【AI引领潮流|未来智慧生活】国内机器聊天软件推荐（超全！）and人工智能&智能学习 熔光 人工智能AI软件智能学习生活
    1.AI聊天软件概述1.1AI聊天软件的关键技术1.2AI聊天软件的应用1.3AI聊天软件的挑战1.4总结2.智普清言3.文心一言4.讯飞星火5.知元AI6.白马AI7.ChatGPT8.一览AI应用链接9.人工智能10.机器学习↓个人主页：C_GUIQU↑1.AI聊天软件概述AI聊天软件是一种利用自然语言处理（NLP）、自然语言理解（NLU）和机器学习（ML）技术构建的软件，它能够理解用户的自然
  • Jieba分词算法应用 C嘎嘎嵌入式开发 算法服务器数据库c++linux
    1.Jieba分词算法简介Jieba是一个用于中文分词的Python库，其核心思想是基于词典和统计模型来进行分词。由于中文文本中没有明显的单词边界，因此分词是中文处理中的一个重要任务。Jieba提供了以下几种主要的分词模式：精确模式：尽可能准确地切分句子，适合用于文本分析。全模式：将句子中所有可能的词语都切分出来，适合用于搜索引擎。搜索引擎模式：在精确模式的基础上，对长词再次切分，适合用于搜索引擎
  • 机器学些|实战? dami_king 随笔机器学习
    机器学习实战：从零到%1…今天聊聊机器学习（MachineLearning,ML），这个听起来高大上的技术其实并没有那么神秘。跟着我的节奏，咱们一起来探索一下如何从零开始！准备工作：安装和导入必要的库在开始我们的房价预测项目之前，我们需要准备好开发环境并导入所有必要的库。这些库将帮助我们处理数据、构建模型、评估性能以及可视化结果。安装Python和JupyterNotebook首先，确保你已经安装
  • DeepSeek的训练与优化流程 程序猿000001号 DeepSeek训练优化
    DeepSeek的训练与优化流程一、数据工程体系1.多模态数据融合处理动态数据湖架构：实时摄入互联网文本、科学论文、专利文献、传感器数据等20+数据源日均处理原始数据量达1.2PB，支持200+文件格式自动解析智能清洗流水线：基于大模型的语义去重算法，重复数据识别准确率99.6%创新应用对抗网络生成噪声数据，增强模型鲁棒性专利级数据质量评估体系（DQAS3.0）包含87个质量维度2.知识增强处理结
  • DeepSeek行业应用实践报告100+份汇总解读|附PDF下载 数据挖掘深度学习机器学习算法
    原文链接：https://tecdat.cn/?p=40240在当下快速发展的科技浪潮中，人工智能（AI）已成为推动各行业变革的核心力量。AI大模型的出现，更是为众多领域带来了全新的发展机遇与挑战。本报告聚焦于AI大模型中的佼佼者——DeepSeek，通过深度剖析其技术特性、应用场景、市场表现以及未来趋势，为读者呈现一个全面且深入的AI行业发展图景。本报告汇总洞察基于文末157份DeepSeek行
  • 正则化（Regularization）和正则表达式（Regular Expression）区别 Dontla 正则表达式
    文章目录1.**正则化（Regularization）**2.**正则表达式（RegularExpression）**关键区别为什么名字相近？正则化（Regularization）和正则表达式（RegularExpression）不是同一个概念，它们是两个完全不同的术语，应用于不同的领域。1.正则化（Regularization）领域：机器学习/统计学。定义：正则化是一种用于防止模型过拟合（Ove
  • 搜广推校招面经十九 Y1nhl 搜广推面经搜索引擎推荐算法python求职招聘
    快手推荐算法一、1*1的cnn有什么作用？1.1.降维与通道数调整（ChannelReduction）在CNN中，特征图（FeatureMap）通常有多个通道（channels）。1×1卷积可以用于减少通道数，从而降低计算量，提高模型效率。1×1卷积可以增加通道数，以增强特征表达能力。示例代码（PyTorch）：importtorchimporttorch.nnasnnconv1x1=nn.Con
  • 菜鸟的成长之路 东风吹破了青花瓷 计算机数据结构与算法基础篇入门
