其他

來源：人工智慧前沿講習班  作者： 葛政 相信做機器學習或深度學習的同學們回家總會有這樣一個煩惱：親朋好友詢問你從事什麼工作的時候，如何通俗地解釋能避免尷尬。 我嘗試過很多名詞來形容自己的工作：機器學習，深度學習，演算法工程師/研究員，搞電腦的，程式員…這些詞要麼自己覺得不滿意，要麼對方聽不懂。經曆無數次失敗溝通，最後總結了一個簡單實用的答案：“做Face Service的”。 今天出這篇Face

/* *程式的著作權和版本聲明部分： *Copyright（c）2013，煙台大學電腦學院學生 *All rights reserved. *檔案名稱： *作者：李新鵬 *完成日期：2014年3月18日 *版本號碼：v0.1 *對任務及求解方法的描述部分： *輸入描述： *問題描述:計算三角形面積周長。 *程式輸入：三邊長 *程式輸出：三邊長，周長，面積 *問題分析： *演算法設計： *我的程式： */

<!DOCTYPE service-builder PUBLIC "-//Liferay//DTD Service Builder 5.0.0//EN" "http://www.liferay.com/dtd/liferay-service-builder_5_0_0.dtd"><service-builder package-path="com.linhopesolutions.canopy"><namespace>Canopy</namespace&

原文地址 一、中繼資料的定義 按照傳統的定義，中繼資料（Metadata）是關於資料的資料。在資料倉儲系統中，中繼資料可以協助資料倉儲管理員和資料倉儲的開發人員非常方便地找到他們所關心的資料；中繼資料是描述資料倉儲內資料的結構和建立方法的資料，可將其按用途的不同分為兩類：技術中繼資料（Technical Metadata）和業務中繼資料（Business Metadata）。

建立思維導圖是集思廣益的好方法，無論是在一個團隊中還是獨立完成一個項目。傳統上，這可能是在word上畫草圖掛上的，但是XMind可以使您的電腦更加舒適。在一瞬間，你可以記下一些想法，從這些額外的思路可以被激發 - 在你知道它之前，你會有幾個想法的分支來處理。 圖例： 第一次啟動XMind時，系統會提示您建立一個帳戶 -

在上周召開的Google I/O 大會上，Google正式公布了第二代TPU，又稱Cloud TPU或TPU 2。但是，Google並沒有詳細介紹自己的新晶片，只展示了一些照片。 The Next Platform今天發布一篇文章，基於Google提供的圖片和細節，帶你深入瞭解Google的TPU2。量子位編譯如下：

Grid Loss: Detecting Occluded Faces ECCV2016 遮擋問題還是要通過地區分塊來解決 針對有遮擋的臉部偵測，如果從訓練資料的角度來解決這個問題難度比較大。我們從定義新的損失函數的角度來解決這個問題。通過定義一個 novel loss layer 來分塊考慮人臉計數誤差損失，本文的另一個亮點是 real time 我們的整個網路結構示意圖 3 Grid Loss for CNNs

初入機器學習領域的同學都知道機器學習中有一個普適的定理：沒有免費的午餐(no free lunch)。 對它的簡單易懂的解釋就是： 1、一種演算法（演算法A）在特定資料集上的表現優於另一種演算法（演算法B）的同時，一定伴隨著演算法A在另外某一個特定的資料集上有著不如演算法B的表現； 2、具體問題（機器學習領域內問題）具體分析（具體的機器學習演算法選擇）。

我們知道卷積神經網路（CNN）在映像領域的應用已經非常廣泛了，一般一個CNN網路主要包含卷積層，池化層（pooling），全串連層，損失層等。雖然現在已經開源了很多深度學習架構（比如MxNet，Caffe等），訓練一個模型變得非常簡單，但是你對這些層具體是怎麼實現的瞭解嗎。你對softmax，softmax loss，cross

原文地址 數學是電腦技術的基礎，線性代數是機器學習和深度學習的基礎，瞭解資料知識最好的方法我覺得是理解概念，數學不只是上學時用來考試的，也是工作中必不可少的基礎知識，實際上有很多有趣的數學門類在學校裡學不到，有很多拓展類的資料能讓我們發散思維，但掌握最基本的數學知識是前提，本文就以線性代數的各種詞條來做一下預熱，不懂的記得百度一下。  請尊重原創，轉載請註明來源網站www.shareditor.com以及原始連結地址 矩陣與方程組

