自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(112)
  • 资源 (4)
  • 收藏
  • 关注

原创 The Kalman Filter

n,n​=x^n,n−1​+α(zn​−x^n,n−1​)^n+1​=x^n​+Δtx˙^n​x˙^n+1​=x˙^n​n​=pn,n−1​+rn​pn,n−1​​n,n​=(1−Kn​)pn,n−1​n+1,n​=pn,n​。

2022-11-06 19:57:42 112

翻译 Dynamic Memory based Attention Network for Sequential Recommendation

S={x1​,x2​,...,x∣S∣​}={Sn​}n=1N​其中Sn​={xn,1​,xn,2​,...,xx,T​}表示第 n 个序列,T表示子序列的长度。

2022-09-21 10:45:11 27

原创 Candidate Samlping

采样训练方法则构造这样一个训练任务,对于每个训练样本。比如给定一个句子中前面的若干单词,预测接下来的单词,就是典型的多分类任务。普通训练方式(比如softmax或logistics回归)中对于每个训练样本。之间的相关性,比如给定上下文x下y的条件概率。采用神经网络表示,通过损失函数的BP算法训练。多分类任务中每个训练样本标记为。,我们只需要计算一小部分。值,大幅度减少了计算量。可能会,也可能不会越依赖。表示目标类别,目标类型。我们都需要为每个类型。

2022-09-18 22:08:43 147

原创 Flow-based Generative Model

A generator G is a network.The network defines a probability distribution pGp_GpG​z∼π(z)z \sim \pi(z)z∼π(z)x=G(z)∼pG(x)x = G(z) \sim p_G(x)x=G(z)∼pG​(x)pG(x)=π(z)∣det(JG−1)∣p_G(x) = \pi(z)|det(J_{G^{-1}})|pG​(x)=π(z)∣det(JG−1​)∣G∗=argmaxG∑i=1mlogpG(xi), {x

2022-06-01 23:05:10 96

原创 固定效应和随机效应模型

三种数据类型横截面数据:特定的时间点对若干个体采集的样本所构成的数据集。时间序列数据:同一个个体在不同时间点上所观测的数据构成的数据集。面板数据:横截面数据与时间序列数据的结合,对横截面中的观测个体在时间上进行连续观测所得到的数据。面板数据模型的基本形式:yit=f(x1it,x2it,⋯ ,xkit)+uity_{it} = f(x_{1it},x_{2it},\cdots,x_{kit}) + u_{it}yit​=f(x1it​,x2it​,⋯,xkit​)+uit​i=1,2,⋯ ,

2022-05-21 13:43:27 1754

原创 MathematicalStatistics (1)

“Models of course, are never true but fortunately it is only necessary that they are useful” – Geoge BoxWe can conceptualize the data structure and our goals more precisely, begin this in the simple examples.We can derive methods of extracting userful i

2022-05-04 11:52:44 286

原创 Linear Algebra (二)

代数余子式Cofactor of aija_{ij}aij​ as Cij=C_{ij} =Cij​= [+/-] det (n-1 matix with row i and col j erased)Positive when i+j is even.Negative when i+j is odd.通过代数余子式计算矩阵行列式:detA=a11C11+a12C12+...+a1nC1ndet A = a_{11}C_{11} + a_{12}C_{12} + ... + a_{1n

2022-05-02 10:10:40 210

原创 行列式点过程(一)

行列式点过程DPP是离散有限点集Y={1,2,...N}\mathcal{Y}=\{1,2,...N\}Y={1,2,...N}的幂集2Y2^{\mathcal{Y}}2Y上的概率分布。体积与格拉姆矩阵Lij=g⃗(i)g⃗(j),i,j∈YL_{ij}=\vec{g}(i)\vec{g}(j), i,j\in YLij​=g​(i)g​(j),i,j∈Ydet(LY)=det(g⃗(i)g⃗(j):i,j∈Y)det(L_Y) = det(\vec{g}(i)\vec{g}(j):i,j\in Y)

2022-04-23 22:56:46 330

原创 Exploitation and Exploration

推荐系统的经典问题之一,利用(Exploitation) 与 探索(Exploration)问题Exploitation:满足已知的用户需求Exploration:探索未知的用户需求Exploitation的必要性比较容易理解,通过满足用户已知的需求,产生用户价值,这也是推荐系统存在的意义。Exploration的价值怎么理解呢?首先,对于新用户而言,系统并不知道用户的需求,这时必须通过Exploration探索和发现用户的需求。其次,对于老用户而言,兴趣点也是在不断变化中的,这时也需要通过Exp