    菜鸟的成长之路基础能力数据结构与算法数据结构链表数组栈队列字典bitset树堆完全二叉树平衡二叉树二叉查找树B树红黑树lsm树图通用算法排序十种排序算法查找二分查找深度广度优先搜索分治贪心回朔动态规划网络协议OSITCP/IP状态转移拥塞控制可靠工作原理socket编程HTTP/HTTPSIO模型同步IOreactor阻塞IO非阻塞IOIO多路复用信号驱动异步IOC10K问题长链接短链接编译原理l
  • 力扣hot100_矩阵_python版本 Y1nhl 力扣leetcode矩阵python
    73.矩阵置零给定一个mxn的矩阵，如果一个元素为0，则将其所在行和列的所有元素都设为0。请使用原地算法。classSolution:defsetZeroes(self,matrix:List[List[int]])->None:m,n=len(matrix),len(matrix[0])row,col=[False]*m,[False]*nforiinrange(m):forjinrange(n
  • 机器学习基本篇 胖胖的小肥猫 机器学习
    1基本概念机器学习，分为回归，分类，聚类，降维有监督学习回归，分类，有特征，有标签，进行训练，然后对新数据进行预测无监督学习聚类，降维。题目越多，训练越好，2基本流程数据预处理——模型训练与评估可以优化为获取数据——数据预处理——EDA分析——特征工程——模型训练——可解释性分析2.0数据获取利用kaggle,天池等平台的开源数据，2.1预处理目的：让数据更符合逻辑让数据更容易计算借助函数实现变换
  • 初始java常见模板 xx2534 java开发语言
    Java是一种适用于多种应用程序的编程语言，支持各种不同类型和规模的开发项目，其模板也相对较多，以下是Java的一些常见模板：基础的HelloWorld模板：publicclassHelloWorld{publicstaticvoidmain(String[]args){System.out.println("Hello,World!");}}2.类和对象模板：publicclassPerson{
  • 解锁机器学习核心算法 | 支持向量机：机器学习中的分类利刃 紫雾凌寒 AI炼金厂机器学习算法支持向量机python深度学习分类人工智能
    一、引言在机器学习的庞大算法体系中，有十种算法被广泛认为是最具代表性和实用性的，它们犹如机器学习领域的“十大神器”，各自发挥着独特的作用。这十大算法包括线性回归、逻辑回归、决策树、随机森林、K-近邻算法、K-平均算法、支持向量机、朴素贝叶斯算法、降维算法、梯度增强算法。它们涵盖了回归、分类、聚类、降维等多个机器学习任务领域，是众多机器学习应用的基础和核心。而在这十大算法中，支持向量机（Suppor
  • 基于python sanic框架，使用Nacos进行微服务管理 一醉千秋 python+银河麒麟微服务java架构
    微服务软件系统构建方式，已经很普及了，通过开源的sanic进行微服务管理，便捷，技术也比较成熟，而在项目实际应用过程中，微服务类型不仅有java的，还有nodejs、python等，尤其是结合算法模型构建的python接口，需要在Nacos进行注册管理。本文内容耗时2天踏坑，亲测一切ok。参考资源Docker安装nacos（图文并茂，避免踩坑，一步到位）_docker创建nacos容器需要挂载哪些
  • 新书速览|细说PyTorch深度学习：理论、算法、模型与编程实现 全栈开发圈 深度学习pytorch算法
    超详细的PyTorch深度学习入门书，100余个编程示例+6大热点案例，大咖带路，边学边实践。本书特点：1.专家编撰：由资深专家精心编撰，通俗易懂，娓娓道来2．范例丰富：100余个编程教学示例，帮你深入理解，边学习、边操练。3.实战应用：6大典型应用，原理与实操并重，快速掌握提升实战能力。4技术先进：视觉transformer模型详解，紧跟大模型核心技术。5易于上手：Pytorch详解并使用Pyt
  • 【忍者算法】字母组合“杀手锏“：5分钟攻克电话号码的字母组合｜LeetCode 17 忍者算法_ 算法leetcode职场和发展数据结构
    字母组合"杀手锏"：5分钟攻克电话号码的排列组合今天带你轻松掌握LeetCode17题「电话号码的字母组合」大家好，我是忍者算法。今天要聊的这道题，是面试中的经典题目，它不仅考察了递归回溯的思维，更是字符串处理的典型案例。来看看如何优雅地解决它！从生活场景说起还记得诺基亚手机的九宫格键盘吗？按键2对应"abc"按键3对应"def"按键4对应"ghi"…当我们要输入"hello"时，需要按：44-3
