HelloWorld 开发者社区

科技资讯

全部资讯

开源项目

全部项目

推荐好文

端到端的特征转换示例:使用三元组损失和 CNN 进行特征提取和转换

虽然大多数的特征策略都与领域相关,并且必须针对每个应用程序进行专门调整。但特征工程是操纵原始数据和提取机器学习特征的过程,探索性数据分析(EDA)可以使用特征工程技术来可视化数据并在执行机器学习任务之前更好地识别模式和异常值。这是数据科学的重要一步,可以确保特定机器学习应用程序的预期结果。使

开源之夏 2022 | 申请 Jina AI 社区任务,成为业界领先的神经搜索开源项目贡献者!

开源之夏2022项目已发布,申请JinaAI项目的同学可以准备起来了~开源之夏是由「开源软件供应链点亮计划」发起,并长期支持的一项暑期开源活动。旨在鼓励全球在校学生,积极参与开源软件的开发维护,促进优秀开源软件社区的蓬勃发展,培养和发掘更多优秀的开发者。今年是开源之夏举办的第三届,

Jina AI x 矩池云 | 神经搜索引擎,一键构建

近5年以来,图片、视频、语音等非结构化数据的数量,出现了爆发式增长。随着深度学习技术的不断升级,深度表征学习、迁移学习、对比学习等技术日益成熟,非结构化数据的搜索也逐渐形成可能。在此背景下,专注于神经搜索技术的商业开源软件公司JinaAI,提出了神经搜索(NeuralSea

深度学习|AI芯片:上游产业率先爆发

深度学习要求极高的并行计算能力,大数据、算力、训练方法等领域的突破使AI芯片作为上游产业率先爆发。人工神经网络通过训练与预测的过程实现应用,对并行计算能力要求高,训练偏好高性能,预测对简单指令重复计算和及时性要求高。随着大数据存取、算力以及深度学习训练方法等方面的瓶颈被突破,芯片作为AI领域的上

阿里开源自研工业级稀疏模型高性能训练框架 PAI-HybridBackend

简介:近年来,随着稀疏模型对算力日益增长的需求,CPU集群必须不断扩大集群规模来满足训练的时效需求,这同时也带来了不断上升的资源成本以及实验的调试成本。为了解决这一问题,阿里云机器学习PAI平台开源了稀疏模型高性能同步训练框架HybridBackend,使得在同成本下GPU集群训练吞吐较CPU集群

正在加载更多文章…

加载更多

已加载文章中没有匹配内容,可继续加载更多。