2022-04-17 10:07:44 81

原创 高斯过程(一)

高斯分布X=[X1X2⋮Xn]∼N(μ,Σ)X = \begin{bmatrix} X_1 \\ X_2 \\ \vdots \\X_n \end {bmatrix} \sim \mathcal{N}(\mu, \Sigma)X=⎣⎢⎢⎢⎡​X1​X2​⋮Xn​​⎦⎥⎥⎥⎤​∼N(μ,Σ)称XXX 服从高斯分布,μ\muμ表示n维高斯分布的期望。Σ=Cov(Xi,Xj)=E[(Xi−μi)(Xj−μj)]\Sigma = Cov(X_i,X_j) = E[(X_i-\mu_i)(X_j-\mu_j)]

2022-04-17 09:28:11 202

原创 Linear Algebra (一)

MultiplyAB=CAB = CAB=C[a11⋯a1n⋮⋱⋮am1⋯amn][b11⋯b1p⋮⋱⋮bn1⋯bnp]=[c11⋯c1p⋮⋱⋮cm1⋯cmp]\begin{bmatrix} a_{11} & \cdots & a_{1n} \\ \vdots & \ddots & \vdots \\ a_{m1} & \cdots & a_{mn}\end{bmatrix}\begin{bmatrix} b_{11} & \cd

2022-03-27 16:36:19 829

原创 Deep Deterministic Policy Gradient

π:S→P(A)\pi:\mathcal{S} \rightarrow \mathcal{P(A)}π:S→P(A)at∈A=RNa_t\in\mathcal{A} = R^Nat​∈A=RNS\mathcal{S}S : state spacep(st+1∣st,at)p(s_{t+1}|s_t, a_t)p(st+1​∣st​,at​)r(st,at)r(s_t,a_t)r(st​,at​)Rt=∑i=tTγ(i−t)r(si,ai)R_t = \sum_{i=t}^T\gamma^{(

2022-03-27 14:57:40 97

原创 LambdaMart

Boosting Treef(x)=fM(x)=∑m=1Mh(x;θm)f(\bold{x}) = f_M(\bold{x}) = \sum_{m=1}^Mh(\bold{x};\theta_m)f(x)=fM​(x)=m=1∑M​h(x;θm​)其中h(x;θm)h(\bold{x;\theta_m})h(x;θm​)为第m棵树,θm\theta_mθm​为第m棵树的参数,M为决策树的数量。前向分步算法:首先确定初始提升树f0(x)=0f_0(\bold{x}) = 0f0​(x)=0第m步的

2022-03-27 14:54:20 1653

原创 Noise Contrastive Estimation

熵统计机器学习中经常遇到熵的概念,在介绍NCE和InfoNCE之前,对熵以及相关的概念做简单的梳理。信息量用于度量不确定性的大小,熵可以看作信息量的期望,香农信息熵的定义:对于随机遍历XXX,香农信息的定义为 I(X)=−log(P(X))I(X) = -log(P(X))I(X)=−log(P(X)),香农熵的定义为香农信息的期望H(X)=E(I(X))=∑xP(x)I(x)=−∑xP(x)log(P(x))H(X) = E(I(X))= \sum_{x} P(x)I(x) = -\sum_{x} P(

2022-03-20 23:08:54 568

原创 常用不等式

Jensen不等式凸集:给定集合S以及其中任意两个元素 x1∈S,x2∈S\bold{x}_1 \in S, \bold{x}_2 \in Sx1​∈S,x2​∈S,若对于任意实数0<λ<10 < \lambda < 10<λ<1,恒λx1+(1−λ)x2∈S\lambda \bold{x}_1 + (1-\lambda)\bold{x}_2 \in Sλx1​+(1−λ)x2​∈S,则称 S 为凸集。凸函数:函数f的定义域为凸集S,若对于任意实数0<λ<

2022-03-18 09:22:47 161

原创 数据分析(一)

生存分析生存分析是研究直到发生一个或多个事件的预期时间的一系列统计分析方法。取名生存分析是最早应用于医学领域,研究病人从诊断出癌症后使用不同药物治疗后的死亡时间。TTT 表示生存时间,是非负连续的随机变量f(t)f(t)f(t)表示TTT的概率密度函数 pdfF(t)=P(T≤t)=∫0tf(x)dxF(t) = P(T\le t)=\int_0^t f(x)dxF(t)=P(T≤t)=∫0t​f(x)dx表示T的累积分布函数 cdf生存分析中生存函数和风险函数S(t)=1−F(t)S(t) =

