- 综合排序
- 最热优先
- 最新优先
- 来自专栏Hank’s Blog
2-5 R语言基础 factor
#因子：分类数据 #有序和无序 #整数向量+标签label #Male/Female #常用于lm(),glm()
44710发布于 2020-09-16 - 来自专栏悟道
2-5 快速幂模板
这个就是在快速乘的基础上改一下 sum=0--->sum=1 x+=x--->x*=x //快速幂模板 public double quickPow(double x,long y){ double sum=1; while(y>0){ if((y&1)==1){ sum*=x; } x*=x; y=y>>1; }
36020发布于 2021-06-01 - 来自专栏AI机器学习与深度学习算法
学习分类 2-5 线性可分
感知机非常简单同时又很容易理解，但是相对应的，缺点也很多。感知机最大的缺点就是它只能解决线性可分的问题。
59810编辑于 2022-11-08 - 来自专栏朴素人工智能
跨模态语言模型
多模态输入 目前最新的多模态模型基本都是以transformer为backbone，为了达到更好的语言模态处理能力，往往都在预训练语言模型的基础上进行扩展。 先分别使用语言编码器和图像编码器对两种信息进行分别编码，再通过一个跨模态编码器（cross-modality encoder）进行交互。如果你熟悉文本匹配，那对这种套路应该再熟悉不过了。 ? 采用“双塔”分别对文本和图片进行编码，再通过跨模态编码器进行交互 如何预训练 在介绍VL-BERT的预训练之前，我们先简单回顾一下BERT的预训练任务。 这个任务是第一个任务的对偶任务，前面那个任务是用视觉信息来辅助语言模型训练，而这个是借助语言信息来进行ROI图像预测。预测的标签来自于R-CNN模型的预测结果（注意，这个结果是来自于视觉信息的）。 这是我们不希望看到的，我们希望模型能够建立跨模态的联系，它需要从输入的“kitten drink from bottle”里预测出被mask掉的区域里应该有只猫（因为另一个区域已经有瓶子了）。
1.5K20发布于 2020-06-29 - 来自专栏痴者工良
跨平台、跨语言应用开发，Elements 介绍
实际上，跨平台、跨语言开发移动应用的解决方案很多，Xamarin 优势不大。 以下为 Elements 能够开发的应用类型： ? 特色： 先进的编辑功能 单元测试集成 跨平台的调试和部署 ? 2，Water 用于在 Windows 中开发应用，笔者就不再深入介绍了~~~ ? ，具有智能感知和高级的生产力功能 对所有平台都有丰富的调试能力，包括针对 Mac、Linux 和 iOS 的跨网络调试 与 Elements.NET 项目、Microsoft Visual CrossBox FXGen Profiler Obfuscation Oxidlzer Marzipan CrossBox CrossBox 是跨平台的系统调试项目 Profiler 跨平台的性能分析器，能够监控代码运行、远程主机上应用运行的情况，分析性能数据。 Obfuscation 保护代码，防止反编译的工具。根据官方解释的解释，是利用了代码混淆技术。
6.4K20发布于 2021-04-26 - 来自专栏机器之心
跨语言版BERT：Facebook提出跨语言预训练模型XLM
今天，Facebook 发布了一种新型跨语言预训练语言模型，它旨在构建一种跨语言编码器，从而将不同语言的句子在相同的嵌入空间中进行编码。这种共享的编码空间对机器翻译等任务有很大的优势。 项目地址：https://github.com/facebookresearch/XLM 在这一项工作中，作者展示了跨语言预训练语言模型的高效性，它在多种跨语言理解基准任务中都取得了很好的效果。 总的而言，Facebook 提供的是一种跨语言版的 BERT，它在 XNLI 和无监督机器翻译等跨语言任务取得了当前最好的效果。 ? 预训练语言模型： 因果语言模型（CLM）—单语言 BERT 中通过掩码训练的语言模型（MLM）—单语言 翻译语言模型（TLM）—跨语言 2. 生成跨语言句子表征 项目提供了一段简单的示例代码，它可以帮我们从预训练模型快速获取跨语言句子表征，这种跨语言的句子表征对机器翻译、计算句子相似性或实现跨语言的分类器都很有帮助。
1.8K40发布于 2019-04-30 - 来自专栏技术杂货店
JVM笔记 -- Java跨平台和JVM跨语言
其他的语言，例如c语言，编译成为机器码之后，由于底层的机器语言支持不一样，编译后的机器语言文件是不可以跨操作系统运行的。而Java则是把兼容的工作，交给了JVM。 使用虚拟机实现编程语言是相当普遍的。 最知名的虚拟机可能是UCSD Pascal的P代码计算机。 JVM 跨语言怎么理解？ JVM是跨语言的平台，很多语言都可以编译成为遵守规范的字节码，这些字节码都可以在Java虚拟机上运行。 Java虚拟机要做到跨语言，目前来看应该是当下最强大的虚拟机。但是并非一开始设计要跨语言。 跨语言的平台有利于什么？ 由于有了跨语言平台，多语言混合编程就更加方便了，通过特定领域的语言去解决特定领域的问题。
