檢測到您已登錄華為云國際站賬號，為了您更好的體驗(yàn)，建議您訪問國際站服務(wù)網(wǎng)站 http://www.cqfng.cn/intl/zh-cn
不再顯示此消息
檢測到您已登錄華為云國際站賬號，為了您更好的體驗(yàn)，建議您訪問國際站服務(wù)網(wǎng)站 http://www.cqfng.cn/intl/zh-cn
不再顯示此消息
機(jī)器學(xué)習(xí)算法是一種可以從數(shù)據(jù)中學(xué)習(xí)的算法。然而，我們所謂的 “學(xué)習(xí)”是什么意思呢？Mitchell (1997) 提供了一個簡潔的定義：“對于某類任務(wù) T 和性能度量P，一個計算機(jī)程序被認(rèn)為可以從經(jīng)驗(yàn) E 中學(xué)習(xí)是指，通過經(jīng)驗(yàn) E 改進(jìn)后，它在任務(wù) T 上由性能度量
Google Brain 團(tuán)隊(duì)開發(fā)的開源機(jī)器學(xué)習(xí)框架，于2015年首次發(fā)布。它專為構(gòu)建和訓(xùn)練機(jī)器學(xué)習(xí)與深度學(xué)習(xí)模型（尤其是神經(jīng)網(wǎng)絡(luò)）而設(shè)計，支持從研究到生產(chǎn)環(huán)境的全流程開發(fā)。以下是 TensorFlow 的核心知識點(diǎn)和特性：1. 核心特性靈活的計算圖模型：早期版本基于靜態(tài)計算圖（定義圖后執(zhí)行），2
衡量的性能有所提升。” 經(jīng)驗(yàn) E，任務(wù) T 和性能度量 P 的定義范圍非常寬廣，在本書中我們并不會去試圖解釋這些定義的具體意義。相反，我們會在接下來的章節(jié)中提供直觀的解釋和示例來介紹不同的任務(wù)、性能度量和經(jīng)驗(yàn)，這些將被用來構(gòu)建機(jī)器學(xué)習(xí)算法。
Notebook編程環(huán)境的操作 了解詳情 最佳實(shí)踐 最佳實(shí)踐 口罩檢測（使用新版自動學(xué)習(xí)實(shí)現(xiàn)物體檢測應(yīng)用） 該案例是使用華為云一站式AI開發(fā)平臺ModelArts的新版“自動學(xué)習(xí)”功能，基于華為云AI開發(fā)者社區(qū)AI Gallery中的數(shù)據(jù)集資產(chǎn)，讓零AI基礎(chǔ)的開發(fā)者完成“物體檢測”的AI模型的訓(xùn)練和部署。
是由加州大學(xué)伯克利分校的 賈揚(yáng)清 團(tuán)隊(duì)開發(fā)的開源深度學(xué)習(xí)框架，于 2014 年發(fā)布。其設(shè)計初衷是為計算機(jī)視覺任務(wù)（尤其是卷積神經(jīng)網(wǎng)絡(luò)）提供高效的實(shí)現(xiàn)，以速度快和模塊化設(shè)計著稱。1. 核心特性高效性能：基于 C++ 實(shí)現(xiàn)，對 CPU 和 GPU（CUDA）均有優(yōu)化，適合實(shí)時推理和高吞吐量場景。預(yù)訓(xùn)練模型庫（Model
或試用中的算法，如圖1所示。 圖1 查看算法 單擊算法所在行的圖標(biāo)，下載對應(yīng)的算法。 可單擊“全部任務(wù)”，查看所有算法的下載情況。 可在“系統(tǒng)功能 > 系統(tǒng)管理 > > 本地配置”界面“算法參數(shù)”中修改下載路徑。 單擊左上角的“返回設(shè)備”，返回商城首頁。 安裝并啟用算法，如圖2所示。
間延遲，匹配資源基于個人喜好和習(xí)慣而非基于可量化的標(biāo)準(zhǔn)。另外由于工單和資源的數(shù)據(jù)量巨大，一般的數(shù)據(jù)庫查詢很難滿足實(shí)時查詢需求。為了解決查詢性能和文本模糊匹配的問題，在案例中嘗試使用了工業(yè)級實(shí)時分布式搜索引擎ElasticSearch，并結(jié)合元啟發(fā)式算法simulated anne
數(shù)據(jù)的一種機(jī)器學(xué)習(xí)技術(shù)。它的基本特點(diǎn)，是試圖模仿大腦的神經(jīng)元之間傳遞，處理信息的模式。最顯著的應(yīng)用是計算機(jī)視覺和自然語言處理(NLP)領(lǐng)域。顯然，“深度學(xué)習(xí)”是與機(jī)器學(xué)習(xí)中的“神經(jīng)網(wǎng)絡(luò)”是強(qiáng)相關(guān)，“神經(jīng)網(wǎng)絡(luò)”也是其主要的算法和手段；或者我們可以將“深度學(xué)習(xí)”稱之為“改良版的神經(jīng)網(wǎng)
機(jī)器學(xué)習(xí)算法和一般優(yōu)化算法不同的一點(diǎn)是，機(jī)器學(xué)習(xí)算法的目標(biāo)函數(shù)通?？梢苑纸鉃橛?xùn)練樣本上的求和。機(jī)器學(xué)習(xí)中的優(yōu)化算法在計算參數(shù)的每一次更新時通常僅使用整個代價函數(shù)中一部分項(xiàng)來估計代價函數(shù)的期望值。另一個促使我們從小數(shù)目樣本中獲得梯度的統(tǒng)計估計的動機(jī)是訓(xùn)練集的冗余。在最壞的情況下，訓(xùn)練集中所有的
