Poplar 是由我們 森億智能 AI 團隊自主研發(fā)的 NLP 文本標注工具。 基于內(nèi)部版本的 NLP 標注系統(tǒng)已經(jīng)穩(wěn)定運行了兩年,而這次經(jīng)過了重新設(shè)計后以 GPLv3 協(xié)議開源。
文本標注的效果如下圖：
這個工具的靈感主要來源于 brat ,而相對于 brat,poplar 采用了更加現(xiàn)代的 Web 技術(shù)進行開發(fā),我們選用了 Typescript 作為開發(fā)語言,使用了 RxJS 與 Svg.js 等庫,同時借鑒了一些 Flux 和 DDD 的思想,因此使項目在保證一定開發(fā)規(guī)范的前提下,達到了不錯的實用效果。 Github: https://github.com/synyi/poplar Demo： https://synyi.github.io/poplar/ Developer's Guide： https://github.com/synyi/poplar/blob/master/doc/Develop_Guides.md
歡迎有需要的同學使用我們的 demo 項目來解決一些簡單的標注問題,也歡迎大家到我們的項目里提交 issue 或 star 來支持我們的項目。

秘塔科技是一家應(yīng)用人工智能在行業(yè)落地的初創(chuàng)公司。采用人工智能智能技術(shù)對十億級別非結(jié)構(gòu)化數(shù)據(jù)進行深度分析處理,多模態(tài)數(shù)據(jù)整合,致力于改善行業(yè)從業(yè)者工作效率,提高行業(yè)生產(chǎn)力。秘塔團隊將與行業(yè)專家進行戰(zhàn)略合作,進行產(chǎn)品研發(fā)。希望你能對創(chuàng)造新產(chǎn)品有興趣有熱情,與算法團隊配合,結(jié)合需求,定義產(chǎn)品,將基于人工智能技術(shù)的數(shù)據(jù)產(chǎn)品工程落地。 職位描述 1. 負責機器學習、深度學習方法在自然語言處理 /理解領(lǐng)域的探索與研究 2. 負責文本數(shù)據(jù)的結(jié)構(gòu)化信息抽取,數(shù)據(jù)清洗和標簽預(yù)測 3. 對具體業(yè)務(wù)選取和開發(fā)合適的機器學習算法模型,解決復(fù)雜的業(yè)務(wù)問題 職位要求 1. 計算機基礎(chǔ)知識體系扎實 2. 了解基本的統(tǒng)計機器學習算法 3. 熟練掌握 C/C++/Python 語言,能進行算法復(fù)雜度分析 4. 熟悉一個或多個常見的深度學習開源工具庫,如 PyTorch,Tensorflow 等 5. 有很好的團隊合作與溝通能力 加分項 1. 了解條件語言模型如 Seq2Seq,ConvSeq,Transformer,Weighted Transformer 2. 關(guān)注國內(nèi)外機器學習領(lǐng)域的最新進展 3. 國內(nèi)外會議或期刊發(fā)表過機器學習領(lǐng)域的論文 投遞方式： [email?protected]

微型中文分詞器
一個微型的中文分詞器,能夠按照詞語的頻率（概率）來利用構(gòu)建 DAG （有向無環(huán)圖）來分詞。
特點 / 特色 微型：主要代碼只有一個文件,不足 200 行 面向教育：可以導(dǎo)出 graphml 格式的圖結(jié)構(gòu)文件,輔助學習者理解算法過程 良好的分詞性能：由于使用類似 結(jié)巴分詞 的算法,具有良好的分詞性能 具有良好的擴展性：使用和 結(jié)巴分詞 一樣的字典文件,可以輕松添加自定義字典
演示
在線演示
在線的 Jupyter Notebook 在
離線演示
分詞
代碼： import MicroTokenizer tokens = MicroTokenizer.cut("知識就是力量") print(tokens)
輸出： ['知識', '就是', '力量']
有向無環(huán)圖效果演示
備注 和 是圖的起始和結(jié)束節(jié)點,不是實際要分詞的文本 圖中 Edge 上標注的是 log(下一個節(jié)點的概率的倒數(shù)) 最短路徑已經(jīng)用 深綠色 作了標記
更多演示
"王小明在北京的清華大學讀書"
項目地址
https://github.com/howl-anderson/MicroTokenizer
開發(fā)者
Xiaoquan Kong @ https://github.com/howl-anderson
依賴
只在 python 3.5+ 環(huán)境測試過,其他環(huán)境不做兼容性保障。
安裝 pip install git+https://github.com/howl-anderson/MicroTokenizer.git
如何使用
分詞
見上文
導(dǎo)出 GraphML 文件 from MicroTokenizer.MicroTokenizer import MicroTokenizer micro_tokenizer = MicroTokenizer() micro_tokenizer.build_graph("知識就是力量") micro_tokenizer.write_graphml("output.graphml")

我在云服務(wù)器上 （ 1G, 1cpu ）, 總是提示內(nèi)存不夠。請問 tensorflow2 安裝最低的內(nèi)存要求,或者有什么方法可以避免這個提示？ 謝謝大家~

比較基礎(chǔ)的最好,對著官方 doc 跑了一下 demo,稍微熟悉了下,但是很多名詞不是很懂

本來要安裝 gpu 版本,安裝顯卡驅(qū)動并安裝和 nvidia 容器工具包后,運行 docker run --gpus all --rm nvidia/cuda nvidia-smi ,可以看到正常結(jié)果,然后正常安裝 tensorflow-gpu docker 容器（里面的 tengsorflow 可以正常運行）,完成后 exit 退出 ssh,過一段時間再次鏈接再次運行發(fā)現(xiàn) docker run --gpus all --rm nvidia/cuda nvidia-smi 會卡死,同時 tensorflow 容器里面提示無法找到顯卡,而運行其他非 docker 的 gpus 命令正常,有人遇到嗎？百思不得其解,我嘗試重新重啟并從安裝顯卡驅(qū)動開始又恢復(fù)正常,然后過段時間后又失效

求助各位大佬,幫忙看看代碼（很好看的,我 u 寫很多注釋,幫幫新手吧） 代碼如下： https://colab.research.google.com/drive/1tONEeHZB3p9lzLivV-BMxR1p_8Qm6Uoo
這幾天在看機器視覺,看到了圖片風格遷移,本打算自己用 tensorflow 改寫并訓(xùn)練一個,但是如今遇到了困難： 參考這個代碼： https://github.com/CortexFoundation/StyleTransferTrilogy/tree/master/keras_version 修改了上面代碼中的 style_loss 計算方法和 content 、style 層,按照 tensorflow 的教程改的 https://www.tensorflow.org/tutorials/generative/style_transfer#%E5%AE%9A%E4%B9%89%E5%86%85%E5%AE%B9%E5%92%8C%E9%A3%8E%E6%A0%BC%E7%9A%84%E8%A1%A8%E7%A4%BA 主要問題：無法收斂,每次訓(xùn)練到后期都會變成一個基本固定的模式,換了 style 圖片后生成的圖片改動大不。

已經(jīng)是訓(xùn)練好的模型了,投入生產(chǎn)環(huán)境也很吃算力,一般的服務(wù)器沒有獨立顯卡啊,難道只能跑 cpu 版本,cpu 速度很慢,沒法用啊,或者給服務(wù)器搞一塊強勁顯卡？