1.4K00发布于 2021-01-30 - 来自专栏技术杂货店
JVM笔记 -- Java跨平台和JVM跨语言
Java是一门跨平台语言，所谓跨平台就是，Java源文件会被编译成为字节码文件，不管是Windows，Linux还是Mac，都有其适配的JVM，也就是字节码文件可以随意在这些JVM上去运行。 其他的语言，例如c语言，编译成为机器码之后，由于底层的机器语言支持不一样，编译后的机器语言文件是不可以跨操作系统运行的。而Java则是把兼容的工作，交给了JVM。 使用虚拟机实现编程语言是相当普遍的。最知名的虚拟机可能是UCSD Pascal的P代码计算机。 JVM 跨语言怎么理解？ JVM是跨语言的平台，很多语言都可以编译成为遵守规范的字节码，这些字节码都可以在Java虚拟机上运行。 但是并非一开始设计要跨语言。 跨语言的平台有利于什么？由于有了跨语言平台，多语言混合编程就更加方便了，通过特定领域的语言去解决特定领域的问题。
1.6K20编辑于 2022-02-15 - 来自专栏七夜安全博客
Python跨语言调用java
但是我也有担忧，毕竟是两种语言的包，版本管理的方式不一定一样。万一python 中的version.parse不适用，该怎么办呢？ newDefaultArtifactVersion("1.2.7"); int res = version1.compareTo(version2); logger.info("res={}", res); } 跨语言调用 我是用Python实现了整体框架，用来适配各种语言包的版本比较，maven包的比较只是其中一个功能，因此开始考虑 python如何调用jar包中的函数。
1.5K31发布于 2020-03-25 - 来自专栏mathor
跨语言对比学习
猿辅导的这篇论文和SimCES却不一样，它主要是从网络整体架构入手，基于Momentum网络提出了一种有监督的跨语言句子相似度计算方法 Dual Momentum Contrast Momentum本意是动量 q为x^q经过encoder网络后的向量，k为经过Momentum encoder网络后的多个向量 回到原论文，给定一个跨语言平行句子集\{x_i,y_i\}_{i=1}^n，对于每种语言的句子，分别用特定语言的 每一种语言的BERT都有一个参数为\boldsymbol{\theta}的Momentum encoder，可以理解为原BERT的复制，只不过复制的是结构而不是参数，这些Momentum encoder 虽然作者提出的方法以及后续实验都是基于跨语言的，但实际上针对同语言也是适用的，例如给定一个同语言的句子对(x_i,x_j)，设句子y_j是由句子x_j翻译得到的，如果模型训练得比较好，那么对于句子x_j mathbf{h}_{x_i}得 \mathbf{h}_{x_i}\cdot \mathbf{h}_{x_j}\approx \mathbf{h}_{x_i}\cdot \mathbf{h}_{y_j} 后者是跨语言的句子相似度
86030发布于 2021-11-17 - 来自专栏Cikian技术站
Java语言跨平台原理
一、平台和跨平台 我们这里所说的“平台”指的是操作系统，如我们常见的Windows、MacOS、Linux等。 而“跨平台”指的是同样的Java程序可以在所有平台上面运行，并且运行结果相同。 二、跨平台原理 举个例子：有三个人A,B,C，A只会说并且只听得懂a语言，B只会说并且只听得懂b语言，C只会说并且只听得懂c语言，如果A想和B、C交流，那么他们直接对话是行不通的，因为他们说的话互相都听不懂 而Java之所以能“跨平台”运行，是因为JVM（Java虚拟机）的存在，JVM在不同平台间就充当着“翻译”的角色。 三、注意 跨平台运行不是Java程序能在所有的平台上运行，关键是该平台是否能安装相应的虚拟机，也就是能不能找到对应的“翻译”； Java源程序经过编译器编译后变成字节码（.class文件，Android
97320编辑于 2022-09-22 - 来自专栏NetCore 从壹开始
2-5 安装容器Web工具：Docker Portainer
现在已经习惯了容器化了，不仅可以很快的配合CICD来实现部署，同时主要是也能解决一些疑难杂症，比如在Linux中经常会有各种图形图像的依赖包问题。特别是内网环境。
1K20编辑于 2023-01-09 - 来自专栏刷题笔记
2-5 Two Stacks In One Array (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101173005 2-5 Two Stacks In One Array (20 分) Write
78730发布于 2019-11-08 - 来自专栏Deep learning进阶路