促使我們從小數(shù)目樣本中獲得梯度的統(tǒng)計估計的動機(jī)是訓(xùn)練集的冗余。在最壞的情況下，訓(xùn)練集中所有的 m 個樣本都是彼此相同的拷貝。基于采樣的梯度估計可以使用單個樣本計算出正確的梯度，而比原來的做法少花了 m 倍時間。實(shí)踐中，我們不太可能真的遇到這種最壞情況，但我們可能會發(fā)現(xiàn)大量樣本都對
算法一覽表 為滿足用戶各種場景需求，圖引擎服務(wù)提供了豐富的基礎(chǔ)圖算法、圖分析算法和圖指標(biāo)算法。算法簡介如下表所示。 表1 算法一覽表 算法 介紹 PageRank算法 又稱網(wǎng)頁排名，是一種由搜索引擎根據(jù)網(wǎng)頁（節(jié)點(diǎn)）之間相互的超鏈接計算的技術(shù)，用來體現(xiàn)網(wǎng)頁（節(jié)點(diǎn)）的相關(guān)性和重要性。
是由 亞馬遜（AWS） 和多家高校聯(lián)合開發(fā)的開源深度學(xué)習(xí)框架，2017 年進(jìn)入 Apache 孵化器。其核心理念是高效、靈活與跨平臺，支持動態(tài)和靜態(tài)混合計算圖，適用于從研究到生產(chǎn)的全場景。1. 核心特性混合式計算圖：結(jié)合動態(tài)圖（Imperative Mode） 的靈活性與靜態(tài)圖（Symbolic
com/rootlu/MetaHIN推薦原因推薦系統(tǒng)旨在預(yù)測用戶對物品的偏好，從而向用戶提供其感興趣的商品，為用戶解決信息過載問題。為了緩解推薦系統(tǒng)中異質(zhì)信息網(wǎng)絡(luò)的“冷啟動”問題，作者提出MetaHIN模型。MetaHIN在模型層面探索了元學(xué)習(xí)的能力，同時在數(shù)據(jù)層面研究了異質(zhì)信息網(wǎng)絡(luò)的表達(dá)能力。在MetaHIN中，作
創(chuàng)建算法 功能介紹 創(chuàng)建算法接口用于在ModelArts平臺上創(chuàng)建一個新的算法。 該接口適用于以下場景：當(dāng)用戶需要將自定義的算法模型上傳至平臺并進(jìn)行管理時，可以通過此接口創(chuàng)建算法。使用該接口的前提條件是用戶已準(zhǔn)備好算法代碼和相關(guān)配置文件，并上傳至ModelArts平臺，或用戶已構(gòu)
最近在網(wǎng)上看到說神經(jīng)網(wǎng)絡(luò)就是深度學(xué)習(xí)，然后自己又在打算去學(xué)習(xí)這方面的知識。本來想著去買一本神經(jīng)網(wǎng)絡(luò)的書，和一本深度學(xué)習(xí)的書看看?？吹竭@個后我就在想如果真是這樣就只用買一本深度學(xué)習(xí)了。但是又不太確定。網(wǎng)上的說法不一，所以來問問各位大佬的意見
是一組變量，我們需要它們的導(dǎo)數(shù)，而 y 是函數(shù)的另外一組輸入變量，但我們并不需要它們的導(dǎo)數(shù)。在學(xué)習(xí)算法中，我們最常需要的梯度是代價函數(shù)關(guān)于參數(shù)的梯度，即 ∇θJ(θ)。許多機(jī)器學(xué)習(xí)任務(wù)需要計算其他導(dǎo)數(shù)，來作為學(xué)習(xí)過程的一部分，或者用來分析學(xué)得的模型。反向傳播算法也適用于這些任務(wù)，不局
icy參數(shù)的，負(fù)責(zé)和環(huán)境交互產(chǎn)生數(shù)據(jù)，Learner是負(fù)責(zé)訓(xùn)練參數(shù)還有同步參數(shù)給Actor的。這就有個問題了，參數(shù)同步會有無法避免的延遲，那這個就違背了On-policy算法的更新原則，作者提出了一種很好的方式解決這個問題，對有延遲的數(shù)據(jù)進(jìn)行修正使得on-policy的訓(xùn)練方式可
PersonalRank算法 概述 PersonalRank算法又稱Personalized PageRank算法。該算法繼承了經(jīng)典PageRank算法的思想，利用圖鏈接結(jié)構(gòu)來遞歸計算各節(jié)點(diǎn)的重要性。與PageRank算法不同的是，為了保證隨機(jī)行走中各節(jié)點(diǎn)的訪問概率能夠反映出用戶的偏好，Per
獲取字段與算法的映射關(guān)系 功能介紹 根據(jù)數(shù)據(jù)庫類型查詢字段與算法的映射關(guān)系 調(diào)用方法 請參見如何調(diào)用API。 URI POST /v1/{project_id}/sdg/server/mask/algorithms/field-algorithms-mappings 表1 路徑參數(shù)
