HelloWorld 开发者社区
科技资讯
Qwen4-Max 发布:百万 Token 上下文、多模态与长任务如何落地
Jync 2.2.1 发布:完善告警通知,修复 CDC 与 ETL 可靠性问题
phimint 0.10.0 发布:终端智能体加入交互输入处理
Cursor 更新安全事件调查:扩展分发、历史凭据与团队排查
SoduWork 开源,尝试用独立审查与插件治理组织智能体交付
百度世界提出智能组织思路,关注 AI 从个人工具进入业务闭环
openKylin 全球生态推广会举行,推进本地化与社区合作
光船 1.1.0 尝鲜版二更新,探索 AI 会话与代码生成结合
Argus 0.5.0 发布:新增进程控制,完善原生 Windows 任务管理
MetaForge 2026.0.0 发布,整合数据库工作台与可视化分析
开源项目
全部项目推荐好文
图卷积和消息传递理论的可视化详解
本文中将研究如何基于消息传递机制构建图卷积神经网络,并创建一个模型来对具有嵌入可视化的分子进行分类。!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/6c78381082d29d255872764e4946c945.png)
伪标签:用于深度神经网络的简单高效的半监督学习方法
未标记的数据由监督学习网络标记,即所谓的伪标记。然后使用标记数据和伪标记数据训练网络。!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/fc9f4934cb8c65308e59e66b4f3dff1e.png)伪
MindSpore图片分类之代码实现
摘要在前面两次的分享中,我们主要探讨了LeNet卷积神经网络,分析了卷积、池化、全连接这些操作运算的特点和用法,以及LeNet中每一层的计算和作用。在了解过该网络的原理后,那么本次我们将通过使用MindSpore工具实现MNIST数据集的分类。模型的构造对于一个完整图片分类模型,
MindSpore图片分类之LeNet网络池化和全连接
摘要在上一篇分享中,主要介绍了卷积操作,我们可以通过构造卷积核作用到图像中,对比输入和输出数组就可以精确的找到像素变化的位置。这便是图像物体边缘检测功能。设任意的二维数组X的i行j列的元素为Xi,j。如果我们构造的卷积核输出Yi,j1,那么说明输入中Xi,j和Xi,j1数值
2022年必须要了解的20个开源NLP 库
在本文中,我列出了当今最常用的NLP库,并对其进行简要说明。它们在不同的用例中都有特定的优势和劣势,因此它们都可以作为专门从事NLP的优秀数据科学家备选方案。每个库的描述都是从它们的GitHub中提取的。!(https://imghelloworld.osscnbeiji
自然语言处理之——关键词提取(一)
一.摘要本次的分享中,我们将了解目前较常用的关键词提取技术。关键词是代表文章重要内容的一组词。在文本的分类聚类、自动摘要等方面有着重要的作用。还可以让人们更直观便捷的浏览文本信息。在现实的常用文本中是不包含关键词的,所以自动提取关键词技术有着很重要的意义。二.关键字提取技术概述在巨量
强化学习的探索和利用
一.简述在和环境不断交互的过程中,智能体在不同的状态下不停地探索,获取不同的动作的反馈。探索(Exploration)能够帮助智能体通过不断试验获得反馈,利用(Exploitation)是指利用已有的反馈信息选择最好的动作。因此如何平衡探索和利用是智能体在交互中不断学习的重要问题。二.什
强化学习的基本求解方法(二)
简介时间差分法主要基于时间序列的差分数据进行学习,其分为固定策略和非固定策略两种。固定策略时间差分法以Sarsa算法为代表;非固定策略以QLearning算法为代表。Sarsa算法Sarsa(stateactionrewardstateaction)算法的目的是估计动作值函
强化学习的基本求解方法(一)
简介上一节主要介绍了强化学习的基本概念,主要是通过设定场景带入强化学习的策略、奖励、状态、价值进行介绍。有了基本的元素之后,就借助马尔可夫决策过程将强化学习的任务抽象出来,最后使用贝尔曼方程进行表述。本次内容主要是介绍强化学习的求解方法。也等同于优化贝尔曼方程。贝尔曼方程首先我们回顾
反向传播算法
一.概述多层网络的学习拟合能力比单层网络要强大很多。所以想要训练多层网络,前面的简单感知机学习方法显然有些不足,需要拟合能力更加强大的算法。反向传播算法(BackPropagation,BP)是其中的经典方法,它可以说是现今最成功的神经网络算法,现实当中使用到神经网络时,大多是使用BP算法
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。