-
深度学习下的宏观经济宏观经济最重要的问题是指标预测,包括失业率、GDP增长速率等。采用神经网络的方法,最新的研究成果如下图所示:12个场景应用,百余种算法,AI是如何攻占经济学的?[92]提出了一种高鲁棒性模型——编码器-解码器模型,利用深度神经架构提高失业问题预测精度,并且精度要求很低。另外,在此基础上,其还采用平均绝对误差(MAE)值来评估结果。Haider 和 Hanif [93]构建神经网络预测通货膨胀,其结果由均方根(RMSE)值来评估。[94]使用前馈神经网络进行战术性资产配置,同时应用宏观经济指标和价量趋势。他们提出了两种不同的方法来构建投资组合,第一种方法用于估计预期收益和不确定性,第二种方法直接利用神经网络结构获得配置,并对投资组进行优化。金融市场中的深度学习在金融市场中,有效处理信贷风险至关重要。由于最近大数据技术的进步,深度学习模型可以设计出可靠的金融模型来预测银行系统的信用风险,最新研究如下表:12个场景应用,百余种算法,AI是如何攻占经济学的?在实际中有使用二进制分类技术给出了选定的机器学习和深度学习模型的基本特征。此外,考虑到贷款定价过程中的关键特征和算法,此研究分别使用这两个模型对贷款违约概率进行了预测。研究的方法可以帮助金融机构以较少的工作量进行信用评估,同时能够提高信用评分和客户评级方面的分类准确性。另外,还对线性SVM,CART,k-NN,朴素贝叶斯,MLP和RF技术的精确度进行了比较。也有通过自动编码、校准、验证等过程构建了一个资产组合算法,可以应用于包括看跌期权和看涨期权在内的具有标的股票的投资组合。[98]建立了抵押贷款风险的深度学习模型,能够处理庞大的数据集。实验结果发现:受当地经济状况影响的变量与债务人行为之间具有非线性关系。例如,失业变量在抵押贷款风险中占有相当大的比重。深度学习下的投资财务问题通常需要对多个来源的数据集进行分析。因此,构建一个可靠的模型来处理数据中的异常值和特征非常重要。最新研究成果如下图:12个场景应用,百余种算法,AI是如何攻占经济学的?[99]设计的模型具有提取非线性数据模式的能力。他们使用LSTM、自动编码和智能索引等神经网络体系结构来估计证券投资组合的风险。[100]利用DNN结构对期权定价问题进行了研究,以相当高的精度重构了著名的BLACK-SCHOLES期权定价模型计算公式。有结合交易复杂性研究了期权定价问题,其研究目标是探索高频交易方式下的有效投资策略。其中,LSTM-SVR模型应用于最终交易的预测。有提出了一种新的学习遗传算法,该算法利用R-NN模型来模拟人类的行为。具体采用了复杂的深度学习结构,包括:强化学习用于快速决策,深度学习用于构建股票身份,聚类用于整体决策目的,遗传用于转移目的。也有通过超参数的多样化选择使模型更加准确。实验结果表明,该模型可以在误差较小的情况下对期权进行定价。转自,蒋宝尚,https://www.leiphone.com/category/academic/rFDeS2HfFBnXYN7K.html
-
在配置训练、验证和测试数据集的过程中做出正确决策会在很大程度上帮助大家创建高效的神经网络。训练神经网络时,我们需要做出很多决策,例如: 1. 神经网络分多少层 2. 每层含有多少个隐藏单元 3. 学习速率是多少 4. 各层采用哪些激活函数 创建新应用的过程中,我们不可能从一开始就准确预测出这些信息和其他超级参数。实际上,应用型机器学习是一个高度迭代的过程,通常在项目启动时,我们会先有一个初步想法,比如构建一个含有特定层数,隐藏单元数量或数据集个数等等的神经网络,然后编码,并尝试运行这些代码,通过运行和测试得到该神经网络或这些配置信息的运行结果,你可能会根据输出结果重新完善自己的想法,改变策略,或者为了找到更好的神经网络不断迭代更新自己的方案。 现如今,深度学习已经在自然语言处理,计算机视觉,语音识别以及结构化数据应用等众多领域取得巨大成功。结构化数据无所不包,从广告到网络搜索。其中网络搜索不仅包括网络搜索引擎,还包括购物网站,从所有根据搜索栏词条传输结果的网站。再到计算机安全,物流,比如判断司机去哪接送货,范围之广,不胜枚举。 