2022-03-16 11:08:48 338

原创 回归分析(一)

变量间的统计关系变量间的关系有时候密切相关,但是非确定性关系,原因可能是被研究问题的复杂性,有许多因素因为我们认识以及其他客观原因的局限性,没有包含在内,或则由于实验误差、测量误差以及种种偶然因素的影响,一些变量的取值带有一定的随机性。我们把变量间具有密切关联而又不能由某个或某些变量唯一确定另外一个变量的关系,称为变量间的统计关系或相关关系。这种统计关系的规律性是统计学中研究的主要对象,现代统计学中关于统计关系的研究形成了两个分支,分别是回归分析和相关分析。回归分析和相关分析这两种分析进场相互结合和

2022-03-14 18:53:13 1624

原创 贝叶斯推断(二)

上一篇中提到贝叶斯推断的一般步骤为:综合总体、样本和先验信息,得到参数贝叶斯后验分布π(θ∣x)\pi(\theta|\bold{x})π(θ∣x)数据后验预测分布 p(x∣x)=∫θp(x∣θ)π(θ∣x)dθp(x|\bold{x}) = \int_{\theta}p(x|\theta)\pi(\theta|\bold{x})d\thetap(x∣x)=∫θ​p(x∣θ)π(θ∣x)dθ ,相对先验预测分布p(x)=∫θp(x∣θ)p(θ)dθp(x) = \int_{\theta}p(x|\t

2022-03-13 13:10:06 1489

原创 贝叶斯推断(一)

贝叶斯统计学统计推断中使用的三种信息:总体信息:总体分布或总体所属的分布簇信息样本信息:容量为nnn的样本,以充分统计量T(x1,x2,...,xn)T(x_1,x_2,...,x_n)T(x1​,x2​,...,xn​)先验信息:依据经验或历史资料,对参数先验所属的分布簇和相关参数做出判断。基于以上三种信息进行统计推断的统计学称为贝叶斯统计学。贝叶斯学派最基本的观点是:任一未知量θ\thetaθ都可看作随机变量,可用概率分布去描述,这个分布称为先验分布。而频率学派的观点是位置参数为一个固定的

2022-03-12 16:39:11 482

原创 伯努利分布的参数估计

设事件AAA发生的概率为θ\thetaθ,为了估计θ\thetaθ,进行了nnn次独立观察,其中事件A出现的次数为mmm。统计量样本均值:x‾=1n∑i=1nxi=mn\overline{x} = \frac{1}{n}\sum_{i=1}^nx_i = \frac{m}{n}x=n1​∑i=1n​xi​=nm​样本方差:sn2=1n∑i=1n(xi−x‾)2s_n^2 = \frac{1}{n} \sum_{i=1}^n(x_i - \overline{x})^2sn2​=n1​∑i=1n​(

2022-03-07 23:33:17 645

原创 蒙特卡洛算法

蒙特卡洛方法,也就是统计模拟方法,以摩纳哥的著名赌城蒙特卡洛命名,该方法求解问题的基本步骤为:构造概率模型,使得待求解问题恰好是概率模型的某个参数,比如概率模型的期望依据构造的概率模型生成样本由样本建立估计量,给出问题近似解下面以圆周率和自然常数的求解为例,简单介绍模特卡洛方法圆周率 π\piπ构造概率模型给定一个边长为2的正方形和期内切圆,内切圆和正常性的面积比率$ \frac{内切圆面积}{正方形面积} = \frac{\pi * 1^2}{2 * 2} = \frac{\pi

2022-02-20 16:03:36 1541 1

原创 韦伯-费希纳定律

韦伯-费希纳定律具体来说包括韦伯定律和费希纳定律,是心理物理学领域的两个重要假设。其内容是关于人类感知的变化与物理刺激的变化之间的关系。Weber’s law人类可感知的最小物理刺激变化量,正比于初始物理刺激量:ΔI=KI\Delta I = KIΔI=KIIII是初始刺激量ΔI\Delta IΔI 被称为差别阈限(Discrimination Threshold),当物理刺激变化$ < \Delta I$时,人类会认为变化前、后的物理刺激量有差别K称为韦伯分数,同一个测试对象,同一类刺

