- 学堂
- 博客
- 论坛
- 开发服务
- 开发工具
- 直播
- 视频
- 用户
- 一周
- 一个月
- 三个月
-
要想成为牛人，推荐学习哪种编程语言？
Language部分的翻译，见 《一文解决现代编程语言选择困难：响应式编程》。 从计算机最底层的硬件开始，按照贴近硬件的程度，主流编程语言的层次依赖关系图，如下： 我们跨过汇编语言之后的第一步使用的就是C语言，说明C语言在计算机技术中有其它任何高级语言不可替代的作用。所谓“0/
-
TVM语言中哪种算子可以引入TBE呢？
例如tvm.te，tvm.tir或者是tvm.relay，这样的API在算子构件时可以使用吗？哪里有可以使用的算子列表或者算子库列表呢？
-
自然语言处理之深度学习基础
Representation Lecture Notes，和之前机器学习文章中不同这次是有深度学习了，虽然书的名字没有深度学习，但其实用在 NLP 里的 Distributed Representation 就可以理解为是深度学习网络中的向量。关于深度学习读前四章就好了。接着是吴教授的公开课 deeplearning
-
C语言 | 学习使用&
例91：学习使用C语言按位与 & 。 解题思路：计算两个数x，y相与的结果。代码写作x&y，先将x与y分别写成二进制bit形式。例如计算10&30，10二进制为1010，30为11110，然后从低位开始，每个bit分别作与运算。其中bit的与运算，除了1&1=1外，其余组合结果均
-
深度学习主要涉及的三类方法
信息进一步优化神经网络权值的深度置信网络(DBN)。 通过多层处理，逐渐将初始的“低层”特征表示转化为“高层”特征表示后，用“简单模型”即可完成复杂的分类等学习任务。由此可将深度学习理解为进行“特征学习”（feature learning）或“表示学习”（representation
-
你觉得100年后会有多少种编程语言？你最擅长哪种语言？
不是以研究性项目的形式出现。这是语言的一种发展趋势。而另一种发展趋势是，新语言的设计者更多的是本身就需要使用它们的应用软件作者，而不是编译器作者。这似乎是好的趋势。设计新语言的方法之一就是直接写下你想写的程序，不管编译器是否存在，也不管有没有支持它的硬件。这就是假设存在无限的资源
-
深度学习目前主要有哪些研究方向?
深度学习目前主要有哪些研究方向?研究生想选择深度学习方向，也对这方面有了一些了解，但是还是不能把握里面隐含的脉络，有人说现在深度学习呈现出过度的繁荣，真的是这样吗
-
深度学习目前主要有哪些研究方向？
昨天我的表妹（研一）问我深度学习目前主要有哪些研究方向，哪个方向比较容易？然后她学比较容易的那个，方便毕业，就想问问大佬们，有什么建议
-
使用Python实现深度学习模型：语言模型与文本生成
1. 语言模型简介 语言模型是用来估计一个句子（或一个单词序列）概率的模型。简单地说，语言模型试图预测下一个单词。基于深度学习的语言模型，如GPT-2和BERT，已经在自然语言处理领域取得了显著的成果。 1.1 GPT（生成式预训练变换器） GPT是一种基于Transfo
-
面向自然语言处理的深度学习对抗样本综述
深度学习模型被证明存在脆弱性并容易遭到对抗样本的攻击,但目前对于对抗样本的研究主要集中在计算机视觉领 域而忽略了自然语言处理模型的安全问题.针对自然语言处理领域同样面临对抗样本的风险,在阐明对抗样本相关概念的基 础上,文中首先对基于深度学习的自然语言处理模型的复杂结构、难以探知的
-
选择哪种编程语言，会吸引优秀的人才？
此外，学习在线编码的比例逐年从 60% 增加到 70%；45 岁以上的受访者最有可能从书本上学习，而年轻人则在网上学习；年轻（18 岁以下）的受访者最依赖在线资源，并且最有可能从在线课程或认证中学习。 值得关注的是，Rust 已连续7年霸榜最受欢迎的编程语言 Top1，今年仍然有
