其他

Author :  QQ Zhou 大家好。 前面已經從架構上給大家介紹了使用者畫像構建方法及使用者畫像的價值呈現。下面將介紹一下我們的產品內容。主要圍繞：個體畫像、群體畫像、全體畫像 個體畫像物件導向是廣大使用者群體，這些使用者群體希望得到更貼心、更符合自己個人化需求的服務。 群體畫像物件導向是公司、企業，需要明確的是這些單位目標即實現企業利潤最大化。 全體畫像物件導向公司領導層：瞭解使用者體驗是否有提升、公司今年採取的營銷策略是否有效等等。   

我們的工作中經常遇到如何求兩個句子的相似，比如如何判斷搜尋query和廣告query的相似，搜尋query和app的相似，再比如短文本相似的問答系統等等。有什麼好的方法呢，這裡是個人的一點總結吧。 目錄： 一、 先貼結果 二、 短文本相似常用的方法 三、主題模型的應用 四、 深度學習的模型搭建 （一）老樣子先貼結果吧，樣本是處理後的搜尋query和廣告點選query，準確率在95%左右 圖2的格式為標籤（相似為1，不相似為0）、 預測標籤、 某個值（大於0為預測標籤為1

quora是一個比較知名的社區問答網站，對於目前比較流行的cqa問題，通過quora提供的搜尋工具來找到相似的問題進而抽取答案。 事實上，quora的搜尋大致是根據關鍵詞匹配的。 String s=HttpRequest.sendGet("https://www.quora.com/search","q=Have%20you%20ever%20done%20the%20NoFap%20Challenge?");Document doc =

作者：wjmishuai 出處：http://blog.csdn.net/wjmishuai/article/details/50854168 代碼下載地址: https://github.com/PatienceKai/VGG_Face_Caffe_Model 運行代碼之前請把你的caffe環境配置好. 可以實現成C++版本的,由於項目是合作的,我不能上傳.python版是我自己寫的,流程是一樣的.

1 多元線性迴歸模型 1 多元迴歸模型與迴歸方程 多元迴歸模型： y=β 0 +β 1 x 1 +β 2 x 2 +...+β k x k +ε  多元迴歸方程：

從形式上看，方差分析是比較多個總體的均值是否相等，但從本質上它所研究的是變數之間的關係。在研究一個（或多個）分類型自變數與一個數值型因變數之間的關係時，方差分析就是其中的主要方法之一。 1 方差分析引論 隨著增加個體顯著性檢驗的次數，偶然因素導致差別的可能性也會增加（並非均值真的存在差別）。而方差分析則是同時考慮所有樣本，排除了錯誤累積的機率，從而避免拒絕一個真實的原假設。 1 方差分析及其有關術語 方差分析（analysis

列聯分析主要用於分類資料的分析 1 分類資料與列聯表 1 分類資料 如：完整家庭/離異家庭、一等品/二等品、三等品…… 2 列聯表的構造 列聯表是由兩個以上的變數進行交叉分類的頻數分布表。 3 列聯表的分布 列聯表的分布可以從兩個方便來看：一個是觀察值的分布；一個是期望值的分布。 (1)觀察值 條件頻數、行邊緣頻數、列邊緣頻數、百分比 (2)期望值分布 根據比例求出的各個變數的期望值 以四個公司對改革方案的贊成/反對為例，若全部樣本為420（100+120+90+110），

參數估計：是用樣本統計量估計母體參數的方法，母體參數μ在估計前是未知的 假設檢驗：先對 μ  的值提出一個假設，然後利用樣本資訊去檢驗這個假設是否成立 1 假設檢驗的基本問題 1 假設的運算式 原假設H0 備選假設H1 2 兩類錯誤 第一類錯誤：原假設為真卻被拒絕，犯這種錯誤的機率用α表示，所以也稱α錯誤或棄真錯誤 第二類錯誤：原假設為偽卻沒有拒絕，犯這種錯誤的機率用β表示，也稱β錯誤或取偽錯誤 對於一定的樣本量n，不能同時做到犯這兩類錯誤的機率都很小。如果減小α錯誤，

感謝點評與關注，歡迎轉載與分享。 勤奮努力，持之以恒。 下面封裝方法效能不是最優僅供參考 更好方法請參考：http://blog.csdn.net/song_hui_xiang/article/details/42921537 //圖片命名規則:number_0.png fileName則為 number_ numSpace:圖片間距 leftOrRight:1靠左對齊 2靠右對齊 3置中對齊CCSprite*

前言：         作為程式員的我們，最容易打交道的就是代碼了，一個個的字元的組合，可以給我們帶來巨大的效益，但是我們同時注意一下代碼的格式和一些書寫規範，相信會有更大的收穫和效益呢。 內容： 首先用一個導圖來總體把握一下我們平常代碼的易出錯點吧。            