  • 【YOLO模型】（1）--YOLO是什么 方世恩 YOLOYOLO人工智能目标检测
    一、什么是YOLOYOLO（YouOnlyLookOnce）是一种基于深度学习的目标检测算法，由JosephRedmon等人于2016年提出。1.核心思想它的核心思想是将目标检测问题转化为一个回归问题，通过一个神经网络直接预测目标的类别和位置。2.原理YOLO算法将输入图像分成SxS个网格，每个网格负责预测该网格内是否存在目标以及目标的类别和位置信息。此外，YOLO算法还采用了多尺度特征融合的技术
  • 华为OD机试 - Excel 单元格数值统计（Python） | 机试题算法思路 【2023】 梦想橡皮擦 excel华为python算法华为od
    最近更新的博客华为OD机试题-最短耗时（JavaScript）华为OD机试题-机器人走迷宫（JavaScript）华为OD机试-新员工座位安排系统（Python）|机试题算法思路华为OD机试-能力组队（Python）|机试题算法思路华为OD机试-内存池（Python）|机试题算法思路使用说明参加华为od机试，一定要注意不要完全背诵代码，需要理解之后模仿写出，通过率才会高。华为OD清单查看地址：bl
  • 神经网络常见激活函数 10-GELU函数 亲持红叶 神经网络常见激活函数神经网络neo4j人工智能
    GELU高斯误差线性单元（Gaussianerrorlinearunit）函数+导函数GELU函数的公式(近似表达式)GELU(x)=x∗P(X<=x)=x∗Φ(x)\rmGELU(x)=x*P(X<=x)=x*\Phi(x)GELU(x)=x∗P(X<=x)=x∗Φ(x)其中Φ(x)\Phi(x)Φ(x)指的是x的高斯正太分布的累积分布函数(CDF),进一步地，可得该函数的具体表达为x∗P(X<
  • ocr智能票据识别系统|自动化票据识别集成方案 OCR_API 接口ocr自动化运维
    在企业日常运营中，对大量票据实现数字化管理是一项耗时且容易出错的任务。随着技术的进步，OCR（光学字符识别）智能票据识别系统的出现为企业提供了一个高效、准确的解决方案，不仅简化了财务流程，还大幅提升了工作效率。一、什么是OCR智能票据识别系统？OCR智能票据识别系统是一种基于先进图像处理和深度学习算法的技术，能够自动从各类票据中提取关键信息，并将其转换为结构化数据。翔云发票识别系统可以应用于增值税
  • 桌面上有多个球在同时运动，怎么实现球之间不交叉，即碰撞？ 换个号韩国红果果 html小球碰撞
    稍微想了一下，然后解决了很多bug，最后终于把它实现了。其实原理很简单。在每改变一个小球的x y坐标后，遍历整个在dom树中的其他小球，看一下它们与当前小球的距离是否小于球半径的两倍？若小于说明下一次绘制该小球（设为a）前要把他的方向变为原来相反方向（与a要碰撞的小球设为b），即假如当前小球的距离小于球半径的两倍的话，马上改变当前小球方向。那么下一次绘制也是先绘制b，再绘制a，由于a的方向已经改变
  • 《高性能HTML5》读后整理的Web性能优化内容 白糖_ html5
    读后感         先说说《高性能HTML5》这本书的读后感吧，个人觉得这本书前两章跟书的标题完全搭不上关系，或者说只能算是讲解了“高性能”这三个字，HTML5完全不见踪影。个人觉得作者应该首先把HTML5的大菜拿出来讲一讲，再去分析性能优化的内容，这样才会有吸引力。因为只是在线试读，没有机会看后面的内容，所以不胡乱评价了。  
  • [JShop]Spring MVC的RequestContextHolder使用误区 dinguangx jeeshop商城系统jshop电商系统
        在spring mvc中，为了随时都能取到当前请求的request对象，可以通过RequestContextHolder的静态方法getRequestAttributes()获取Request相关的变量，如request, response等。         在jshop中，对RequestContextHolder的
  • 算法之时间复杂度 周凡杨 java算法时间复杂度效率
          在 计算机科学 中， 算法 的时间复杂度是一个 函数 ，它定量描述了该算法的运行时间。这是一个关于代表算法输入值的 字符串 的长度的函数。时间复杂度常用 大O符号 表述，不包括这个函数的低阶项和首项系数。使用这种方式时，时间复杂度可被称为是 渐近 的，它考察当输入值大小趋近无穷时的情况。 这样用大写O()来体现算法时间复杂度的记法，