2022-02-20 12:53:49 1105

原创 因果推断笔记(一)

PD(A)从因果分析的角度,尝试缓解流行度偏差问题。在应用因果分析解决实际问题的过程中,需要对数据的产生机制提出因果假设,或则从数据出发识别因果图结构。PD(A)首先对推荐系统中 user-item 的交互数据的产生过程提出了关键假设,PD(A)认为产生交互数据对应的因果图结构为图b:总体共包含U,I,C,ZU,I,C,ZU,I,C,Z四个随机变量:UUU表示用户,uuu表示某个具体的用户,U\mathscr{U}U表示全体用户组成的集合因为有曝光的物品才能被用户看到,III表示有曝光的物品, i

2022-02-16 21:44:10 689

原创 深度模型(十七):用户兴趣建模与多任务学习模型笔记

DIN历史行为丰富的用户,兴趣是多种多样的,在面对不同的候选商品时,用户的兴趣可以被局部激活。DIN提出固定长度向量表达用户多种兴趣的局限性,并设计了全新的深度兴趣模型,引入了兴趣局部激活单元,自适应的从用户历史行为数据中学习与目标广告相关的用户兴趣的表示。DIN极大的提高了模型的表达能力,更好的捕捉用户兴趣的多种特征。DIN中用户兴趣表示为vU(A)=f(eA,e1,e2,...,eH)=∑j=1Ha(eA,ej)ej=∑j=1Hwjej\bold{v}_U(A) = f(\bold{e}_A,

2021-02-21 21:05:05 355

翻译 特征蒸馏

最近几年中,深度模型在推荐领域里的预测任务上取得的令人满意的成果。但大部分工作的焦点放在的模型,只有有限的少数工作注意到了输入的特征,但实际上特征决定了模型效果的上限。本文的工作也关注到了特征层面,特别是商业推荐系统中的特征。为了确保离线训练和在线服务的一致性,现实的应用中我们通常采用两个环境下都可以获取的特征。只有训练期间才能获取到的一批具有识别能力的特征因此被忽略。以电商推荐中的转化率预测为例,我们的目标是预测用户点击商品之后购买的概率。描述点击后详情页内用户行为的特征可能非常有用。但是线上转化率预测

2021-02-21 18:21:58 3651 1

翻译 SIM:基于搜索的用户兴趣建模

简介点击率估计在推荐系统和广告系统中起着至关重要的作用。随着用户行为数据的快速增长,用户兴趣模型被广泛的应用与推荐系统。用户兴趣模型专注于学习用户兴趣的意图表示。受计算和存储资源的限制,大部分的兴趣模型只能利用用户少量近期的历史行为数据,数量在几百个左右。然而有证据已经证明利用更多的历史行为数据是具有巨大价值的。比如淘宝23%的用户在5个月内点击的物品超过了1000。实际可行的利用用户长期行为序列数据的方案是目前开放和热门的研究主题。很多研究工作借鉴NLP领域的思想,提出采用记忆网络建模用户长期行为序列

2021-02-12 11:54:50 890

原创 拉格朗日乘子与KKT条件的证明

拉格朗日乘子与KKT条件1. 问题定义最优化问题在此总结一二,首先给出最优化问题的正式定义:定义:给定函数F(x),Gi(x),i∈[0,I],Hj(x),j∈[0,J],x∈RnF(\bold{x}),G_i(\bold{x}),i\in[0,I],H_j(\bold{x}),j\in[0,J],\bold{x}\in R^nF(x),Gi​(x),i∈[0,I],Hj​(x),j∈[0,J],x∈Rn,求满足条件Gi(x)=0,∀i∈[0,I],Hi(x)≤0,∀j∈[0,J]G_i(\bold{

2020-08-17 16:35:46 1393

原创 Isotonic Regression

模型校准模型的预估值往往存在偏差,其原因包括:模型的假设不一定完全成立,比如贝叶斯模型对事件独立同分布的假设训练样本是有偏差的,没有反应真实的分布情况训练算法的缺陷,导致并没有学习到最优的参数以点击率估计为例,某些场景下,有偏点击率是可以直接使用,比如排序场景下重要的是估计值的相对大小,点击率绝对值并不重要;另一些场景下,有偏估计值需要经过校正后才能使用,比如过滤逻辑中点击率的绝对值就会影响物品会不会被过滤掉,例如风控模型,另外将点击率作为其他模型输入的情况下,点击率的绝对值也是有意义的。模