我发现,可能有自然语言处理方面的人才想踏足计算机视觉领域,或者经验丰富的语音识别专家想投身广告行业,又或者,有的人想从电脑安全领域跳到物流行业,在我看来,从一个领域或者应用领域得来的直觉经验,通常无法转移到其他应用领域,最佳决策取决于你所拥有的数据量,计算机配置中输入特征的数量,用**GPU**训练还是**CPU**,**GPU**和**CPU**的具体配置以及其他诸多因素。 目前为止,我觉得,对于很多应用系统,即使是经验丰富的深度学习行家也不太可能一开始就预设出最匹配的超级参数,所以说,应用深度学习是一个典型的迭代过程,需要多次循环往复,才能为应用程序找到一个称心的神经网络,因此循环该过程的效率是决定项目进展速度的一个关键因素,而创建高质量的训练数据集,验证集和测试集也有助于提高循环效率。 假设这是训练数据,我用一个长方形表示,我们通常会将这些数据划分成几部分,一部分作为训练集,一部分作为简单交叉验证集,有时也称之为验证集,方便起见,我就叫它验证集(**dev set**),其实都是同一个概念,最后一部分则作为测试集。 接下来,我们开始对训练执行算法,通过验证集或简单交叉验证集选择最好的模型,经过充分验证,我们选定了最终模型,然后就可以在测试集上进行评估了,为了无偏评估算法的运行状况。 在机器学习发展的小数据量时代,常见做法是将所有数据三七分,就是人们常说的70%验证集,30%测试集,如果没有明确设置验证集,也可以按照60%训练,20%验证和20%测试集来划分。这是前几年机器学习领域普遍认可的最好的实践方法。 如果只有100条,1000条或者1万条数据,那么上述比例划分是非常合理的。 但是在大数据时代,我们现在的数据量可能是百万级别,那么验证集和测试集占数据总量的比例会趋向于变得更小。因为验证集的目的就是验证不同的算法,检验哪种算法更有效,因此,验证集要足够大才能评估,比如2个甚至10个不同算法,并迅速判断出哪种算法更有效。我们可能不需要拿出20%的数据作为验证集。 比如我们有100万条数据,那么取1万条数据便足以进行评估,找出其中表现最好的1-2种算法。同样地,根据最终选择的分类器,测试集的主要目的是正确评估分类器的性能,所以,如果拥有百万数据,我们只需要1000条数据,便足以评估单个分类器,并且准确评估该分类器的性能。假设我们有100万条数据,其中1万条作为验证集,1万条作为测试集,100万里取1万,比例是1%,即:训练集占98%,验证集和测试集各占1%。对于数据量过百万的应用,训练集可以占到99.5%,验证和测试集各占0.25%,或者验证集占0.4%,测试集占0.1%。 总结一下,在机器学习中,我们通常将样本分成训练集,验证集和测试集三部分,数据集规模相对较小,适用传统的划分比例,数据集规模较大的,验证集和测试集要小于数据总量的20%或10%。后面我会给出如何划分验证集和测试集的具体指导。 现代深度学习的另一个趋势是越来越多的人在训练和测试集分布不匹配的情况下进行训练,假设你要构建一个用户可以上传大量图片的应用程序,目的是找出并呈现所有猫咪图片,可能你的用户都是爱猫人士,训练集可能是从网上下载的猫咪图片,而验证集和测试集是用户在这个应用上上传的猫的图片,就是说,训练集可能是从网络上抓下来的图片。而验证集和测试集是用户上传的图片。结果许多网页上的猫咪图片分辨率很高,很专业,后期制作精良,而用户上传的照片可能是用手机随意拍摄的,像素低,比较模糊,这两类数据有所不同,针对这种情况,根据经验,我建议大家要确保验证集和测试集的数据来自同一分布,关于这个问题我也会多讲一些。因为你们要用验证集来评估不同的模型,尽可能地优化性能。如果验证集和测试集来自同一个分布就会很好。 但由于深度学习算法需要大量的训练数据,为了获取更大规模的训练数据集,我们可以采用当前流行的各种创意策略,例如,网页抓取,代价就是训练集数据与验证集和测试集数据有可能不是来自同一分布。但只要遵循这个经验法则,你就会发现机器学习算法会变得更快。我会在后面的课程中更加详细地解释这条经验法则。 最后一点,就算没有测试集也不要紧,测试集的目的是对最终所选定的神经网络系统做出无偏估计,如果不需要无偏估计,也可以不设置测试集。所以如果只有验证集,没有测试集,我们要做的就是,在训练集上训练,尝试不同的模型框架,在验证集上评估这些模型,然后迭代并选出适用的模型。