今天在 GDD 聽了 tf.text 主題演講,演講者在 demo 中使用 Unicode 分字,把中文句子分成單字。
而我和同事在過去多用詞典法分詞。
想要討論下分字和詞典法分詞兩個效果有什么差異,結(jié)果一直沒能堵到演講者 ??。
不知道各位在應(yīng)用過程中有沒有對這方面做過評估。

https://github.com/AKSHAYUBHAT/DeepVideoAnalytics 有找了一個,但是都跑不起來,報 docker 的錯誤. https://github.com/didi/delta 這個滴滴開源的,但是只支持語音識別,還不支持圖片人臉識別.
還有沒有其他的企業(yè)可以直接用的 ai 平臺?
像騰訊云、阿里云等提供 api 的一是不安全,二是要收費,自建一個 ai 平臺作為進入 ai 領(lǐng)域的研發(fā),要怎么入手?

| category | ------------- |'家居', '室內(nèi)設(shè)計', '裝飾裝潢' |'房地產(chǎn)', '建筑', '建材', '工程' |'房地產(chǎn)'
不支持表格。。。

用了新的 Tesorflow,感覺完全為了照顧小白,把原來的老用戶給屠殺的干干凈凈。 動態(tài)圖計算,我根本不需要,性能、移植性是我考慮的目標。 現(xiàn)在 TF 不僅包越來越大,趨于臃腫,連語法都看不懂,叫 TfKeras 得了。 有介紹說 MXNET 很好,看看大家怎么想。

#Tensorflow 入門教程 http://tensornews.cn/ 深度學習發(fā)展史 特征工程 深度學習之激活函數(shù) 損失函數(shù) 反向傳播算法 [上] 反向傳播算法 [下] Tensorflow 介紹和安裝 Tensorflow 基本操作 卷積神經(jīng)網(wǎng)絡(luò)概述 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)操作 手寫數(shù)字識別數(shù)據(jù)集介紹 卷積神經(jīng)實現(xiàn)手寫數(shù)字識別 卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典模型概述 卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典模型 LeNet 綜述 RNN 循環(huán)神經(jīng)網(wǎng)絡(luò) 七步帶你實現(xiàn) RNN 循環(huán)神經(jīng)網(wǎng)絡(luò)小示例 常用 RNN 網(wǎng)絡(luò)結(jié)構(gòu)及依賴優(yōu)化問題 RNN 的應(yīng)用及注意力模型 Tensorboard [上] Tensorboard [下] tensorflow_multi_gpu Awesome_Tensorflow

目前包含五個工具,還在持續(xù)優(yōu)化中：1.任務(wù)管理模塊 MDTask 2.一款輕量級的觀察者模塊 MDListener 3.可以實現(xiàn)“協(xié)議默認實現(xiàn)”的模塊 MDProtocolImplementation 4.面向切面工具 MDAspects 5.模塊管理框架 MDModuleManager 詳細文檔可以看到： https://github.com/yangchenlarkin/MDTools

背景
今時今日,軟件工程的開發(fā)工作早已不是一個人的單打獨斗,而是一個團隊的相互配合、共同前進。有位作家寫過一句很流行的話,叫“一個人要像一支隊伍”,而作為一個組織進行高效率的腦力生產(chǎn)勞動時,更需要追求的反而是“一支隊伍要像一個人”,這個人走路不會同手同腳,四肢要協(xié)調(diào),前進方向只有一個。 那怎么實現(xiàn)這個目標呢？ Code Review,即代碼評審,是必不可少的一個環(huán)節(jié)。
什么是 Code Review （代碼評審）？
當一個程序員寫完了一段代碼后,由 另外的程序員 花時間來瀏覽閱讀這些代碼,并進行審閱。
Code Review 是以輪轉(zhuǎn)的方式進行的,所以參與代碼審閱的人有兩種,分別是 作者（ author ） 以及 評審者（ reviewer ） 。當作者將寫好的代碼提交給評審者后,評審者對這次變動作出反饋,作者根據(jù)反饋修改代碼,并重新提交,經(jīng)過一次或多次往返后,評審者**同意（ approve ）**這次代碼變動,允許代碼進入倉庫保存,Code Review 就完成了。
制圖來源
此時評審者要考慮的問題包括： [ ] 總體邏輯上的實效效果 [ ] 檢查是否滿足了所有需求 [ ] 之前的自動化測試需要額外做修改才能跑通嗎 [ ] 與其他模塊之間有沒有程序檢查不出來的沖突
由此可見,Code Review 基本上就相當于老師在給學生一字一句地批改作業(yè),學生訂正后又交給老師再次檢查,如此往復(fù)。因此,為了節(jié)約精力,以便代碼審閱工作可持續(xù)性開展,評審者可以交給程序去處理的問題包括： [ ] 發(fā)現(xiàn)代碼中的 bug 與錯誤 [ ] 代碼風格和編碼標準的統(tǒng)一
Code Review 的好處
熱力學三大基本定律中有一條叫“熵增原理”,即：一個孤立系統(tǒng)總朝著混亂無序的方向發(fā)展。軟件工程也是如此,如果沒有人把控輸入的代碼,只管一個勁地堆砌,久而久之,這坨代碼也就失去秩序,成一團亂麻了,人見人嫌。所以在工程的一開始就引入代碼審閱,可以非常有效地提高代碼質(zhì)量。
更重要的是,Code Review 是一個 雙向 的過程,雙方借助針對具體代碼的交流,得以了解對方的想法,進行互相探討,這是幫助團隊中的成員 成長 ,賦予團隊自我管理、良性發(fā)展的能力。歸根結(jié)底,人才是首要的生產(chǎn)力。
高效進行 Code Review 的方法
版本對比 / 文件改動 在“上古”時代,代碼作者在開始 Code Review 前,還需要手動做一份 變更列表（ changelist ） ,來告訴評審者這一次提交做了什么改動。得益于 Git 的誕生,今天的我們可以借助基于 Git 版本控制系統(tǒng)的平臺,來更輕松無痛地開展代碼審閱,比如「 CODING 企業(yè)版 」,作為企業(yè)級軟件研發(fā)管理系統(tǒng),其提供的 Code Review 功能簡單好用,能大大提高代碼審閱效率：
借助 Git 自動實現(xiàn)精細的文件改動,紅色代表刪減,綠色代表新增,支持行級評論,再也不用在不同工位間來回走動,直接在具體代碼下進行交流。
資源關(guān)聯(lián)
代碼不是孤立的一串文本字符串,而是實現(xiàn)目標的其中一項資源,那么必然需要與其他資源相互組合才能掌握全局。落實到代碼審閱中也是如此,放到具體的上下文環(huán)境里方能見微知著： 「#」關(guān)聯(lián)任務(wù)、文件等資源,「 @ 」通知相關(guān)同事,實現(xiàn)垂直關(guān)聯(lián)場景下的精細調(diào)控。
多人協(xié)同審閱
不同的人有不同的思考方式與見解,對同一段代碼能從不同的角度出發(fā)考慮。盡可能的讓不同的人 reivew 你的代碼,不僅會有更多的人日后有能力維護你的代碼,也是一個增加團隊凝聚力的好方法。
學會享受 Code Review
不用擔心收到批評面子過不去,也不用一枚追求“同意+1 ”,代碼審閱是一個團隊生機勃勃的象征,這里面的每一個人都在相互鼓勵、相互交流以及相互進步,參與其中,與團隊共同成長吧。

Lake 涂色應(yīng)用
內(nèi)購兌換碼
https://www.doko.com/guoquan/member/906482
上面有 4 個內(nèi)購訂閱兌換碼。
Lake 涂色大賽
看誰的腦洞大,獎品有 388 元內(nèi)購兌換 和 AppStore 充值卡
詳情和報名都在下面鏈接上
https://www.doko.com/podcasts/020/keep-your-messages-private.php