-
深度神经网络--4.1 深度学习系统面临的主要挑战
缺少灵活性这六个方面来简要说明深度学习系统所面临的挑战。 4.1.1 大数据集需求在深度学习系统中，人们往往需要大型的数据集去训练一个有效的深度学习模型。一般来说，越多的数据就越有可能使深度学习模型变得更强大。例如，在语音识别领域中，为了学习一种语言，模型往往需要大量各种口音、各
-
分享哪种任务能够最好地训练一个语言模型
能够最好地训练一个语言模型目前最佳的方法是 ELECTRA，该方法使用一个生成器替换输入序列中的词例，然后使用一个判别器预测哪个词例被替换了。在论文中，作者在 GLUE 自然语言理解对比基准和 SQuAD 问答对比基准上对各种替换词例探测（RTD）任务和掩模语言模型（MLM）任务
-
课程：让机器理解人类语言和语音--6节课程掌握深度学习平台应用及入门深度学习
自然语言/语音交互已然成为人机交互的下一个趋势，本课程理论知识结合案例和实操演练，带你体验自然语言处理技术和构建垂直领域智能对话机器人。程简介本课程主要内容包括：自然语言处理技术原理、实战：构建专属智能问答机器人。 课程目标通过本课程的学习使学员掌握深度学习平台应用及入门深度学习。 课程大纲第1节
-
Java语言调用使用APP认证的API
据，达成深度合作，构建企业共赢生态。 图1 企业能力开放 使用Java语言调用APP认证的API时，需要先获取SDK，然后导入示例代码，最后参考调用API示例调用API。 本场景以IDEA为例介绍如何使用APP认证调用API。
-
使用MindSpore Reinforcement实现深度Q学习
法的目标是训练策略网络以获得最大的奖励。此外，DQN算法使用经验回放技术来维护先前的观察结果，进行off-policy学习。其中Actor使用不同的行为策略来对环境采取行动。MindSpore Reinforcement使用算法配置指定DQN算法所需的逻辑组件（Agent、Act
-
为什么构建深度学习模型需要使用GPU
在深度学习中，深度学习模型有两个主要的操作，也就是前向传递和后向传递。前向传递将输入数据通过神经网络后生成输出；后向传递根据前向传递得到的误差来更新神经网络的权重。在矩阵中，我们知道计算矩阵就是第一个数组的行与第二个数组的列元素分别相乘。因此，在神经网络中，我们可以将第一个矩阵视
-
【啃书吧：深度学习与MindSpore实践】第四章 4.1 深度学习系统面昨的主要挑战
了些长进。今天开始第4章 “深度神经网络的训练”。这一章从学习系统面临的主要挑战出发，延伸到深度神经网络训练相关的基础知识和使用MindSpore实现深度神经网络的样例。啃书进度会在目录中标出来。本次目标是完成第4章 4.1节 深度学习系统面昨的主要挑战（P37-P39）。纯文本
-
ELectron、QT、WPF、MFC哪种编程语言才是现在桌面端的主流
Electron、QT、WPF、MFC都是桌面应用程序开发中常用的框架和编程语言，但它们的应用领域和特点有所不同。Electron：使用HTML、CSS和JavaScript等Web技术进行桌面应用程序开发，适合快速构建跨平台的桌面应用程序，但不属于传统桌面应用程序开发的主流技术
-
数据库DDL语言深度解析
数据库DDL语言深度解析摘要本文旨在深入探讨数据库DDL（Data Definition Language）语言，通过对其基础概念、语法结构以及实际应用案例进行详细解析，帮助读者更好地理解和掌握DDL语言。我们将通过代码示例来展示DDL语言的实际运用，并讨论其在实际数据库设计中的
