- 综合排序
- 最热优先
- 最新优先
- 来自专栏计算机基础
推断和预测 Inference Predication
计算预测的概率分布与真实概率分布之间的交叉熵来评估预测性能，常用作分类模型的损失函数
18600编辑于 2024-08-10 - 来自专栏AI工程落地
Triton Inference Server调研
/server: The Triton Inference Server provides an optimized cloud and edge inferencing solution.） ：对用户的入口，包含http和grpc协议相关的实现 core（triton-inference-server/core: The core library and APIs implementing the Triton Inference Server.） ：框架核心库，包含推理后端定义、缓存定义及核心功能的执行过程 各种推理框架后端： vllm：triton-inference-server/vllm_backend pytorch：triton-inference-server ：triton-inference-server/local_cache: Implementation of a local in-memory cache for Triton Inference
1.2K10编辑于 2025-01-14 - 来自专栏CreateAMind
Bayesian causal inference: A unifying neuroscience theory
对大脑和支配神经处理的原理的理解需要简洁的理论,能够解释一系列不同的现象,并且能够做出可检验的预测。在这里,我们回顾贝叶斯因果推理理论,该理论已经由几个研究小组在人类和其他灵长类动物的各种任务中进行了测试、完善和扩展。贝叶斯因果推理是规范性的,已经解释了大量任务中的人类行为,包括单感觉和多感觉 知觉任务、感觉运动和运动任务,并解释了反直觉的发现。该理论做出了经过实验测试和证实的新颖预测,最近的研究已经开始绘制其算法和人脑中的神经实现。该理论所解释的现象的简约性和多样性,以及它在Marr 分析的所有三个层次上对大脑功能的启发,使得贝叶斯因果推理成为一个强大的神经科学理论。这也强调了协作和多学科研究对神经科学新理论发展的重要性。
38920编辑于 2023-10-10 - 来自专栏mathor
Tacotron2 Inference教程
ljs_audio_text_train_filelist.txt │ └── ljs_audio_text_val_filelist.txt ├── hparams.py ├── inference.ipynb ├── denoiser.py ├── distributed.py ├── glow_old.py ├── glow.py ├── inference.py 此时ALL文件夹里面会多出一个名为tacotron2的文件夹，在这个文件夹里有一个inference.ipynb文件，就是等会要用到的推理部分的代码 接着将预训练好的WaveGlow模型保存到waveglow 如果你自己没有训练tacotron2，官方也提供了一个训练好的模型文件 修改Inference代码 再次强调，我的实验环境是Colab，以下内容均为，文字解释在上，对应代码在下 首先需要确保tensorflow sequence)).cuda().long() 生成梅尔谱输出，以及画出attention图 mel_outputs, mel_outputs_postnet, _, alignments = model.inference
1.5K20发布于 2020-10-29 - 来自专栏CreateAMind
CausalNeural Connection: Expressiveness Learnability Inference
另外一篇对结果进行了对比：《 On the Tractability of Neural Causal Inference》 and code: https://github.com/zecevic-matej
38630编辑于 2022-11-22 - 来自专栏彩铅的随笔博客
变分推断 Variational Inference
变分推断 Variational Inference 贝叶斯与近似贝叶斯 贝叶斯推断(Bayesian Inference) ，在贝叶斯推断中我们有观测数据 \mathrm{x} = \{\mathrm 变分推断 Variational Inference 我们经常利用贝叶斯公式求posterior distribution： p(\mathrm{z|x}) p(\mathrm{z|x}) = \dfrac 在贝叶斯统计中，所有的对于未知量的 推断(inference) 问题可以看做是对 后验概率(posterior) 的计算。 因此提出了 Variational Inference 来计算 posterior distribution 。 Variational Inference 核心思想主要包括两步： 假设一个用于近似的简单分布 q(\mathrm{z;\lambda}) 通过改变分布的参数 \lambda ，使 q(\mathrm
79711编辑于 2023-04-27 - 来自专栏容器计算
NVIDIA TensorRT Inference Server on Kubernetes
1 Overview NVIDIA TensorRT Inference Server 是 NVIDIA 推出的，经过优化的，可以在 NVIDIA GPUs 使用的推理引擎，TensorRT 有下面几个特点
1.4K20发布于 2020-08-06 - 来自专栏DeepHub IMBA
推理(Inference)与预测(Prediction)
推理(Inference) 你观察后院的草。它是湿的。你观察天空。天气多云。你推断已经下雨了。然后你打开电视看天气频道。天气多云，但有几天不下雨。你还记得几小时前有洒水器的计时器。