因为验证集中已经涵盖测试集数据,其不再提供无偏性能评估。当然,如果你不需要无偏估计,那就再好不过了。 在机器学习中,如果只有一个训练集和一个验证集,而没有独立的测试集,遇到这种情况,训练集还被人们称为训练集,而验证集则被称为测试集,不过在实际应用中,人们只是把测试集当成简单交叉验证集使用,并没有完全实现该术语的功能,因为他们把验证集数据过度拟合到了测试集中。如果某团队跟你说他们只设置了一个训练集和一个测试集,我会很谨慎,心想他们是不是真的有训练验证集,因为他们把验证集数据过度拟合到了测试集中,让这些团队改变叫法,改称其为“训练验证集”,而不是“训练测试集”,可能不太容易。即便我认为“训练验证集“在专业用词上更准确。实际上,如果你不需要无偏评估算法性能,那么这样是可以的。 所以说,搭建训练验证集和测试集能够加速神经网络的集成,也可以更有效地衡量算法地偏差和方差,从而帮助我们更高效地选择合适方法来优化算法。
-
深度学习下的拍卖机制拍卖机制的核心是:投标人需要规划出最大化利润的最优策略。最新的研究成果如下表所示:等人在预算约束和贝叶斯兼容性方面对[82](增广拉格朗日法)中的结果进行了扩展。他们的方法证明了神经网络能够通过关注不同估值分布的多重设置问题,有效地设计出新颖的最优收益拍卖。等人采用了数据为导向的方法。具体方法:假定可以对每个投标者应用多个投标的前提下利用策略专业知识。等人是使用多层神经网络技术构建了一种有效的拍卖机制,并应用于移动区块链网络。设计了一种多投标人的兼容拍卖机制,具体通过应用多层神经网络对其机制进行编码,从而最大化了利润。与基于线性规划的方法相比,采用增广拉格朗日技术的方法能够解决更复杂的任务。深度学习下的银行和在线市场在网上购物和信用卡场景中对欺诈检测要求非常高,当前强化学习最先进的研究成果如下表所示:应用基础实验证实了AE(自动编码)和RBM(玻尔兹曼机)方法能够在海量数据集下准确地检测信用卡的风险。但是深度学习在建立模型时需要利用影响其结果的不同参数。提出的研究设计了一种自动编码器算法,建立的高效自动化工具可以处理世界各地日常交易。该模型使研究人员可以在不需要使用欠抽样等数据平衡方法的情况下,给出关于不平衡数据集的报告。设计了一个使用自然语言处理(NLP)技术的新框架,能够形成与各种数据源(如新闻和推文)相关联的复杂机制,从而有效检测洗钱活动。转自,蒋宝尚,https://www.leiphone.com/category/academic/rFDeS2HfFBnXYN7K.html
-
深度学习在经济学中的应用论文下载:https://arxiv.org/ftp/arxiv/papers/2004/2004.01509.pdf在论文《经济学中的强化学习》(Comprehensive Review of Deep Reinforcement Learning Methods and Applications in Economics)中,德累斯顿理工大学和牛津布鲁克斯大学的研究员们细数了强化学习在经济学中的表现。通过对股票定价、拍卖机制、宏观经济等12个领域的调查,发现深度学习算法比传统的经济、统计学算法在精确度和稳健性发现要更加优秀。1、深度学习下的股票定价股票价格有着极强的不确定性和风险性,如果能有模型攻克股价预测,无疑会给模型建造者带来巨额收益。关于用深度学习预测股价的最新进展如下表所示。情绪对股价走势无疑非常重要,当前的大多数研究依赖于低效的情绪数据集,这往往会导致模型性能不佳,[68]提出的两流门控循环单元发现比LSTM模型性能更佳。另外他们提出了Stock2Vec嵌入模型,并在使用哈佛IV-4的同时,对模型的稳健性进行了市场风险的证明。[69]提出了一项聚光灯下的深度学习技术(spotlighted deep learning )应用于股价预测,主要创新点是滤波技术赋予了深度学习模型新颖的输入特征。[70]在分析股票价格模式的同时,利用深度学习技术对股票价值流进行了预测,具体是利用时间序列技术设计了一种DNN深度学习算法来寻找模式,虽然准确度有86%。但是,DNN存在拟合过度、复杂度高等缺点,因此建议使用CNN和RNN。[71]的研究中,采用了一种新的多层深度学习方法,利用时间序列的概念来表示数据,从而能够预测当前股票的收盘价。转自,蒋宝尚,https://www.leiphone.com/category/academic/rFDeS2HfFBnXYN7K.html