  • Java事务处理 g21121 java
    一、什么是Java事务 通常的观念认为，事务仅与数据库相关。 事务必须服从ISO/IEC所制定的ACID原则。ACID是原子性（atomicity）、一致性（consistency）、隔离性（isolation）和持久性（durability）的缩写。事务的原子性表示事务执行过程中的任何失败都将导致事务所做的任何修改失效。一致性表示当事务执行失败时，所有被该事务影响的数据都应该恢复到事务执行前的状
  • Linux awk命令详解 510888780 linux
    一.  AWK 说明   awk是一种编程语言，用于在linux/unix下对文本和数据进行处理。数据可以来自标准输入、一个或多个文件，或其它命令的输出。它支持用户自定义函数和动态正则表达式等先进功能，是linux/unix下的一个强大编程工具。它在命令行中使用，但更多是作为脚本来使用。    awk的处理文本和数据的方式：它逐行扫描文件，从第一行到
  • android permission 布衣凌宇 Permission
    <uses-permission android:name="android.permission.ACCESS_CHECKIN_PROPERTIES" ></uses-permission>允许读写访问"properties"表在checkin数据库中，改值可以修改上传 <uses-permission android:na
  • Oracle和谷歌Java Android官司将推迟 aijuans javaoracle
    北京时间 10 月 7 日，据国外媒体报道，Oracle 和谷歌之间一场等待已久的官司可能会推迟至 10 月 17 日以后进行，这场官司的内容是 Android 操作系统所谓的 Java 专利权之争。本案法官 William Alsup 称根据专利权专家 Florian Mueller 的预测，谷歌 Oracle 案很可能会被推迟。　　该案中的第二波辩护被安排在 10 月 17 日出庭，从目前看来
  • linux shell 常用命令 antlove linuxshellcommand
    grep [options] [regex] [files] /var/root # grep -n "o" * hello.c:1:/* This C source can be compiled with:
  • Java解析XML配置数据库连接(DOM技术连接 SAX技术连接) 百合不是茶 sax技术Java解析xml文档dom技术XML配置数据库连接
        XML配置数据库文件的连接其实是个很简单的问题,为什么到现在才写出来主要是昨天在网上看了别人写的,然后一直陷入其中,最后发现不能自拔 所以今天决定自己完成 ,,,,现将代码与思路贴出来供大家一起学习   XML配置数据库的连接主要技术点的博客; JDBC编程 : JDBC连接数据库 DOM解析XML:  DOM解析XML文件 SA
  • underscore.js 学习（二） bijian1013 JavaScriptunderscore
            Array Functions 所有数组函数对参数对象一样适用。1.first   _.first(array, [n])   别名: head, take       返回array的第一个元素，设置了参数n，就
  • plSql介绍 bijian1013 oracle数据库plsql
    /* * PL/SQL 程序设计学习笔记 * 学习plSql介绍.pdf * 时间：2010-10-05 */ --创建DEPT表 create table DEPT ( DEPTNO NUMBER(10), DNAME NVARCHAR2(255), LOC NVARCHAR2(255) ) delete dept; select
  • 【Nginx一】Nginx安装与总体介绍 bit1129 nginx
    启动、停止、重新加载Nginx nginx 启动Nginx服务器，不需要任何参数u nginx -s stop 快速(强制)关系Nginx服务器 nginx -s quit 优雅的关闭Nginx服务器 nginx -s reload 重新加载Nginx服务器的配置文件 nginx -s reopen 重新打开Nginx日志文件  