在 iPad、iPhone 上創(chuàng)建美觀強大的圖表。視覺圖表提供數(shù)據(jù)表格、屬性自定義等功能助你做成實用的圖表。? 視覺圖表適配 iPad、iPhone。支持折線圖、雙軸圖、柱狀圖、雷達圖、圓餅圖、熱力圖、地圖等超過多種圖表形式,并且每一種圖表類型都可高度自定義。 ? 為你的圖表添加描述和標注。盡可將設(shè)備轉(zhuǎn)為橫向模式,在全屏模式下給圖表添上箭頭、線條、圖像、以及文字說明,如果你畫錯,輕點兩下即可消除。 ? AirDrop 傳送圖表。通過 AirDrop,您可向附近的人傳送您的圖表文件和待辦事項清單。 ? iMessage 擴展。在 iMessage 會話中發(fā)送您的圖表。有任何圖表需要分享？直接在 iMessage 中傳送！ 使用后的同學請自覺在回復(fù)貼出編號哦?????♂? 1. XHRKNLLJENFA 2. 4J6FKLTH4WHR 3. HRKJ4E9KL3XJ 4. 93RW7MHN77M6 5. KRJP6F9NK7F3 6. PLWXKML4M39P 7. RFTNTFH6YEHF 8. F9KMPEMY73YP 9. JWYF37RFJERK 10. PXLTKTJJWJ43 11. PT796TH7344K 12. FKHYPLW4PT4Y 13. MMW3MHWWFK63 14. T3MA34L9WAJY 15. 7NA37XWX9XEE 16. RR7TWAM9LF9T 17. R674EF7FLMXM 18. 7AEH7NRY7P9A 19. 7TJPH9FMXHNJ 20. L3JXXF6Y4P69 21. H66YAAPEPKAF 22. X9NPK44WX4MW 23. YMAJXNKM3Y9N 24. ERNLNHLNKFF6 25. TLH3NXJHPRWE 26. RLRHANYH9RFA 27. YWAF9E9PPK3L 28. JLXHWARF774K 29. Y36MJ7MHNXMY 30. W4P9JM39WPAN 31. 3XLWLRPA434W 32. FHA7A7NLT4PY 33. TYRP36FANFA4 34. J69JWLXN6MPA 35. MHPAKN3HYPLL 36. AY66NPJ4XFTT 37. FN3AWXHNEMP3 38. 9YLW74TH6YR4 39. 3RKN3EE3J7AL 40. KHNMMWXW7YJM 41. AXXK9TJRKEYL 42. MPKX47FLNLYE 43. AEEXHJAYEERH 44. AW4M97WK43E4 45. ATEFNKLJY7JA 46. 6MXFRLN7W3ET 47. T73NAKEKY34E 48. TMKTE4TR9MJE 49. MMA9R49K4TXL 50. 6L44AYPL7F99

轉(zhuǎn)發(fā)下面這條微博就送,不是抽獎,是轉(zhuǎn)發(fā)就有哦。
https://weibo.com/1644623844/Fx0Mn4Ph9?type=repost
轉(zhuǎn)發(fā)后,給 [email?protected] 發(fā)郵件,告知我你要哪一個 App 即可。
HaloRadio for Windows
PhotoStack(Instastack)
ONERadio

之前刷題的時候遇到一個題目,感覺做法沒錯,但是總是不通過,可能是當局者迷,不知道有沒有人能幫忙找出來。 小易有一個長度為 N 的正整數(shù)數(shù)列 A = {A[1], A[2], A[3]..., A[N]}。 牛博士給小易出了一個難題: 對數(shù)列 A 進行重新排列,使數(shù)列 A 滿足所有的 A[i] * A[i + 1](1 ≤ i ≤ N - 1)都是 4 的倍數(shù)。 小易現(xiàn)在需要判斷一個數(shù)列是否可以重排之后滿足牛博士的要求。
主要方法是尋找能被 4 整除和只能被 2 整除的數(shù), 代碼如下： #include int Isarray(int n, int a[100000]) { int n1=0,n2=0,n4=0,i; for(i=0;i=n1) ||((n4>= n1-1) &&(n4+n1 == n))) return 1; else return 0; } int main(void) { int i,j,t,n,a[100000],b[10]; scanf("%d",&t); scanf("%d",&n); for(j=0;j但是我看類似的代碼,比如: #include int n; int arr[100100]; int countMod4, countMod2; void read() { countMod4 = 0; countMod2 = 0; scanf("%d", &n); for (int i = 0; i < n; ++i) { scanf("%d", arr + i); if (arr[i] % 4 == 0) { ++countMod4; } else if (arr[i] % 2 == 0) { ++countMod2; } } } void work() { int countOdd = n - countMod4 - countMod2; if ((n == 1 && countMod4) || countMod4 >= countOdd - !countMod2) { puts("Yes"); } else { puts("No"); } } int main() { int t; scanf("%d", &t); while (t--) { read(); work(); } return 0; }
這樣就是可以通過的。
弄不清楚錯在哪了。

一個輕量級的 Markdown 庫,可以用來將 Markdown 轉(zhuǎn)為 HTML,也可以用來直接展示 Markdown 對其進行預(yù)覽。 English Introduction
預(yù)覽
示例 利用 git clone 命令下載本倉庫； 利用 cd 命令切換到 Example 目錄下,執(zhí)行 pod install 命令； 隨后打開 EFMarkdown.xcworkspace 編譯即可。
或執(zhí)行以下命令： git clone [email?protected] :EyreFree/EFMarkdown.git; cd EFMarkdown/Example; pod install; open EFMarkdown.xcworkspace
環(huán)境 XCode 8.0+ Swift 3.0+
安裝
EFMarkdown 可以通過 CocoaPods 進行獲取。只需要在你的 Podfile 中添加如下代碼就能實現(xiàn)引入： pod "EFMarkdown"
使用
1. 將 Markdown 轉(zhuǎn)為 HTML
你可以利用 EFMarkdown 輕松實現(xiàn) Markdown 字符串到 HTML 字符串地轉(zhuǎn)換,示例代碼如下： let markdown = "# Hello" var html = "" do { html = try EFMarkdown().markdownToHTML(markdown, options: EFMarkdownOptions.safe) print(html) // 這里會輸出 "

Hello

\n" } catch let error as NSError { print ("Error: \(error.domain)") }
2. 對 Markdown 進行預(yù)覽
你可以利用 EFMarkdownView 實現(xiàn)對 Markdown 字符串的預(yù)覽,示例代碼如下： let screenSize = UIScreen.main.bounds let markView = EFMarkdownView() markView.frame = CGRect(x: 0, y: 20, width: screenSize.width, height: screenSize.height - 20) self.view.addSubview(markView) markView.load(markdown: testMarkdownFileContent(), options: [.default]) { [weak self] (_, _) in if let _ = self { // 可選：你可以通過在此處傳入一個百分比來改變字體大小 markView.setFontSize(percent: 128) printLog("load finish!") } }
3. 選項
你可以通過傳入不同的選項來控制底層 cmark 對 Markdown 字符串的處理,默認傳入的值為 safe 。
可選的值有以下這些： default sourcePos hardBreaks safe noBreaks validateUTF8 smart githubPreLang liberalHtmlTag
更多關(guān)于這些選項的信息,可以參考 cmark 。
作者
EyreFree, [email?protected]
協(xié)議
EFMarkdown 基于 WTFPL 協(xié)議進行分發(fā)和使用,更多信息參見協(xié)議文件。