2020-08-06 17:59:37 383

原创 MMR与CalibratedRec的再思考

最大边缘相关性(Maximum Marginal Relevance)推荐场景下,MMR对物品重排的目标是找出与推荐目标相关性高,但与已选集合内物品的相似度低的物品,公式表达如下:MMR(Q,C,R)=ArgMaxdi∈C/R[λSim1(Q,di)−(1−λ)maxdj∈RSim2(di,dj)]MMR(Q,C,R)=ArgMax_{d_i\in C/R}[\lambda Sim_1(Q,d_i) - (1-\lambda)max_{d_j\in R}Sim_2(d_i,d_j)]MMR(Q,C,R)

2020-08-05 17:45:07 196

翻译 深度模型(十六):EdgeRec

本文对原论文中的核心内容做翻译和讲解系统论文提出的模型架构如下图所示,一部分部署在云端服务器中,一部分部署在终端设备上(用户的移动设备):3.1 系统概要EdgeRec系统的主要模块和工作流程如下:本地客户端(Client Native):本地客户端首先初始化请求并缓存云端推荐服务返回的推荐结果。然后收集用户行为并触发模型服务模块。最后从模型服务模块获取未曝光商品的有序列表。模型服务(Model Serving):模型服务模块从本地客户端接收用户行为和原始候选商品。进行特征处理并运行重排模型

2020-08-04 23:01:23 609

原创 Redis使用笔记

1. 数据类型和接口单机模式下,Redis支持以下的数据结构和接口:2. Redis集群Redis集群实现了单机模型功能集合的一个子集,包含所有单个key的功能。Redis 集群中的节点有以下责任:持有键值对数据。记录集群的状态,包括键到正确节点的映射(mapping keys to right nodes)。自动发现其他节点,识别工作不正常的节点,并在有需要时,在从节点中选举出新的主节点。Redis 集群的键空间被分割为 16384 个槽(slot), 集群的最大节点数量也是 1638

2020-07-16 23:12:00 88

原创 Youtube时长预估

Watch Time推导论文中排序模型的训练目标为视频点击率,记为:p=P(y=1∣x)=11+e−θTxp = P(y=1|x)=\frac{1}{1+e^{-\theta^Tx}}p=P(y=1∣x)=1+e−θTx1​模型上线后的预测值计算方法却是:predict=eθTxpredict = e^{\theta^Tx}predict=eθTx其中θ\thetaθ表示模型的参数,xxx表示模型的特征(θ,x\theta,xθ,x实际是模型最后一层隐层参数和输入,当模型只有一层隐层时候,则是模型

2020-07-04 14:18:52 1599

原创 推荐系统实践笔记(三)

1. 线性回归最小二乘估计的概率解释线性回归模型如下:y(i)=θTx(i)+ϵ(i)y^{(i)}=\theta^Tx^{(i)}+\epsilon^{(i)}y(i)=θTx(i)+ϵ(i)并假设误差ϵ\epsilonϵ符合正太分布,即:p(ϵ(i))=1σ2πe−(ϵ(i)−μ)22σ2p(\epsilon^{(i)})=\frac{1}{\sigma\sqrt{2\pi}}e^{-\frac{(\epsilon^{(i)}-\mu)^2}{2\sigma^2}}p(ϵ(i))=σ2π​

2020-06-27 23:42:02 157

翻译 线性回归

原文地址:线性回归4.1 一元线性模型一元线性模型定义如下yi=β0+β1xi+ϵi,i=1,...,ny_i=\beta_0+\beta_1x_i+\epsilon_i,i=1,...,nyi​=β0​+β1​xi​+ϵi​,i=1,...,n其中ϵi\epsilon_iϵi​为随机变量(需要一些假设)xix_ixi​为固定值(独立/预测变量)yiy_iyi​为随机变量(依赖/响应变量)β0\beta_0β0​为截距β1\beta_1β1​为斜率4.1.1 最小二乘估计选择参数β

2020-06-27 22:02:11 139

翻译 深度模型(十五):Calibrated Recommendations

原文地址:Calibrated Recommendations1 简介推荐系统在许多不同的应用程序域中提供个性化的用户体验,包括在线购物,社交网络和音乐/视频流。在本文中,我们揭示针对准确性(例如,排序指标)进行训练的推荐系统可以轻松生成关注用户主要兴趣领域的推荐项目列表,而用户的次要兴趣领域却往往未被充分利用甚至消失。随着时间的推移,这种不平衡的推荐可能会逐渐缩小用户的兴趣范围。此问题也适用于多个用户共享同一帐户的情况,在该情况下,同一帐户内不太活跃的用户的兴趣可能会在推荐中被排挤。我们将在第2节中