-
作者 | 马超出品 | CSDN(ID:CSDNnews) 昨日,在英伟达的新品发布会大会上,英伟达 CEO 黄仁勋如期拿出了首款 CPU 芯片 Grace,剑指 AI 云计算,其实笔者在之前的文章就曾指出,英伟达收购 ARM 预示着 N 厂必然进军 CPU 领域,在云计算市场有所作为。而本次发布会上除了 Grace 之外,英伟达还发布了 Transformers 框架——NVIDIA Megatron;药物研发加速库 Clara Discovery 模型等产品,也侧面印证了笔者的观点,英伟达正在软硬齐发为进军云数据中心领域铺平道路。英伟达 CEO 黄仁勋,来源:NVIDIA GTC无独有偶,上周英特尔也发布了 10nm 的至强三代处理器,在新任 CEO 帕特.基辛格的带领下,英特尔也要加强自身在云计算领域的优势,不过在这场英特尔对阵英伟达的“双英”大战中,双方的策略明显不同,英特尔注重于全面,除了 AI 以外还在安全、虚拟化及调度能力以及存储性能等等方面全线开花;但是英伟达则在专注于 AI 云及低功耗超级计算机几个重要领域进行定点突破。虽然目前还无法预测“双英”大战的结局,不过 AI 云计算的发展空间还是有目共睹的,从最新的 AI 发展趋势来看,最新的人工智能模型对于算力的要求往往都是非常高,比如可以自动写代码的 GPT-3 其参数规模突破了 1000 亿,而 GPT-3 的变种,可以将文字描述转化为图像的跨模态生成模型 DALL.E,其模型参数数量更是达到了惊人的 1500 亿,不少 AI 方面的科学家指出,越大的模型往往表现更好,扩大规模可能仍然是实现更好性能的方式。用黄仁勋在发布会上的话来说“三年间大规模预训练模型的参数量增加了 3000 倍。我们估计在 2023 年会出现 100 万亿参数的模型。”目前资金实力一般的创业公司将越来越难以通过自身的算力去训练最新、最好的 AI 模型。从另一个角度讲,AI 模型越来越大的趋势也推进了 AI 与云的结合,只有充分发挥云计算降本增效的特性,才能降低门槛,促进 AI 行业创新性发展。也只有做好 AI 云,才能让 AI 充分发挥威力,体现价值。我们看到本次英伟达围绕着 AI 云计算,在 CPU、智能驾驶及配套软件方面同都有不少的进展,接下来,本文将为大家逐一进行解读。Grace 打破内存与显存之间的墙由于 ARM 使用 RISC 风格的精简指令集, ARM 核心在指令预测等方面同天然比 X86 更有优势,能耗也比 X86 更低。当然这些都是 ARM 相对于 X86 的传统优势,本次 Grace 最大的创新点在于把 CPU 与 GPU 之间的通信速度提升了近 10 倍。根据黄仁勋的说法,“这是一万名工程人员历经几年的研发成果,旨在满足当前世界最先进应用程序的计算需求,其具备的计算性能和吞吐速率是以往任何架构所无法比拟的。”CPU 和 GPU 的通信速度的重要性,可以用苹果 M1 的例子来加以说明,我们知道苹果 M1 显卡与内存加在一起只有 16 个 G,对比上一代 Mac PRO 内存128G,光是显存都有 16G,不过搭载 M1 的入门版 Mac 在进行图像处理等需要 CPU 与 GPU 进行协同的运算任务时,至少比上一代顶配的 Mac 性能高出近一倍。其中的秘决就是将内存与显卡进行统一管理,从而大大提高了 CPU 与 GPU 的通信效率。 当然苹果将内存与显存混用的做法,在云计算这种多租户共存的场景下并不太适用,但是现有 GPU 与 CPU 共享内存的做法效率确实不佳,在共享内存的方案下,CPU 和 GPU 必须轮流访问内存,这就意味着他们要争夺数据总线的使用权。因此 GPU 和 CPU 不得不轮流使用一个狭窄的通信管道来做数据交换。而英伟达的 Grace 在这方面做出了突破性的进展。