  • spring mvc开发中浏览器兼容的奇怪问题 bitray jqueryAjaxspringMVC浏览器上传文件
        最近个人开发一个小的OA项目,属于复习阶段.使用的技术主要是spring mvc作为前端框架,mybatis作为数据库持久化技术.前台使用jquery和一些jquery的插件.     在开发到中间阶段时候发现自己好像忽略了一个小问题,整个项目一直在firefox下测试,没有在IE下测试,不确定是否会出现兼容问题.由于jquer
  • Lua的io库函数列表 ronin47 lua io
    1、io表调用方式：使用io表，io.open将返回指定文件的描述，并且所有的操作将围绕这个文件描述 　　io表同样提供三种预定义的文件描述io.stdin,io.stdout,io.stderr 　　2、文件句柄直接调用方式,即使用file:XXX()函数方式进行操作,其中file为io.open()返回的文件句柄 　　多数I/O函数调用失败时返回nil加错误信息,有些函数成功时返回nil
  • java-26-左旋转字符串 bylijinnan java
    public class LeftRotateString { /** * Q 26 左旋转字符串 * 题目：定义字符串的左旋转操作：把字符串前面的若干个字符移动到字符串的尾部。 * 如把字符串abcdef左旋转2位得到字符串cdefab。 * 请实现字符串左旋转的函数。要求时间对长度为n的字符串操作的复杂度为O(n)，辅助内存为O(1)。 */ pu
  • 《vi中的替换艺术》-linux命令五分钟系列之十一 cfyme linux命令
    vi方面的内容不知道分类到哪里好，就放到《Linux命令五分钟系列》里吧！ 今天编程，关于栈的一个小例子，其间我需要把”S.”替换为”S->”(替换不包括双引号)。 其实这个不难，不过我觉得应该总结一下vi里的替换技术了，以备以后查阅。   1 所有替换方案都要在冒号“:”状态下书写。 2 如果想将abc替换为xyz，那么就这样 :s/abc/xyz/ 不过要特别
  • [轨道与计算]新的并行计算架构 comsci 并行计算
         我在进行流程引擎循环反馈试验的过程中，发现一个有趣的事情。。。如果我们在流程图的每个节点中嵌入一个双向循环代码段，而整个流程中又充满着很多并行路由，每个并行路由中又包含着一些并行节点，那么当整个流程图开始循环反馈过程的时候，这个流程图的运行过程是否变成一个并行计算的架构呢？      
  • 重复执行某段代码 dai_lm android
    用handler就可以了 private Handler handler = new Handler(); private Runnable runnable = new Runnable() { public void run() { update(); handler.postDelayed(this, 5000); } }; 开始计时 h
  • Java实现堆栈（list实现） datageek 数据结构——堆栈
    public interface IStack<T> { //元素出栈，并返回出栈元素 public T pop(); //元素入栈 public void push(T element); //获取栈顶元素 public T peek(); //判断栈是否为空 public boolean isEmpty
  • 四大备份MySql数据库方法及可能遇到的问题 dcj3sjt126com DBbackup
    一：通过备份王等软件进行备份前台进不去？ 用备份王等软件进行备份是大多老站长的选择，这种方法方便快捷，只要上传备份软件到空间一步步操作就可以，但是许多刚接触备份王软件的客用户来说还原后会出现一个问题：因为新老空间数据库用户名和密码不统一，网站文件打包过来后因没有修改连接文件，还原数据库是好了，可是前台会提示数据库连接错误，网站从而出现打不开的情况。 解决方法：学会修改网站配置文件，大多是由co
  • github做webhooks：[1]钩子触发是否成功测试 dcj3sjt126com githubgitwebhook