硬體、網路初始化完成後（此處略），建立web radio的任務 xTaskCreate(web_radio_task, "web_radio_task", 4096, NULL, 5, NULL); vTaskSuspend(NULL); web radio 初始化外部SPI Ram FIFO後，建立mp3 decode 任務， void web_radio_task(void* pvParameters){ spiRamFifoInit();

01TEXEL:PIXEL Render Scale Unity5.3官方VR教程重磅登場-系列2 - 笨貓快樂學編程 - 知乎專欄 根據VR互動應用情境的複雜度和所啟動並執行硬體環境，你可能需要更改render scale設定。通過此項設定可以調整鏡頭校正前texel:pixel的比率，這樣可以犧牲遊戲效能來換取畫面的清晰度。 這項設定應該通過代碼進行，可以參考這裡：

       昨天TI來校園招聘，參加招聘會的人非常多，後面都坐滿人了，可見大家還是比較關注這家公司的，我之前在網站上註冊了簡曆投的是技術銷售類，然後現場投簡曆選的AE，晚上收到銷售的面試電話，第二天上午收到AE的電話，而且一個下午三點一個下午四點OrZ。中午在圖書館大廳和小夥伴們聊了下天，我竟然聊著就睡著了·······果然是成大事者（滑稽）。  

在之前的《演算法設計與分析》課程的學習中，我們就接觸到了貪心演算法解決背包問題，當然還有動態規劃法解決0-1背包問題等等。今天我就來分析貪進法解決背包問題。為了大家可以理解貪心演算法，我先分享一道比較簡單的題目。 問題描述： 給你一個非負數整數n，判斷n是不是一些數（這些數不允許重複使用，且為正數）的階乘之和，如9=1。+2!+3!，如果是，則輸出Yes，否則輸出No； 第一行有一個整數0 問題分析：

原文地址：http://www.sohu.com/a/198477100_633698 文章節選自《白話深度學習與TensorFlow》 隨著人們對於神經網路技術的不斷研究和嘗試，每年都會誕生很多新的網路結構或模型。這些模型大都有著經典神經網路的特點，但是又會有所變化。你說它們是雜交也好，是變種也罷，總之對於神經網路創新的各種辦法那真叫大開腦洞。

條件隨機場(Conditional random fields)，是一種判別式圖模型，因為其強大的表達能力和出色的效能，得到了廣泛的應用。從最通用角度來看，CRF本質上是給定了觀察值集合(observations)的馬爾可夫隨機場。在這裡，我們直接從最通用的角度來認識和理解CRF，最後可以看到，線性CRF和所謂的高階CRF，都是某種特定結構的CRF。1.

強化學習可以分成off-policy（離線）和on-policy（線上）兩種學習方法，按照個人理解，判斷一個強化學習是off-policy還是on-policy的依據在於產生樣本的policy（value-funciton）和網路參數更新時的policy（value-funciton）是否相同。 off-policy的經典演算法有Q-learning，而on-policy的經典演算法有SARSA演算法，兩者的演算法流程如下所示。 Q-learning演算法： initialize

0. 零基礎入門 Coding interview exposed (3ed) 這個最簡單了，基礎比較挫的可以從這裡開始 “這本書籍不是“課本”，不是“課程”，而是教你做各種常見面試題目的。熟練掌握這本書籍的內容，是你找到工作的基礎。” Programming Interviews Exposed 8.0/60 | 程式員面試攻略 7.7/86     MIT的Hacking a google interview（也非常簡單） &

1. 概述 AVL樹是最早提出的自平衡二叉樹，在AVL樹中任何節點的兩個子樹的高度最大差別為一，所以它也被稱為高度平衡樹。AVL樹得名於它的發明者G.M. Adelson-Velsky和E.M. Landis。AVL樹種尋找、插入和刪除在平均和最壞情況下都是O（log n），增加和刪除可能需要通過一次或多次樹旋轉來重新平衡這個樹。本文介紹了AVL樹的設計思想和基本操作。 2. 基本術語 有四種種情況可能導致二叉尋找樹不平衡，分別為：

1.  概述 位元影像（bitmap）是一種非常常用的結構，在索引，資料壓縮等方面有廣泛應用。本文介紹了位元影像的實現方法及其應用情境。 2. 位元影像實現 （1）自己實現 在位元影像中，每個元素為“0”或“1”，表示其對應的元素不存在或者存在。 1 2 3 4 5