2.3K20发布于 2020-09-04 - 来自专栏人人都是数据分析师
因果推断文献解析|A Survey on Causal Inference(1)
近来，因果分析理论越发热门，公司中很多业务发展也需要用到相关理论支撑。那么，ZZ也来学习一下新知识，与知友共勉。
1.1K10发布于 2021-05-13 - 来自专栏VoiceVista语音智能
ARM DevSummit - CNN Enhanced Inference on ARM NPU
From Deeplite.ai http://mpvideo.qpic.cn/0bf2eiaaiaaaiqagjcdw2vqvaiwdaqraabaa.f10002.mp4?dis_k=62fb42
89220发布于 2021-11-05 - 来自专栏CreateAMind
REACTIVE MESSAGE PASSING FOR SCALABLE BAYESIAN INFERENCE
对强大的数学或算法思想的有效软件实现的开放访问通常会导致各种实际领域的急剧增长的进步
55530编辑于 2023-10-19 - 来自专栏人人都是数据分析师
因果推断文献解析|A Survey on Causal Inference(6)
一介绍 本系列，我们介绍因果推断的经典综述论文《A Survey on Causal Inference》，上一篇ZZ介绍了本篇综述的第三个因果推断方法：“匹配方法“；匹配方法是针对每一个样本，匹配一些合适的近邻来估计反事实结果 本文我们来学习基于树的方法；首先附上上一篇链接： 因果推断文献解析|A Survey on Causal Inference(5) 论文原文点击文末【阅读原文】即可查看。
1.9K51发布于 2021-05-13 - 来自专栏人人都是数据分析师
因果推断文献解析|A Survey on Causal Inference(2)
下面我们继续解析论文，探索作者给我们描绘的因果世界，首先附一下上篇内容： 因果推断文献解析|A Survey on Causal Inference(1) 论文原文点击文末【阅读原文】即可查看。
1.2K20发布于 2021-05-13 - 来自专栏生信菜鸟团
PROGENy: Pathway RespOnsive GENes for activity inference（一）
Title：PROGENy: Pathway RespOnsive GENes for activity inference; 通路反应基因活性推断工具 1.引入 在上篇推送介绍的R包中，我们用到了PROGENy 介绍 PROGENy （Pathway RespOnsive GENes for activity inference）是2018年发表在Nature Communication的R包[1]。
6K42编辑于 2023-01-05 - 来自专栏CreateAMind
bnlearn：an R package for Bayesian network learning and inference
learning the graphical structure of Bayesian networks, estimate their parameters and perform some useful inference
74720编辑于 2022-11-22 - 来自专栏CreateAMind
Variational Inference with Normalizing Flows 2015 全译
Variational Inference with Normalizing Flows 具有归一化流的变分推理 1.
50310编辑于 2024-05-22 - 来自专栏函数式编程语言及工具
Scalaz（27）－ Inference & Unapply ：类型的推导和匹配
经过一段时间的摸索，用scala进行函数式编程的过程对我来说就好像是想着法儿如何将函数的款式对齐以及如何正确地匹配类型，真正是一种全新的体验，但好像有点太偏重学术型了。 本来不想花什么功夫在sca
1.4K80发布于 2018-01-05 - 来自专栏人人都是数据分析师
因果推断文献解析|A Survey on Causal Inference(4)
都影响着该方法的准确性，接下来我们换个角度，一起来解析接下来的基于潜在结果框架下的因果推断方法，首先附上上一篇链接： 因果推断文献解析|A Survey on Causal Inference(3)
1.1K10发布于 2021-05-13 - 来自专栏人人都是数据分析师
因果推断文献解析|A Survey on Causal Inference(3)
下面我们书接上文，进入到解决因果推断问题具体的方法的解析，首先附一下上篇内容：因果推断文献解析|A Survey on Causal Inference(2)，论文原文点击文末阅读原文即可查看。
2.1K20发布于 2021-05-13 - 来自专栏CreateAMind
VAE variation inference变分推理 清爽介绍
在Variational Inference中，我们希望能够找到一个相对简单好算的概率分布q，使它尽可能地近似我们待分析的后验概率p(z|x)，其中z是隐变量，x是显变量。 Variational Inference 虽然我们鼓吹了很多生成模型的好处，但是面对等号右边那一堆东西，该束手无策还是束手无策。但是，前辈们还是想到了一些精妙的解法。 这里的variational inference介绍的有点简单，有机会我们再详细介绍下。 散度，所以我们可以认为，为了找到一个好的q(z)，使得它和p(z|X)尽可能地相近，我们需要： 右边第一项的log似然的期望最大化 右边第二项的KL散度最小化 对于VAE之前的variation inference
2K20发布于 2018-07-25
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