之前LZ寫過一個SLAM依賴庫安裝大全，如果按照之前大全安裝的方式進行安裝，後續在編譯自己的工程時需要連結各種庫檔案和標頭檔，但是具體在CMakeLists.txt裡怎麼使用呢。這篇部落格就準備匯總各種SLAM常用庫的連結方法。 1.添加Eigen標頭檔 Eigen通過apt-get安裝之後，我們要怎麼使用這個依賴庫呢。Eigen有一點很奇怪，Eigen庫只有標頭檔，所以我們在CMakeLists.txt中是不需要寫target_link_libraries，因為我們是通過apt安裝的，

在OpenCV2.4.9發布release版本時添加了3D模組，實現起來非常簡潔漂亮，三維虛擬空間模組是整合自三維電腦圖形學、影像處理和可視化的VTK得到的，OpenCV3.0的OpenCV tutorial中常式效果如下： 首次配置Viz運行得到的效果： 原始碼如下： #include <opencv2/viz/vizcore.hpp>#include <iostream>using namespace cv;using

http://cv-tricks.com/tensorflow-tutorial/save-restore-tensorflow-models-quick-complete-tutorial/ 什麼是TF模型： 在訓練一個神經網路模型後，你會儲存這個模型未來使用或部署到產品中。所以，什麼是TF模型。TF模型基本包含網路設計或圖，與訓練得到的網路參數和變數。因此，TF模型具有兩個主要檔案： a)meta圖

TensorFlow Serving，GPU Tensorflow serving 是一個開源的工具，主要用來部署訓練好的模型，進行Inference。 Tensorflow serving Github地址 本文主要介紹tensorflow serving的安裝，支援GPU模型。 安裝依賴 Bazel TensorFlow Serving 要求0.4.5以上的Bazel。Bazel 的安裝說明here 下載安裝指令碼here。以

背景 Tensorboard 是google推出了一個可視化分析TensorFlow graph 和 運行過程的工具: tensorboard on github cifar10 model 是google發布了一個簡單的基於cifar10 data的的模型: model on the github Tensorboard 的關鍵概念和API summary Ops: Tensorboard需要資料才能可視化和分析模型，所以我們在建立model的時候，需要利用summary

本文轉載自：https://zhuanlan.zhihu.com/p/23361413 ，原題：TensorFlow Serving 嘗嘗鮮 2016年，機器學習在 Alpha Go 與李世石的世紀之戰後變得更加炙手可熱。Google也在今年推出了 TensorFlow Serving 又加了一把火。TensorFlow Serving 是一個用於機器學習模型 serving 的高效能開源庫。它可以將訓練好的機器學習模型部署到線上，使用 gRPC

點擊有驚喜 架構變革，建設AIOps前站 為什麼要AIOps。 簡單來講，一方面由於業務的發展企業的系統變得越來越龐大和複雜給營運帶來了巨大的壓力，通過智慧型工具代替人力是必經之路；另一方面，則需要通過新技術與智能演算法的匯入創造資料價值，助力業務決策，重塑企業價值。作為企業資料的載體，IT系統的變革無疑是智能化的前提。

神經網路是在傳統多項式迴歸的基礎上，受到了生物神經網路”啟用“現象的啟發，引入了啟用函數而構建起來的機器學習模型。在影像處理領域，由於映像的資料量非常大，伴隨著產生的問題是網路參數量非常大，而卷積神經網路引入卷積核巧妙地最佳化了這個問題。卷積核對映像進行局部掃描，提取其中的特徵。對於小卷積核無法擷取全域特徵的問題，通過增加網路層數，前面多層小卷積核的感受野逐漸疊加後，後面小卷積核的感受野也會逐漸擴大。而且隨著網路層數的增加，每次完成卷積後都會引入ReLU啟用函數，對模型引入了更多的非線性，增強了

引入 最近新出的映像風格轉換演算法，雖然效果好，但對於每一張要產生的圖片，都需要初始化，然後保持CNN的參數不變，反向傳播更新映像，得到最後的結果。效能問題堪憂。 但是映像風格轉換演算法的成功，在產生映像領域，產生了一個非常重要的idea，那就是可以將卷積神經網路提取出的feature，作為目標函數的一部分，通過比較待產生的圖片經過CNN的feature值與靶心圖表片經過CNN的feature值，使得待產生的圖片與靶心圖表片在語義上更加相似(相對於Pixel層級的損失函數)。

問題內容如下 InvalidArgumentError (see above for traceback): Cannot assign a device to node 'train/final/fc3/b/Momentum': Could not satisfy explicit device specification '/device:GPU:0' because no devices matching that specification are registered in