HaloRadio , PhotoStack(Instastack) ,ONERadio 各 50 個。這次發(fā)的量比較多,需要的同學,最好能從前面一個一個按照順序使用,使用到了哪一個在下面留言說一下用到了哪一個,不然的話,到后面兌換碼剩下不多的時候,對要找哪個兌換碼可用的同學來說就太麻煩了。
另外如果兌換碼用完了的話,下面是冰點 $0.9 USD 鏈接,正好可以幫試試剛集成的 Alipay
HaloRadio for Windows $0.9 USD
Instastack $0.9 USD
ONERadio $0.9 USD
如果激活郵件沒有收到,又或者 Alipay 付款出現(xiàn)問題的話,煩請告訴我一下,好調(diào)整。 email: [email?protected] wechat:

HaloRadio for Windows 兌換碼
1 596bd4790ca61 2 596bd4790cb44 3 596bd4790cb99 4 596bd4790cbe5 5 596bd4790cc31 6 596bd4790cc84 7 596bd4790ccd6 8 596bd4790cd2c 9 596bd4790cd80 10 596bd4790cdc9 11 596bd4790ce1a 12 596bd4790ce70 13 596bd4790cec0 14 596bd4790cf13 15 596bd4790cf5c 16 596bd4790cfa0 17 596bd4790cfe5 18 596bd4790d03a 19 596bd4790d08c 20 596bd4790d0dc 21 596bd4790d124 22 596bd4790d16d 23 596bd4790d1c8 24 596bd4790d223 25 596bd4790d267 26 596bd4790d2ae 27 596bd4790d302 28 596bd4790d363 29 596bd4790d3c2 30 596bd4790d415 31 596bd4790d465 32 596bd4790d4bd 33 596bd4790d50c 34 596bd4790d56c 35 596bd4790d5bf 36 596bd4790d618 37 596bd4790d66e 38 596bd4790d6bd 39 596bd4790d709 40 596bd4790d762 41 596bd4790d7c6 42 596bd4790d818 43 596bd4790d85c 44 596bd4790d8ad 45 596bd4790d911 46 596bd4790d95b 47 596bd4790d99e 48 596bd4790d9df 49 596bd4790da30 50 596bd4790da80
介紹

PhotoStack (Instastack) for Instagram 兌換碼
1 596bd4686de26 2 596bd4686deec 3 596bd4686df3a 4 596bd4686df80 5 596bd4686dfc4 6 596bd4686e003 7 596bd4686e04b 8 596bd4686e09f 9 596bd4686e0e7 10 596bd4686e12c 11 596bd4686e16f 12 596bd4686e1b3 13 596bd4686e3d3 14 596bd4686e428 15 596bd4686e488 16 596bd4686e4da 17 596bd4686e53f 18 596bd4686e5a3 19 596bd4686e5f0 20 596bd4686e635 21 596bd4686e68a 22 596bd4686e6db 23 596bd4686e71e 24 596bd4686e761 25 596bd4686e7a3 26 596bd4686e7e9 27 596bd4686e82f 28 596bd4686e877 29 596bd4686e8c1 30 596bd4686e909 31 596bd4686e969 32 596bd4686e9be 33 596bd4686ea18 34 596bd4686ea6c 35 596bd4686eab3 36 596bd4686eaf5 37 596bd4686eb36 38 596bd4686eb83 39 596bd4686ebe1 40 596bd4686ec59 41 596bd4686ecbb 42 596bd4686ed0d 43 596bd4686ed62 44 596bd4686edb5 45 596bd4686ee06 46 596bd4686ee51 47 596bd4686ee95 48 596bd4686eed9 49 596bd4686ef1e 50 596bd4686ef62
介紹

ONERadio 兌換碼
1 596bd450dcbce 2 596bd450dcc80 3 596bd450dccc9 4 596bd450dcd0f 5 596bd450dcd53 6 596bd450dcd99 7 596bd450dcddc 8 596bd450dce20 9 596bd450dce64 10 596bd450dcea9 11 596bd450dcf01 12 596bd450dcf48 13 596bd450dcf8c 14 596bd450dcfd6 15 596bd450dd01b 16 596bd450dd05c 17 596bd450dd09d 18 596bd450dd0e0 19 596bd450dd120 20 596bd450dd161 21 596bd450dd1a2 22 596bd450dd20c 23 596bd450dd266 24 596bd450dd2a9 25 596bd450dd302 26 596bd450dd355 27 596bd450dd39a 28 596bd450dd3dd 29 596bd450dd420 30 596bd450dd463 31 596bd450dd4a6 32 596bd450dd4f1 33 596bd450dd539 34 596bd450dd580 35 596bd450dd5c2 36 596bd450dd605 37 596bd450dd658 38 596bd450dd6aa 39 596bd450dd6fa 40 596bd450dd745 41 596bd450dd797 42 596bd450dd7ed 43 596bd450dd830 44 596bd450dd885 45 596bd450dd8e0 46 596bd450dd927 47 596bd450dd96a 48 596bd450dd9c5 49 596bd450dda2e 50 596bd450dda8e
介紹

飛鴿詞典 for Mac 的,如果想嘗試一下的,請留下您的郵箱,發(fā)前 50 個,系統(tǒng)要求 10.12 或以上,還以為全壽命周期只有 100 個,現(xiàn)在才發(fā)現(xiàn)每個小版本都有 100 個,現(xiàn)在是版本號是 1.0.1,新的版本 1.0.2 新增搜索歷史記錄,需要的請留下郵箱

PhotoStack (Instastack 更名了 Insta 開頭的詞不讓用了)
下載地址: https://www.icyarrow.com/instastack/
兌換碼如下:
58ef9f5d435fd http://www.icyarrow.com/store/redeem.php?promocode=58ef9f5d435fd
58ef9f5d4369a http://www.icyarrow.com/store/redeem.php?promocode=58ef9f5d4369a
58ef9f5d436f0 http://www.icyarrow.com/store/redeem.php?promocode=58ef9f5d436f0
58ef9f5d43742 http://www.icyarrow.com/store/redeem.php?promocode=58ef9f5d43742
58ef9f5d43792 http://www.icyarrow.com/store/redeem.php?promocode=58ef9f5d43792
58ef9f5d437e2 http://www.icyarrow.com/store/redeem.php?promocode=58ef9f5d437e2
58ef9f5d43838 http://www.icyarrow.com/store/redeem.php?promocode=58ef9f5d43838
58ef9f5d4388a http://www.icyarrow.com/store/redeem.php?promocode=58ef9f5d4388a
58ef9f5d438da http://www.icyarrow.com/store/redeem.php?promocode=58ef9f5d438da
58ef9f5d4392b http://www.icyarrow.com/store/redeem.php?promocode=58ef9f5d4392b
HaloRadio for Windows
下載地址 : https://www.icyarrow.com/haloradio/
兌換碼如下:
58ef9f74c7f92 http://www.icyarrow.com/store/redeem.php?promocode=58ef9f74c7f92
58ef9f74c80fd http://www.icyarrow.com/store/redeem.php?promocode=58ef9f74c80fd
58ef9f74c8155 http://www.icyarrow.com/store/redeem.php?promocode=58ef9f74c8155
58ef9f74c81a2 http://www.icyarrow.com/store/redeem.php?promocode=58ef9f74c81a2
58ef9f74c81ed http://www.icyarrow.com/store/redeem.php?promocode=58ef9f74c81ed
58ef9f74c8236 http://www.icyarrow.com/store/redeem.php?promocode=58ef9f74c8236
58ef9f74c8282 http://www.icyarrow.com/store/redeem.php?promocode=58ef9f74c8282
58ef9f74c82bf http://www.icyarrow.com/store/redeem.php?promocode=58ef9f74c82bf
58ef9f74c830f http://www.icyarrow.com/store/redeem.php?promocode=58ef9f74c830f
58ef9f74c835e http://www.icyarrow.com/store/redeem.php?promocode=58ef9f74c835e