类似于 DMA 控制器在磁盘与内存之间搭建了一条快速通道一样,Grace 体系中 GPU 核心与 CPU 核心之间的通信不需要 CPU 的调度,也不需要占用数据总线的带宽,之前 CPU 必须将数据从其内存的区域复制到 GPU 使用的区域,而在 Grace 的加持下,CPU 只需要告诉GPU在内存的某位置有 30MB 的向量数据,然后就可以去做其它事了,GPU 则可以通过 Grace 复制通道迅速开始计算任务。可以说 Grace 的快速能道基本还在笔者的射程范围之内,而英伟达马上要推出的 L5 级别自动驾驶芯片,就只能令人仰望了。————————————————版权声明:本文为CSDN博主「CSDN资讯」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。原文链接:https://blog.csdn.net/csdnnews/article/details/115713575
-
GPT-GNN:图神经网络的预训练论文名称:GPT-GNN: Generative Pre-Training of Graph Neural Networks作者:Hu Ziniu /Dong Yuxiao /Wang Kuansan /Chang Kai-Wei /Sun Yizhou发表时间:2020/6/27论文链接:https://arxiv.org/abs/2006.15437推荐原因该论文介绍的工作是致力于预训练图神经网络,以期GNN能够学习到图数据的结构和特征信息,从而能帮助标注数据较少的下游任务。 论文已经被KDD 2020 收录。文章提出用生成模型来对图分布进行建模,即逐步预测出一个图中一个新节点会有哪些特征、会和图中哪些节点相连。在第一步中,通过已经观测到的边,预测该节点的特征;在第二步中,通过已经观测到的边,以及预测出的特征,来预测剩下的边。作者在两个大规模异构网络和一个同构网络上进行了实验,总体而言,GPT-GNN在不同的实验设定下显著提高下游任务的性能,平均能达到9.1%的性能提升。另外,还评估了在不同百分比的标记数据下,GPT-GNN是否依然能取得提升。转自,AI科技评论,https://www.leiphone.com/news/202008/SUjAO0ZQwOFFm2Lq.html
-
IMPALA:大规模强化学习算法论文名称:Scalable Distributed Deep-RL with Importance Weighted Actor-Learner Architectures作者:Lasse Espeholt / Hubert Soyer / Remi Munos / Karen Simonyan / Volodymir Mnih / Tom Ward / Yotam Doron / Vlad Firoiu / Tim Harley / Iain Dunning / Shane Legg / Koray Kavukcuoglu发表时间:2018/6/28论文链接:https://arxiv.org/abs/1802.01561推荐原因这是并行RL算法领域引用最为高的一篇文章。文章和以往做的工作不同,不仅仅有工程上实验效果的大幅提升,还做了理论的分析解决了on-policy与off-policy的训练差异问题,整体工作是相当solid的。作者同时启动了多个Actor和一个Learner,每个Actor都是包含整个policy参数的,负责和环境交互产生数据,Learner是负责训练参数还有同步参数给Actor的。这就有个问题了,参数同步会有无法避免的延迟,那这个就违背了On-policy算法的更新原则,作者提出了一种很好的方式解决这个问题,对有延迟的数据进行修正使得on-policy的训练方式可以继续进行。转自,AI科技评论,https://www.leiphone.com/news/202008/SUjAO0ZQwOFFm2Lq.html
-