2020-06-07 12:36:01 580 1

翻译 深度模型(十四):CB2CF

原文地址:CB2CF: A Neural Multiview Content-to-Collaborative Filtering Model for Completely Cold Item Recommendations1. 简介Microsoft的推荐服务在Windows Store为全球数十亿用户提供服务(包括MS商店和Xbox)。该商店提供许多不同类型的推荐方案,其中“类似物品清单”(标题为 “其他人也喜欢”)是用户参与度和销售的主要驱动力。引入新(冷)商品时,我们希望能够仅根据CB数据即可找

2020-06-05 09:39:55 936

原创 推荐系统实践笔记(二):利用与探索问题

推荐系统的经典问题之一,利用(Exploitation) 与 探索(Exploration)问题Exploitation:满足已知的用户需求Exploration:探索未知的用户需求Exploitation的必要性比较容易理解,通过满足用户已知的需求,产生用户价值,这也是推荐系统存在的意义。Exploration的价值怎么理解呢?首先,对于新用户而言,系统并不知道用户的需求,这时必须通过Exploration探索和发现用户的需求。其次,对于老用户而言,兴趣点也是在不断变化中的,这时也需要通过Exp

2020-06-01 17:24:10 596

翻译 高斯过程(一)

我们来考虑一个简单的线性回归问题:假设我们需要建模的函数为f:R→Rf:R\rightarrow Rf:R→R我们有一些观察数据$ \bold x = [x_1, …,x_N]^T, \bold y=[y_1,…,y_N]^T, y_i=f(x_i)$我们想预测函数fff在一些未观察点x∗x_*x∗​的值采用高斯过程建模函数高斯过程的核心思想是采用多元高斯分布建模函数。输入空间的每一...

2020-04-06 18:03:05 1052

原创 推荐系统实践笔记(一)

推荐算法工程师的工作一般都可以建模为带约束条件的最优求解问题。目标设定目标的设定需要较强的业务理解和领域知识:尤其是偏中长期的目标目标的测量方法与目标本身同样重要:需要考虑采用哪些指标,哪些属于短期指标,哪些属于长期指标,测量周期是多久,等等。总之,无法测量的目标,也就无法验证是否实现约束条件与目标同样重要:需要考虑目标对哪些既有指标会有影响,属于正向还是负向影响,预期是影响度有多大;约...

2020-03-15 19:39:22 183

翻译 CUDA编程手册(二)

3 编程接口3.2 CUDA运行时cuda运行时的实现在cudart库中,通过静态链接或动态链接库的方式链接到应用程序。3.2.4 页锁定宿主内存cuda运行时(runtime)库提供页锁定宿主内存(相对于malloc分配的可分页内存)相关函数:cudaHostAlloc和cudaFreeHost分配和释放页锁定宿主内存cudaHostRegister页锁定malloc分配的内存...

2020-02-14 10:55:43 722 1

Web Information Extraction

Web Information Extraction : Extract relevant information from web documents.

2018-11-28

OPENGL编程指南

[OPENGL编程指南] (美)Dave.Shreiner 扫描版

2014-12-07

嵌入式Linux应用程序开发标准教程

嵌入式Linux教程 第1章,Linux快速入门 第2章,linux基础命令 第3章,linux下C基础 第4章,嵌入式系统基础 第5章,嵌入式linux开发环境的搭建 第6章,文件IO编程 第7章,进程控制开发 第8章,进程间通信 第9章,多线程编程 第10章,嵌入式linux网络编程 第11章,嵌入式linux设备驱动开发 第12章,Qt图形编程基础

2014-01-24

嵌入式系统原理与设计 中文清晰版本

嵌入式开发不可错过的资料,可以参考一下 第1章,嵌入式系统概述 第2章,嵌入式处理器 第3章,嵌入式存储器 第4章,接口、总线和典型外设 第5章,嵌入式硬件设计及其方法 第6章,嵌入式操作系统 第7章,嵌入式软件开发 第8章,嵌入式网络 第9章,项目实例分析 a,LED驱动 b,温度控制系统 c,多路视频服务器 d,智能家居系统 e,指纹识别系统

2014-01-24

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除