發(fā) 10 個 Instastack 兌換碼。
另外為了測試 Stripe 的信用卡付款方式。沒有搶到的同學,可以直接購買,選擇信用卡(stripe)付款,到時候我會給你用支付寶退款。
https://www.icyarrow.com/instastack/
操作方式是： 購買后給我發(fā)郵件 [email?protected] 告訴我你的 訂單號 使用的是 哪個銀行的什么類型的信用卡 以及支付寶 。我會去查看交易情況,如果交易成功就給你用支付寶退款(3.9 美元退 28 人民幣。 4.9 美元退 35 人民幣).即使信用卡交易失敗,我也會給你發(fā)一個免費的兌換碼。
584a001b90cc0 http://www.icyarrow.com/store/redeem.php?promocode=584a001b90cc0
584a001b90d5b http://www.icyarrow.com/store/redeem.php?promocode=584a001b90d5b
584a001b90daf http://www.icyarrow.com/store/redeem.php?promocode=584a001b90daf
584a001b90dfc http://www.icyarrow.com/store/redeem.php?promocode=584a001b90dfc
584a001b90e47 http://www.icyarrow.com/store/redeem.php?promocode=584a001b90e47
584a001b90e92 http://www.icyarrow.com/store/redeem.php?promocode=584a001b90e92
584a001b90edb http://www.icyarrow.com/store/redeem.php?promocode=584a001b90edb
584a001b90f24 http://www.icyarrow.com/store/redeem.php?promocode=584a001b90f24
584a001b90f6e http://www.icyarrow.com/store/redeem.php?promocode=584a001b90f6e
584a001b90fba http://www.icyarrow.com/store/redeem.php?promocode=584a001b90fba

系統(tǒng)需要 windows 10 周年版才可以用。https://www.microsoft.com/store/apps/9nblggh5104k 要什么問題或意見歡迎發(fā) email [email?protected] 目前只開放給有兌換碼的同學。下面是 20 個兌換碼的兌換鏈接。 Redeemable URL http://go.microsoft.com/fwlink/?LinkId=532540&mstoken=FTJ43-XY6WC-HF474-QGPQD-PT4GZ http://go.microsoft.com/fwlink/?LinkId=532540&mstoken=HR4W3-FQR47-HMY62-4XGTY-2MD6Z http://go.microsoft.com/fwlink/?LinkId=532540&mstoken=P3YMP-KTYH6-VYQYF-QRW43-WRXVZ http://go.microsoft.com/fwlink/?LinkId=532540&mstoken=9P39X-7CG4F-MWCP9-D9MK2-KFRTZ http://go.microsoft.com/fwlink/?LinkId=532540&mstoken=2P4KQ-FYPWK-4V443-MD6J6-KR46Z http://go.microsoft.com/fwlink/?LinkId=532540&mstoken=49CK6-9YCR3-WHYTC-VWJY4-GV26Z http://go.microsoft.com/fwlink/?LinkId=532540&mstoken=7KW4G-6WPH3-CDF3Y-YQPPD-TV39Z http://go.microsoft.com/fwlink/?LinkId=532540&mstoken=CXTGW-VHW7T-D9FK2-YHMXM-VD63Z http://go.microsoft.com/fwlink/?LinkId=532540&mstoken=2V9WF-923P7-7HJCF-4DJWG-FRYTZ http://go.microsoft.com/fwlink/?LinkId=532540&mstoken=Q6JR7-26F9M-XJWPQ-V7C2H-DVVCZ http://go.microsoft.com/fwlink/?LinkId=532540&mstoken=2322F-PYH29-K3TCP-CTDF6-66CCZ http://go.microsoft.com/fwlink/?LinkId=532540&mstoken=VP9FC-WKHCD-7M9FY-WRY6C-9HRYZ http://go.microsoft.com/fwlink/?LinkId=532540&mstoken=PC7Q9-CY4RG-H7P6W-QHPCJ-JGT7Z http://go.microsoft.com/fwlink/?LinkId=532540&mstoken=6FQW7-6PQKF-VYMYX-WXWHG-349HZ http://go.microsoft.com/fwlink/?LinkId=532540&mstoken=VP973-J6RXV-3YWV2-M34KP-39X7Z http://go.microsoft.com/fwlink/?LinkId=532540&mstoken=YV63X-6K9W6-XF744-T3GCM-JG7HZ http://go.microsoft.com/fwlink/?LinkId=532540&mstoken=V7VKH-24J6V-P4KPX-Q6XJC-GY9JZ http://go.microsoft.com/fwlink/?LinkId=532540&mstoken=XKXGD-69QRC-3FR3D-99MXC-DCFPZ http://go.microsoft.com/fwlink/?LinkId=532540&mstoken=2VJ4K-MT3K4-XGQF7-X7QKG-3MPXZ http://go.microsoft.com/fwlink/?LinkId=532540&mstoken=QPC4H-PMCVJ-Q2RJ7-CRDG9-2QYDZ

大概 20 枚,希望是在校學生,如果對 iOS 開發(fā)有興趣更好。開發(fā)上功能應(yīng)該不會有太大變動了,目前在做代碼重構(gòu)和去第三方依賴,項目用 Swift3 開發(fā),后續(xù)會開源全部代碼,希望能幫助到想學習 Swift3 的同學。因為是業(yè)余時間開發(fā),具體完成時間目前不能確定。重構(gòu)代碼及去第三方依賴有 regression 風險,歡迎 iOS 開發(fā)者來參與 TF 幫忙測試。

