2020年07月_mishidemudong

12月 11月 10月 09月 08月 07月 06月 05月 04月 03月 02月 01月

转载 Keras 多任务实现，Multi Loss

找了好久，终于找到了：Keras Xception Multi loss 细粒度图像分类这里只摘取关键代码：# create the base pre-trained modelinput_tensor = Input(shape=(299, 299, 3))base_model = Xception(include_top=True, weights='imagenet', input_tensor=None, input_shape=None)plot_model(base_model,

2020-07-22 17:20:18 350

转载 ##haohaohao#######蘑菇街自研服务框架如何提升在线推理效率？

Online Serving 简介从本质而言，在线服务就是提供 (http, rpc) 等接口，用户输入 X, X 经过 pre-process 处理成符合模型输入的参数，经由模型推理后得到 Y，Y 经过 post-process 处理成符合用户认知的数据格式，最后将结果返回。第 2 步和训练中的 evalute/test 相应步骤几乎一样，只是在线推理下的 batch size 往往为 1，远远小于训练过程中的 batch size，故在线推理下的显卡和显存的利用率相对训练更低。1. X =

2020-07-21 16:42:59 297

转载 ##haohaohao###Keras中无损实现复杂（多入参）的损失函数

本文基于比较古旧的KERAS=2.1.5版本，运用了最新tf2.0以及tf.keras特性的更好版本请移步我的另一篇文章：Ziyigogogo：Tensorflow2.0中复杂损失函数实现zhuanlan.zhihu.com前言Keras中，直接利用API可以快速的实现一些功能简单的自定义损失函数：model.compile(loss=YOUR_CUSTOM_LOSS_FUNCTION)然而任何的简单都是有代价的，通过这个内置方法定义的损失函数有且只能有y_true和y_pred两个

2020-07-21 15:38:44 808

转载【半监督学习】MixMatch、UDA、ReMixMatch、FixMatch

半监督学习（Semi-Supervised Learning，SSL）的 SOTA 一次次被 Google 刷新，从 MixMatch 开始，到同期的 UDA、ReMixMatch，再到 2020 年的 FixMatch。目录Consistency Regularization Entropy Minimization 结合 Consistency Regularization 和 Entropy Minimization FixMatch: Simplifying SSL with C.

2020-07-10 11:40:18 2368

转载 ##好好好好###开源的标注工具

## 开源的标注工具自然语言处理标记工具汇总https://blog.csdn.net/wangyizhen_nju/article/details/94559607spacy原来有两个标注工具，displaCy-ent和displaCy，一个ner一个依赖关系.Annotator for Chinese Text Corpus (UNDER DEVELOPMENT) 中文文本标注工具自然语言处理的大部分任务是监督学习问题。序列标注问题如中文分词、命名实体识别，分类问题如关系识..

2020-07-07 14:49:05 1749

转载 ###haohaohao######主动学习用于标注优化迭代

我们使用一些传统的监督学习方法做分类的时候，往往是训练样本规模越大，分类的效果就越好。但是在现实生活的很多场景中，标记样本的获取是比较困难的，这需要领域内的专家来进行人工标注，所花费的时间成本和经济成本都是很大的。而且，如果训练样本的规模过于庞大，训练的时间花费也会比较多。那么有没有办法，能够使用较少的训练样本来获得性能较好的分类器呢？主动学习(Active Learning)为我们提供了这种可能。主动学习通过一定的算法查询最有用的未标记样本，并交由专家进行标记，然后用查询到的样本训练分类模型来提高模型的精

2020-07-07 11:11:05 550

转载 ###豪豪豪豪######2020 推荐系统技术演进趋势了解

读知乎文章《推荐系统技术演进趋势：从召回到排序再到重排》笔记：《推荐系统技术演进趋势：从召回到排序再到重排》这篇文章主要说了下最近两年，推荐系统技术的一些比较明显的技术发展趋势。主要从以下几个方面介绍：推荐系统整体架构召回技术演进趋势排序模型技术演进趋势重排技术演进趋势一、推荐系统整体架构推荐系统宏观架构：推荐系统宏观结构细分四阶段：推荐系统细分四阶段二、召回技术演进趋势1、传统：多路召回（每一路召回相当于单特征排序结果）传统召回2、未来：

2020-07-06 20:05:09 599

转载天道

作者：盐九链接：https://www.zhihu.com/question/20865270/answer/809359141来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。只是这部作品意境深远，并不好理解，我看过很多的人解读：要么是只见树木不见森林；要么是只看到表层，厚度不够；要么是以《天道》为真经。这些看法都有片面之处，《天道》也极好的地方，也有不足之外，为了能让读者即能深刻理解它的启发意义又能客观地看待，而不是茫目迷信，所以考虑再三，准备深度.

2020-07-06 09:45:28 10647

转载 einsum初探

Einsum 是干嘛的？使用爱因斯坦求和约定，可以以简单的方式表示许多常见的多维线性代数数组运算。举个栗子：给定两个矩阵A和B，我们想对它们做一些操作，比如 multiply、sum或者transpose。虽然numpy里面有可以直接使用的接口，能够实现这些功能，但是使用enisum可以做的更快、更节省空间。比如：A = np.array([0, 1, 2])B = np.array([[ 0, 1, 2, 3], [ 4, 5, 6, 7],

2020-07-03 11:50:30 883