缓解异质信息网络中冷启动问题 so easy?来看看 MetaHIN 模型论文名称:Meta-learning on Heterogeneous Information Networks for Cold-start Recommendation作者:Yuanfu Lu/Yuan Fang/Chuan Shi发表时间:2020/7/6论文链接:https://aminer.cn/pub/5f03f3b611dc830562232019?conf=kdd2020开源代码:https://github.com/rootlu/MetaHIN推荐原因推荐系统旨在预测用户对物品的偏好,从而向用户提供其感兴趣的商品,为用户解决信息过载问题。为了缓解推荐系统中异质信息网络的“冷启动”问题,作者提出MetaHIN模型。MetaHIN在模型层面探索了元学习的能力,同时在数据层面研究了异质信息网络的表达能力。在MetaHIN中,作者提出使用多方面的语义上下文来增强每个用户的任务,因此设计了一种新颖的语义增强型任务构建器,用于在元学习场景中捕获异质信息网络中的语义信息。进一步地,我们构建了一个协同适应元学习器。该学习器既具有语义层面的适应性,又具有任务层面的适应性。转自,AI科技评论,https://www.leiphone.com/news/202008/SUjAO0ZQwOFFm2Lq.html
-
P2Net:无监督的室内深度估计的块匹配和平面正则化论文名称:P2Net: Patch-match and Plane-regularization for Unsupervised Indoor Depth Estimation作者:Yu Zehao /Jin Lei /Gao Shenghua发表时间:2020/7/15论文链接:https://arxiv.org/abs/2007.07696开源地址:https://github.com/svip-lab/Indoor-SfMLearner推荐原因这篇论文提出了一个新的无监督室内场景下的深度估计网络P2Net,其创新点在于提出了两种新式无监督损失函数,论文发表在ECCV2020上。传统的无监督损失函数是以像素点为单位的图像重构损失,以及边缘敏感的梯度平滑损失。作者发现只在每个像素点处计算图像重构损失得到的特征表示并不够鲁棒,由此提出采用基于图像块表示的重构损失。具体地,采用已有的特征描述子算法DSO提取特征关键点,以关键点为中心构建局部窗口,计算整个窗口内的重构损失更具有鲁棒性。另外,考虑到无监督训练时的崩塌来源于室内场景下的无纹理区域,作者认为无纹理区域可以看做是一个平面,通过对图像提取超像素点从而构造平面区域,在同一平面上的像素点的深度信息应当具有一致性,由此提出平面一致性损失。作者提出的P2Net在NYU Depth V2和ScanNet两个公开数据集上取得了SOTA的效果。转自,AI科技评论,https://www.leiphone.com/news/202008/SUjAO0ZQwOFFm2Lq.html
-
基于立体视觉深度估计的深度学习技术研究论文名称:A Survey on Deep Learning Techniques for Stereo-based Depth Estimation作者:Laga Hamid /Jospin Laurent Valentin /Boussaid Farid /Bennamoun Mohammed发表时间:2020/6/1论文链接:https://arxiv.org/abs/2006.02535?context=cs.GR推荐原因这是第一篇关于基于深度学习的立体匹配任务的综述文章,以往关于立体匹配的综述文章多基于传统方法,或者年代已久。这篇综述文章主要总结了过去6年发表在主要会议和期刊上的150多篇深度立体匹配论文,可以称得上方法最新,分类最全,概括最广。在论文中,作者首先介绍了深度立体匹配网络的常用架构,然后讨论了基于每种架构的所有方法之间的异同。其分析的角度包括训练的数据集、网络结构的设计、它们在重建性能、训练策略和泛化能力上的效果。对于一些关键的方法,作者还使用了公开数据集和私有数据进行总结和比较,采用私有数据的目的是测试各类方法在全新场景下的泛化性能。这篇论文能够为研究深度立体匹配的研究人员提供详细的参考资料,同时,作者在最后一节提到的7种未来发展方向对于研究深度立体匹配具有很好的思考价值,值得细细品读。转自,AI科技评论,https://www.leiphone.com/news/202008/SUjAO0ZQwOFFm2Lq.html
-