    转自: http://jingyan.baidu.com/article/5d6edee228c88899ebdeec47.html github和svn一样有钩子的功能，而且更加强大。例如我做的是最常见的push操作触发的钩子操作，则每次更新之后的钩子操作记录都会在github的控制板可以看到！ 工具/原料 github 方法/步骤
  • ">的作用" target="_blank">JSP中的作用 蕃薯耀
    JSP中<base href="<%=basePath%>">的作用 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
  • linux下SAMBA服务安装与配置 hanqunfeng linux
    局域网使用的文件共享服务。 一.安装包： rpm -qa | grep samba samba-3.6.9-151.el6.x86_64 samba-common-3.6.9-151.el6.x86_64 samba-winbind-3.6.9-151.el6.x86_64 samba-client-3.6.9-151.el6.x86_64 samba-winbind-clients
  • guava cache IXHONG cache
    缓存，在我们日常开发中是必不可少的一种解决性能问题的方法。简单的说，cache 就是为了提升系统性能而开辟的一块内存空间。 　　缓存的主要作用是暂时在内存中保存业务系统的数据处理结果，并且等待下次访问使用。在日常开发的很多场合，由于受限于硬盘IO的性能或者我们自身业务系统的数据处理和获取可能非常费时，当我们发现我们的系统这个数据请求量很大的时候，频繁的IO和频繁的逻辑处理会导致硬盘和CPU资源的
  • Query的开始--全局变量,noconflict和兼容各种js的初始化方法 kvhur JavaScriptjquerycss
    这个是整个jQuery代码的开始，里面包含了对不同环境的js进行的处理，例如普通环境，Nodejs，和requiredJs的处理方法。 还有jQuery生成$, jQuery全局变量的代码和noConflict代码详解  完整资源： http://www.gbtags.com/gb/share/5640.htm jQuery 源码：   (
  • 美国人的福利和中国人的储蓄 nannan408
       今天看了篇文章，震动很大，说的是美国的福利。    美国医院的无偿入院真的是个好措施。小小的改善，对于社会是大大的信心。小孩，税费等，政府不收反补，真的体现了人文主义。    美国这么高的社会保障会不会使人变懒？答案是否定的。正因为政府解决了后顾之忧，人们才得以倾尽精力去做一些有创造力，更造福社会的事情，这竟成了美国社会思想、人
  • N阶行列式计算(JAVA) qiuwanchi N阶行列式计算
    package gaodai; import java.util.List; /** * N阶行列式计算 * @author 邱万迟 * */ public class DeterminantCalculation { public DeterminantCalculation(List<List<Double>> determina
  • C语言算法之打渔晒网问题 qiufeihu c算法
    如果一个渔夫从2011年1月1日开始每三天打一次渔，两天晒一次网，编程实现当输入2011年1月1日以后任意一天，输出该渔夫是在打渔还是在晒网。 代码如下：   #include <stdio.h> int leap(int a) /*自定义函数leap()用来指定输入的年份是否为闰年*/ { if((a%4 == 0 && a%100 != 0
  • XML中DOCTYPE字段的解析 wyzuomumu xml
    DTD声明始终以!DOCTYPE开头,空一格后跟着文档根元素的名称,如果是内部DTD,则再空一格出现[],在中括号中是文档类型定义的内容. 而对于外部DTD,则又分为私有DTD与公共DTD,私有DTD使用SYSTEM表示,接着是外部DTD的URL. 而公共DTD则使用PUBLIC,接着是DTD公共名称,接着是DTD的URL.   私有DTD <!DOCTYPErootSYST
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他