PyTorch 學習教程、手冊 PyTorch 英文版官方手冊 ：對于英文比較好的同學,非常推薦該 PyTorch 官方文檔,一步步帶你從入門到精通。該文檔詳細的介紹了從基礎(chǔ)知識到如何使用 PyTorch 構(gòu)建深層神經(jīng)網(wǎng)絡(luò),以及 PyTorch 語法和一些高質(zhì)量的案例。 PyTorch 中文官方文檔 ：閱讀上述英文文檔比較困難的同學也不要緊,我們?yōu)榇蠹覝蕚淞吮容^官方的 PyTorch 中文文檔,文檔非常詳細的介紹了各個函數(shù),可作為一份 PyTorch 的速查寶典。 比較偏算法實戰(zhàn)的 PyTorch 代碼教程 ：在 github 上有很高的 star。建議大家在閱讀本文檔之前,先學習上述兩個 PyTorch 基礎(chǔ)教程。 開源書籍 ：這是一本開源的書籍,目標是幫助那些希望和使用 PyTorch 進行深度學習開發(fā)和研究的朋友快速入門。但本文檔不是內(nèi)容不是很全,還在持續(xù)更新中。 簡單易上手的 PyTorch 中文文檔 ：非常適合新手學習。該文檔從介紹什么是 PyTorch 開始,到神經(jīng)網(wǎng)絡(luò)、PyTorch 的安裝,再到圖像分類器、數(shù)據(jù)并行處理,非常詳細的介紹了 PyTorch 的知識體系,適合新手的學習入門。該文檔的官網(wǎng)： http://pytorchchina.com 。
PyTorch 視頻教程 B 站 PyTorch 視頻教程 ：首推的是 B 站中近期點擊率非常高的一個 PyTorch 視頻教程,雖然視頻內(nèi)容只有八集,但講的深入淺出,十分精彩。只是沒有中文字幕,小伙伴們是該練習一下英文了... 國外視頻教程 ：另外一個國外大佬的視頻教程,在 YouTube 上有很高的點擊率,也是純英文的視頻,有沒有覺得外國的教學視頻不管是多么復(fù)雜的問題都能講的很形象很簡單？ 莫煩 ：相信莫煩老師大家應(yīng)該很熟了,他的 Python、深度學習的系列視頻在 B 站和 YouTube 上均有很高的點擊率,該 PyTorch 視頻教程也是去年剛出不久,推薦給新手朋友。 101 學院 ：人工智能 101 學院的 PyTorch 系列視頻課程,講的比較詳細、覆蓋的知識點也比較廣,感興趣的朋友可以試聽一下。 七月在線 ：最后,向大家推薦的是國內(nèi)領(lǐng)先的人工智能教育平臺——七月在線的 PyTorch 入門與實戰(zhàn)系列課。課程雖然是收費課程,但課程包含 PyTorch 語法、深度學習基礎(chǔ)、詞向量基礎(chǔ)、NLP 和 CV 的項目應(yīng)用、實戰(zhàn)等,理論和實戰(zhàn)相結(jié)合,確實比其它課程講的更詳細,推薦給大家。
NLP&PyTorch 實戰(zhàn) Pytorch text ：Torchtext 是一個非常好用的庫,可以幫助我們很好的解決文本的預(yù)處理問題。此 github 存儲庫包含兩部分： torchText.data：文本的通用數(shù)據(jù)加載器、抽象和迭代器（包括詞匯和詞向量） torchText.datasets：通用 NLP 數(shù)據(jù)集的預(yù)訓(xùn)練加載程序 我們只需要通過 pip install torchtext 安裝好 torchtext 后,便可以開始體驗 Torchtext 的種種便捷之處。 Pytorch-Seq2seq ：Seq2seq 是一個快速發(fā)展的領(lǐng)域,新技術(shù)和新框架經(jīng)常在此發(fā)布。這個庫是在 PyTorch 中實現(xiàn)的 Seq2seq 模型的框架,該框架為 Seq2seq 模型的訓(xùn)練和預(yù)測等都提供了模塊化和可擴展的組件,此 github 項目是一個基礎(chǔ)版本,目標是促進這些技術(shù)和應(yīng)用程序的開發(fā)。 BERT NER ：BERT 是 2018 年 google 提出來的預(yù)訓(xùn)練語言模型,自其誕生后打破了一系列的 NLP 任務(wù),所以其在 nlp 的領(lǐng)域一直具有很重要的影響力。該 github 庫是 BERT 的 PyTorch 版本,內(nèi)置了很多強大的預(yù)訓(xùn)練模型,使用時非常方便、易上手。 Fairseq ：Fairseq 是一個序列建模工具包,允許研究人員和開發(fā)人員為翻譯、總結(jié)、語言建模和其他文本生成任務(wù)訓(xùn)練自定義模型,它還提供了各種 Seq2seq 模型的參考實現(xiàn)。該 github 存儲庫包含有關(guān)入門、訓(xùn)練新模型、使用新模型和任務(wù)擴展 Fairseq 的說明,對該模型感興趣的小伙伴可以點擊上方鏈接學習。 Quick-nlp ：Quick-nlp 是一個深受 fast.ai 庫啟發(fā)的深入學習 Nlp 庫。它遵循與 Fastai 相同的 API,并對其進行了擴展,允許快速、輕松地運行 NLP 模型。 OpenNMT-py ：這是 OpenNMT 的一個 PyTorch 實現(xiàn),一個開放源碼的神經(jīng)網(wǎng)絡(luò)機器翻譯系統(tǒng)。它的設(shè)計是為了便于研究,嘗試新的想法,以及在翻譯,總結(jié),圖像到文本,形態(tài)學等許多領(lǐng)域中嘗試新的想法。一些公司已經(jīng)證明該代碼可以用于實際的工業(yè)項目中,更多關(guān)于這個 github 的詳細信息請參閱以上鏈接。
CV&PyTorch 實戰(zhàn) pytorch vision ：Torchvision 是獨立于 pytorch 的關(guān)于圖像操作的一些方便工具庫。主要包括：vision.datasets、vision.models、vision.transforms、vision.utils 幾個包,安裝和使用都非常簡單,感興趣的小伙伴們可以參考以上鏈接。 OpenFacePytorch ：此 github 庫是 OpenFace 在 Pytorch 中的實現(xiàn),代碼要求輸入的圖像要與原始 OpenFace 相同的方式對齊和裁剪。 TorchCV ：TorchCV 是一個基于 PyTorch 的計算機視覺深度學習框架,支持大部分視覺任務(wù)訓(xùn)練和部署,此 github 庫為大多數(shù)基于深度學習的 CV 問題提供源代碼,對 CV 方向感興趣的小伙伴還在等什么？ Pytorch-cnn-finetune ：該 github 庫是利用 pytorch 對預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)進行微調(diào),支持的架構(gòu)和模型包括：ResNet、DenseNet、Inception v3、VGG、SqueezeNet、AlexNet 等。 Pt-styletransfer ：這個 github 項目是 Pytorch 中的神經(jīng)風格轉(zhuǎn)換,具體有以下幾個需要注意的地方： StyleTransferNet 作為可由其他腳本導(dǎo)入的類； 支持 VGG （這是在 PyTorch 中提供預(yù)訓(xùn)練的 VGG 模型之前） 可保存用于顯示的中間樣式和內(nèi)容目標的功能 可作為圖像檢查圖矩陣的函數(shù) 自動樣式、內(nèi)容和產(chǎn)品圖像保存 一段時間內(nèi)損失的 Matplotlib 圖和超參數(shù)記錄,以跟蹤有利的結(jié)果 Face-alignment ：Face-alignment 是一個用 pytorch 實現(xiàn)的 2D 和 3D 人臉對齊庫,使用世界上最準確的面對齊網(wǎng)絡(luò)從 Python 檢測面部地標,能夠在 2D 和 3D 坐標中檢測點。該 github 庫詳細的介紹了使用 Face-alignment 進行人臉對齊的基本流程,歡迎感興趣的同學學習。
PyTorch 論文推薦 Google_evolution ：該論文實現(xiàn)了實現(xiàn)了由 Esteban Real 等人提出的圖像分類器大規(guī)模演化的結(jié)果網(wǎng)絡(luò)。在實驗之前,需要我們安裝好 PyTorch、Scikit-learn 以及下載好 CIFAR10 dataset 數(shù)據(jù)集 。 PyTorch-value-iteration-networks ：該論文基于作者最初的 Theano 實現(xiàn)和 Abhishek Kumar 的 Tensoflow 實現(xiàn),包含了在 PyTorch 中實現(xiàn)價值迭代網(wǎng)絡(luò)（ VIN ）。Vin 在 NIPS 2016 年獲得最佳論文獎。 Pytorch Highway ：Highway Netowrks 是允許信息高速無阻礙的通過各層,它是從 Long Short Term Memory(LSTM) recurrent networks 中的 gate 機制受到啟發(fā),可以讓信息無阻礙的通過許多層,達到訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)的效果,使深層神經(jīng)網(wǎng)絡(luò)不在僅僅具有淺層神經(jīng)網(wǎng)絡(luò)的效果。該論文是 Highway network 基于 Pytorch 的實現(xiàn)。 Pyscatwave ：Cupy/Pythorn 的散射實現(xiàn)。散射網(wǎng)絡(luò)是一種卷積網(wǎng)絡(luò),它的濾波器被預(yù)先定義為子波,不需要學習,可以用于圖像分類等視覺任務(wù)。散射變換可以顯著降低輸入的空間分辨率（例如 224x224->14x14 ）,且雙關(guān)功率損失明顯為負。 Pytorch_NEG_loss ：該論文是 Negative Sampling Loss 的 Pytorch 實現(xiàn)。Negative Sampling 是一種求解 word2vec 模型的方法,它摒棄了霍夫曼樹,采用了 Negative Sampling （負采樣）的方法來求解,本論文是對 Negative Sampling 的 loss 函數(shù)的研究,感興趣的小伙伴可點擊上方論文鏈接學習。 Pytorch_TDNN ：該論文是對 Time Delayed NN 的 Pytorch 實現(xiàn)。論文詳細的講述了 TDNN 的原理以及實現(xiàn)過程。
PyTorch 書籍推薦
相較于目前 Tensorflow 類型的書籍已經(jīng)爛大街的狀況,PyTorch 類的書籍目前已出版的并沒有那么多,筆者給大家推薦我認為還不錯的四本 PyTorch 書籍。 《深度學習入門之 PyTorch 》 ,電子工業(yè)出版社,作者：廖星宇。這本《深度學習入門之 PyTorch 》是所有 PyTorch 書籍中出版的相對較早的一本,作者以自己的小白入門深度學習之路,深入淺出的講解了 PyTorch 的語法、原理以及實戰(zhàn)等內(nèi)容,適合新手的入門學習。但不足的是,書中有很多不嚴謹以及生搬硬套的地方,需要讀者好好甄別。 推薦指數(shù)：★★★ 《 PyTorch 深度學習》 ,人民郵電出版社,作者：王海玲、劉江峰。該書是一本英譯書籍,原作者是兩位印度的大佬,該書除了 PyTorch 基本語法、函數(shù)外,還涵蓋了 ResNET、Inception、DenseNet 等在內(nèi)的高級神經(jīng)網(wǎng)絡(luò)架構(gòu)以及它們的應(yīng)用案例。該書適合數(shù)據(jù)分析師、數(shù)據(jù)科學家等相對有一些理論基礎(chǔ)和實戰(zhàn)經(jīng)驗的讀者學習,不太建議作為新手的入門選擇。 推薦指數(shù)：★★★ 《深度學習框架 PyTorch 入門與實踐》 ,電子工業(yè)出版社,作者：陳云。這是一本 2018 年上市的 PyTorch 書籍,包含理論入門和實戰(zhàn)項目兩大部分,相較于其它同類型書籍,該書案例非常的翔實,包括：Kaggle 競賽中經(jīng)典項目、GAN 生成動漫頭像、AI 濾鏡、RNN 寫詩、圖像描述任務(wù)等。理論+實戰(zhàn)的內(nèi)容設(shè)置也更適合深度學習入門者和從業(yè)者學習。 推薦指數(shù)：★★★★ 《 PyTorch 機器學習從入門到實戰(zhàn)》 ,機械工業(yè)出版社,作者：校寶在線、孫琳等。該書同樣是一本理論結(jié)合實戰(zhàn)的 Pytorch 教程,相較于前一本入門+實戰(zhàn)教程,本書的特色在于關(guān)于深度學習的理論部分講的非常詳細,后邊的實戰(zhàn)項目更加的綜合?？傮w而言,本書也是一本適合新手學習的不錯的 PyTorch 入門書籍。 推薦指數(shù)：★★★
歡迎 Star Fork : https://github.com/INTERMT/Awesome-PyTorch-Chinese