均方根误差RMSE(root mean squared error)均方根误差为均方误差的算术平方根。公式为:python代码为:def get_rmse(records_real, records_predict): mse = get_mse(records_real, records_predict) if mse: return math.sqrt(mse) else: return None平均绝对误差MAE(mean absolute error)python代码为:def get_mae(records_real, records_predict): if len(records_real) == len(records_predict): return sum([abs(x - y) for x, y in zip(records_real, records_predict)]) / len(records_real) else: return None
-
标准差(Standard Deviation): 标准差也叫均方差,是方差的算术平方根,反应数据的离散程度 ,标准差越小,数据偏离平均值越小,反之亦然 。公式为:python代码为:import math #平均值 def get_average(records): return sum(records) / len(records) #方差 def get_variance(records): average = get_average(records) return sum([(x - average) ** 2 for x in records]) / len(records) #标准差 def get_standard_deviation(records): variance = get_variance(records) return math.sqrt(variance)均方误差MSE(mean-square error)均方误差 反映估计量与被估计量之间的差异程度。MSE越小,预测结果月精确 。公式为 : python代码为:def get_mse(records_real, records_predict): if len(records_real) == len(records_predict): return sum([(x - y) ** 2 for x, y in zip(records_real, records_predict)]) / len(records_real) else: return None作者:炸炸呼呼链接:https://juejin.cn/post/6936063250769379358来源:掘金著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
-
产业广阔天地大有作为!为什么说AI会率先在田埂上崛起?在农业应用场景培育AI技术「最低垂的果实」。2021/03/21 12:18原文链接智源研究院发布超大规模智能模型“悟道1.0”,我国人工智能应用基础设施走上快车道3月20日,北京智源人工智能研究院举办“智源悟道1.0 AI研究成果发布会暨大规模预训练模型交流论坛”。2021/03/20 20:27原文链接@成都,草长莺飞的三月,这场DevRun华为云开发者沙龙带你解锁进阶技能3 月 20 日,由华为技术有限公司、四川鲲鹏生态创新中心联合举办的DevRun华为云开发者沙龙与开发者初春的第一场相聚落地成都,多位来自华为云的技术大咖带领开发者开启了AI 与数据库开发的进阶之旅,并同时开启实操演练,面对面向开发者分享了拥抱变革与自我进阶的最佳姿势。2021/03/20 20:11原文链接理论LSTM之父重提30年前的「快速权重存储系统」:线性Transformer只是它的一种变体有研究发现,线性化自注意机制和快速权重记忆形式的等价性。2021/03/21 12:16原文链接实时风格迁移,移动端运行,人脸特效又有了新玩法视频人脸风格迁移新玩法。2021/03/21 12:15原文链接其他袖口里的“超能力”:Facebook腕带式AR传感器,可隔空打字、操控界面,LeCun点赞通过神经信号传递信息2021-03-21 13:15:39原文链接图片可隐藏zip和mp3文件,只需修改后缀名,这个GitHub项目火了十几年前的互联网老把戏又火了2021-03-21 12:50:59原文链接