2-5 线性表之循环链表
2-5 线性表之循环链表 循环链表就是链表首尾相接连成一个环，可以用单链表 和 循环链表来实现。
43840发布于 2019-07-02 - 来自专栏刷题笔记
2-5 修理牧场 (35 分)【优先队列】
2-5 修理牧场 (35 分) 农夫要修理牧场的一段栅栏，他测量了栅栏，发现需要N块木头，每块木头长度为整数Li个长度单位，于是他购买了一条很长的、能锯成N块的木头，即该木头的长度是Li的总和
1.1K10发布于 2020-06-23 - 来自专栏PaddlePaddle
跨语言、跨模态、跨任务的大模型，驱动应用生态繁荣
大模型迭代闭环趋势 众所周知，大模型技术不断发展，已经从大模态发展到了多模态和跨模态，比如从Instruct GPT3技术发展到跨模态的DALL·E-2技术，同时大模型在应用过程中也产生了非常好的轻量级应用技术 在自然语言处理领域，大模型具有更强的小样本学习能力，比如基于思维链的Flan-PaLM，该模型已经具有基本推理能力；再如基于层次化多任务学习的文心ERNIE 3.0 Zeus。 在跨模态领域，最近提出了扩散模型，该模型引发了文本到图像生成技术的变革，比如百度提出了文心ERNIE-ViLG 2.0，该模型可以生成语义更相关、质量更高的图片。 统一大模型进一步促进生态繁荣 随着技术、应用、数据闭环的不断发展，模型开始趋向于跨语言、跨模态、跨任务的统一大模型。 以前不同语言、不同模态和不同任务，都是单独模型；随着技术不断发展，现在能够对多个任务使用统一模型学习，比如模型能同时学习文本、语音、图像、视频等数据。
1.2K30编辑于 2023-03-06 - 来自专栏程序媛驿站
综述 | 跨语言自然语言处理笔记
作者：匿名侠 | 排版：葡萄媛 转载请在后台输入 授权 01 摘要 跨语言自然语言处理是当下研究的热点。 其中，跨语言词向量（Cross-lingual Word Embedding）可以帮助比较词语在不同语言下的含义，同时也为模型在不同语言之间进行迁移提供了桥梁。 ., 2017] 详细描述了跨语言词向量学习方法和分类体系，将跨语言词向量按照对齐方式分为了基于词对齐、基于句子对齐、基于文档对齐的方法。其中基于词对齐的方法是所有方法的核心和基础。 本文主要记录一些跨语言词向量的相关论文。 02 单词语词向量 常用的单语词向量有 Word2Vec， GloVe， fastText 等。 因此提出了一种在向量空间完成隐式翻译的方法，本质上是使用了跨语言词向量。
77920编辑于 2022-04-11 - 来自专栏育种数据分析之放飞自我
笔记 | GWAS 操作流程2-5：杂合率检验
一般自然群体，基因型个体的杂合度过高或者过低，都不正常，我们需要根据杂合度进行过滤。偏差可能表明样品受到污染，近亲繁殖。我们建议删除样品杂合率平均值中偏离±3 SD的个体。
2.4K20发布于 2020-04-27 - 来自专栏深度学习自然语言处理
【NLP】综述 | 跨语言自然语言处理笔记
阅读大概需要20分钟 跟随小博主，每天进步一丢丢 作者：匿名侠 排版：葡萄媛 来自：程序媛驿站 01 摘要 跨语言自然语言处理是当下研究的热点。 其中，跨语言词向量（Cross-lingual Word Embedding）可以帮助比较词语在不同语言下的含义，同时也为模型在不同语言之间进行迁移提供了桥梁。 ., 2017] 详细描述了跨语言词向量学习方法和分类体系，将跨语言词向量按照对齐方式分为了基于词对齐、基于句子对齐、基于文档对齐的方法。其中基于词对齐的方法是所有方法的核心和基础。 本文主要记录一些跨语言词向量的相关论文。 02 单词语词向量 常用的单语词向量有 Word2Vec， GloVe， fastText 等。 因此提出了一种在向量空间完成隐式翻译的方法，本质上是使用了跨语言词向量。
2.4K41发布于 2019-12-10 多语言模型：跨语言迁移学习实战
对于语音助手（如某智能助手）而言，要拓展新语言环境，传统方法需要为每种语言从头训练一个自然语言理解模型，这种方法难以规模化扩展。另一种方案是训练一个多语言模型，即一个能同时处理多种语言的单一模型。 多语言模型架构近年来，多语言建模已成为热门话题，尤其关注将从大规模语料库训练的模型知识迁移到小数据量语言的模型上，即低资源跨语言迁移学习。 单语言模型使用不同语言的数据进行训练，但通常具有相同的架构。因此，使用相同的模型架构，应该能够训练一个由多种语言数据喂养的通用多语言模型。 知识迁移与结果我们使用四种语言的数据训练模型，包括三种相对接近的语言：某中心英语、某中心西班牙语和某中心意大利语。第四种语言是印地语，这是一种低资源语言，且在词汇和语法上与其他三种语言差异显著。 多语言模型可能从其他语言中学到了单语言模型无法仅从印地语数据集中提取的通用语言信息。FINISHED
20310编辑于 2026-02-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号