PyTorch windows 安裝教程：兩行代碼搞定 PyTorch 安裝http://pytorchchina.com/2018/12/11/pytorch-windows-install-1/ PyTorch Mac 安裝教程 http://pytorchchina.com/2018/12/11/pytorch-mac-install/ PyTorch Linux 安裝教程 http://pytorchchina.com/2018/12/11/pytorch-linux-install/

什么是 PyTorch?PyTorch 是一個基于 Python 的科學計算包,主要定位兩類人群： NumPy 的替代品,可以利用 GPU 的性能進行計算。 深度學習研究平臺擁有足夠的靈活性和速度 開始學習 Tensors (張量) Tensors 類似于 NumPy 的 ndarrays,同時 Tensors 可以使用 GPU 進行計算。 from __future__ import print_function import torch 構(gòu)造一個 5×3 矩陣,不初始化。 x = torch.empty(5, 3) print(x) 輸出: tensor(1.00000e-04 * [[-0.0000, 0.0000, 1.5135], [ 0.0000, 0.0000, 0.0000], [ 0.0000, 0.0000, 0.0000], [ 0.0000, 0.0000, 0.0000], [ 0.0000, 0.0000, 0.0000]]) 構(gòu)造一個隨機初始化的矩陣： x = torch.rand(5, 3) print(x) 輸出: tensor([[ 0.6291, 0.2581, 0.6414], [ 0.9739, 0.8243, 0.2276], [ 0.4184, 0.1815, 0.5131], [ 0.5533, 0.5440, 0.0718], [ 0.2908, 0.1850, 0.5297]]) 構(gòu)造一個矩陣全為 0,而且數(shù)據(jù)類型是 long. Construct a matrix filled zeros and of dtype long: x = torch.zeros(5, 3, dtype=torch.long) print(x) 輸出: tensor([[ 0, 0, 0], [ 0, 0, 0], [ 0, 0, 0], [ 0, 0, 0], [ 0, 0, 0]]) 構(gòu)造一個張量,直接使用數(shù)據(jù)： x = torch.tensor([5.5, 3]) print(x) 輸出: tensor([ 5.5000, 3.0000]) 創(chuàng)建一個 tensor 基于已經(jīng)存在的 tensor。 x = x.new_ones(5, 3, dtype=torch.double) # new_* methods take in sizes print(x) x = torch.randn_like(x, dtype=torch.float) # override dtype! print(x) # result has the same size 輸出: tensor([[ 1., 1., 1.], [ 1., 1., 1.], [ 1., 1., 1.], [ 1., 1., 1.], [ 1., 1., 1.]], dtype=torch.float64) tensor([[-0.2183, 0.4477, -0.4053], [ 1.7353, -0.0048, 1.2177], [-1.1111, 1.0878, 0.9722], [-0.7771, -0.2174, 0.0412], [-2.1750, 1.3609, -0.3322]]) 獲取它的維度信息: print(x.size()) 輸出: torch.Size([5, 3]) 注意 torch.Size 是一個元組,所以它支持左右的元組操作。 操作 在接下來的例子中,我們將會看到加法操作。 加法: 方式 1 y = torch.rand(5, 3) print(x + y) Out: tensor([[-0.1859, 1.3970, 0.5236], [ 2.3854, 0.0707, 2.1970], [-0.3587, 1.2359, 1.8951], [-0.1189, -0.1376, 0.4647], [-1.8968, 2.0164, 0.1092]]) 加法: 方式 2 print(torch.add(x, y)) Out: tensor([[-0.1859, 1.3970, 0.5236], [ 2.3854, 0.0707, 2.1970], [-0.3587, 1.2359, 1.8951], [-0.1189, -0.1376, 0.4647], [-1.8968, 2.0164, 0.1092]]) 加法: 提供一個輸出 tensor 作為參數(shù) result = torch.empty(5, 3) torch.add(x, y, out=result) print(result) Out: tensor([[-0.1859, 1.3970, 0.5236], [ 2.3854, 0.0707, 2.1970], [-0.3587, 1.2359, 1.8951], [-0.1189, -0.1376, 0.4647], [-1.8968, 2.0164, 0.1092]]) 加法: in-place # adds x to y y.add_(x) print(y) Out: tensor([[-0.1859, 1.3970, 0.5236], [ 2.3854, 0.0707, 2.1970], [-0.3587, 1.2359, 1.8951], [-0.1189, -0.1376, 0.4647], [-1.8968, 2.0164, 0.1092]]) Note 注意 任何使張量會發(fā)生變化的操作都有一個前綴 ‘_’。例如：x.copy_(y), x.t_(), 將會改變 x. 你可以使用標準的 NumPy 類似的索引操作 print(x[:, 1]) Out: tensor([ 0.4477, -0.0048, 1.0878, -0.2174, 1.3609]) 改變大?。喝绻阆敫淖円粋€ tensor 的大小或者形狀,你可以使用 torch.view: x = torch.randn(4, 4) y = x.view(16) z = x.view(-1, 8) # the size -1 is inferred from other dimensions print(x.size(), y.size(), z.size()) Out: torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8]) 如果你有一個元素 tensor,使用 .item() 來獲得這個 value。 x = torch.randn(1) print(x) print(x.item()) Out: tensor([ 0.9422]) 0.9422121644020081 PyTorch 入門教程： http://pytorchchina.com/2018/06/25/what-is-pytorch/