-
论文 :Embedding Symbolic Knowledge into Deep Networks链接:https://papers.nips.cc/paper/8676-embedding-symbolic-knowledge-into-deep-networks.pdf 论文 提出了模型LENSR,这是一个具有语义正则化的逻辑嵌入网络,它可以通过图卷积网(GCN)将逻辑规则嵌入到d-DNNF(决策确定性否定范式)当中。在这篇文章中,作者专注于命题逻辑(与上述论文中更具表现力的描述逻辑相反),并且表明将AND和OR的两个正则化组件添加到损失函数就足够了,而不用嵌入此类规则。这个框架可以应用在视觉关系预测任务中,当给定一张图片,你需要去预测两个objects之间的正确关系。在这篇文章中,Top-5的准确率直接将原有84.3%的SOTA提升到92.77%。 转自,杨晓凡,https://www.leiphone.com/news/201912/GsRSElsUReef0z7o.html
-
入门重磅预告 | 自动化所强化学习与运筹优化前沿技术论坛即将起航!自动化所强化学习与运筹优化前沿技术论坛即将起航!2021/03/15 18:56原文链接产业看日本农民用智慧农业技术都做了什么日本作为现代化农业技术的代表国家,在智慧农业领域颇有投入。由于日本是岛国,土地资源不足、自然灾害频发,农业经济整体发展受到了一定的制约。然而自然环境只阻碍了日本农民横向扩展农耕面积,却没有限制日本在农业技术上的纵深发展。2021/03/15 17:27原文链接史上首枚9飞9回收火箭「猎鹰9号」,昨日将60颗Starlink卫星送入太空SpaceX 猎鹰 9 号运载火箭第 9 次将星链卫星送入太空。2021/03/15 14:33原文链接15万摄像头遭入侵,特斯拉上海仓库也中枪,只因管理员密码就发在网上还是4K高清的2021-03-15 13:19:50原文链接苹果自研5G基带,最快2024年扩大采用被曝将由台积电代工2021-03-15 11:15:50原文链接理论 一键「三维化」你的二维GAN,港中文提出无监督三维重建新方法GAN2Shape重建 GAN 生成的二维图像的三维结构。2021/03/15 14:30原文链接UC伯克利最新深度学习课程上线,强化学习大牛Sergey Levine授课(B站可看)CS 182 最新课程已上线2021/03/15 14:26原文链接其他涂鸦智能冲刺IPO,不卖硬件的AIoT公司,团队阿里云出身,腾讯是大股东3月19日在纽交所挂牌2021-03-15 17:19:39原文链接容联云与南开大学联合论文被人工智能国际顶会AAAI收录此次容联云与南开大学合作开展的研究目标是针对各类网站上积累的海量的用户评论、对话等数据进行语义挖掘。2021-03-15 10:57:17原文链接
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家;李炎-华为云码道产品专家;彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战,从0到1打通消息通道;码道鸿蒙端云一体化实战,快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第五期2026/09/04 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人;蒋春阳-华为云AI开发者案例开发专家
本期直播内容: AI工具体验营 · 第5-8课连讲。Agent-Team 多智能体协作完成毕业设计实践
回顾中 -
华为云开发者AI素养ClassRoom·第六期2026/09/08 周二 19:00-20:00
樊渊-2026华为软件挑战赛冠军
高手来了:看软挑高手解析二维排样问题—从工业难题到算法突破
回顾中
热门标签