最近學術(shù)圈和工業(yè)界都玩變形金剛和注意力都很開心,時不時的還搞個不大不小的新聞。不過說到具體真的用起來,不是所有的 transformer 都能直接應(yīng)用到所有場合。Topic Models 也有很久了,其實結(jié)果很驚艷的。只是大家都去做深度學習,沒有太多實用化的推進。之前也看過騰訊內(nèi)部有改進主題模型,不過那個算是企業(yè)內(nèi)部模型,不開源,接觸到的人很少。
前幾天發(fā)現(xiàn)了一個叫做 TopSBM 的模型,2018 年發(fā)表的。將網(wǎng)絡(luò)分析和主題模型結(jié)合在一起,徹底拋去了那個奇怪的 Dirichlet 先驗分布,所以擬合出來的主題效果很好。在公司的數(shù)據(jù)上跑了一下,好到驚艷。下面總結(jié)一下自己使用主題模型的經(jīng)驗。 如果不知道主題數(shù),那么用 TopSBM 。 如果知道了主題數(shù),而且知道了每個主題中需要包括哪幾個詞,用 CorEX,也就是 anchored topic models. 兩者結(jié)合也是個不錯的主意。
雖然說 TopSBM 是一個特別好的模型,但是也是一個主題模型,純 CPU 計算,數(shù)據(jù)量一上來就特別特別慢。在大概 11K 文檔上跑了接近 9 個小時才跑出來結(jié)果。

前情 https://v2ex.com/t/683187#reply31 古蘭經(jīng)的文本情感分析,與其六大要義不謀而合

內(nèi)容重點： 因為偶爾自學 python,看的東西雜又不精,偶爾翻到 nlp 相關(guān)的內(nèi)容,發(fā)現(xiàn)如下內(nèi)容：PyCon China2019 中藤井美娜,里面提到過用 python,結(jié)巴分詞,word2vec 之類處理,用大量的合同進行訓(xùn)練,然后折騰出模型,對一個新的合同內(nèi)容進行風險預(yù)測 地址是 https://www.bilibili.com/video/av75148536?p=10 但是內(nèi)容中沒有具體代碼,所以請問有誰有實戰(zhàn)教程么？

具體案例是：“《步步驚心》改編自著名作家桐華的同名清穿小說《甄嬛傳》改編自流瀲紫所著的同名小說電視劇《何以笙簫默》改編自顧漫同名小說《花千骨》改編自 fresh 果果同名小說《裸婚時代》是月影蘭析創(chuàng)作的一部情感小說《瑯琊榜》是根據(jù)海宴同名網(wǎng)絡(luò)小說改編電視劇《宮鎖心玉》,又名《宮》《雪豹》,該劇改編自網(wǎng)絡(luò)小說《特戰(zhàn)先驅(qū)》《我是特種兵》由紅遍網(wǎng)絡(luò)的小說《最后一顆子彈留給我》改編電視劇《來不及說我愛你》改編自匪我思存同名小說《來不及說我愛你》”這么長的一條樣本進行實體關(guān)系抽取,我尼瑪,不切分直接 gank,召回率低得無法直視。

非常杯具,App 明明已經(jīng)是 Ready for Sale 了,可是里面的 iAd 缺都是讀取失敗 。。。之后到 iAd Manager 里才發(fā)現(xiàn)原來 iAd 狀態(tài)還是 Not Ready for Sale ... 真希望是蘋果的問題 。。。 p.s. 感覺添加 iAd 其實并不復(fù)雜（我是老老實實按照說明做的）,難道是我漏掉了什么步驟？

今天偶然發(fā)現(xiàn)的,從我的一個小應(yīng)用上：隨便看了一會兒,大概看到至少 5 個 App 的廣告 。。。 p.s. App 是從中國區(qū)商店下載的。

http://developer.apple.com/iphone/library/samplecode/iAdSuite/Introduction/Intro.html 7月22號發(fā)布的,今天才看到 。。。 p.s. 其中有一個例子是演示如何在 Tabbar based apps 里設(shè)置 iAd 的,很不錯。

據(jù)說本月22號就會全球開放？我已經(jīng)把一個很便宜的 App 免費成 iAd 版了,希望有好的效果 ...

Guideline 3.2.2 - Business - Other Business Model Issues - Unacceptable
We noticed that your app includes an interface that displays or promotes mini programs for third-party apps, which is not appropriate for the App Store.
Next Steps
To resolve this issue, please remove any features in your app that promote programs for third-party apps.
以上是 appstore 審核員,拒絕我們的理由
我的 APP 是做微信小程序的,之前做的第一個版本是審核通過了,但最近想更新(其實沒有做任何的內(nèi)部更新),卻被拒絕了,我猜測拒絕的原因是我 APP 里面有個學院模塊可以發(fā)布文章,里面的確有幾篇寫了關(guān)于小程序的文章,但刪掉之后,還是告訴我不通過,真的無語了,請問有大神知道如何解決么

前一段時間看到新聞?wù)f廣電要求所有游戲都要申請版號. 但是我不是開發(fā)者所以沒太關(guān)注后續(xù).現(xiàn)在想要研究一下 iOS 開發(fā), 準備搞個小游戲練練手, 單機的, 類似掃雷, 打磚塊這種規(guī)模的. 然后就想到難道這種小游戲上架也要申請版號嗎? 我看 AppStore 里好多小游戲都不像廣電審核過的樣子啊. 如果要搞的話感覺太麻煩了.

我記得剛買的那一年（ OS X 10.9 ）一直保持著 38 39 的溫度 但是一更新 10.10 之后到目前的 10.11.1 溫度一直在 50 度附近徘徊 不知道正常不正常 大家平時的溫度都是多少？