具身智能定义：智能体通过与环境产生交互后，通过自身的学习，产生对于客观世界的理解和改造能力。具身智能假设：智能行为可以被具有对应形态的智能体，通过适应环境的方式学习到。因此，地球上所有的生物，都可以说是具身智能。具身智能是能够提升当前的“弱人工智能”认知能力的重要方式。人工智能可以通过与环境交互的渠道，从真实的物理或虚拟的数字空间中学习和进步。同时，具身智能是产生超级人工智能的一条可能路径。具身AI对立的词是Internet AI，指通过互联网上的数据进行学习，比如我们一直在做的CV、NLP。

NLP添加新词汇

bert最后一层为什么没有激活函数softmax或者sigmoid？

NLP优秀的学习资料

paddle安装的坑，识别不了GPU

Kaggle比赛各种增强算法，CatBoost 和 Light GBM 和 XGBoost每种算法处理类别变量了解参数在数据集上实现每种算法的性能

AI智能抠图，细到头发丝级别，而且非常快速，1分钟出片，高清效果

随机森林模型介绍：随机森林模型不仅在预测问题上有着广泛的应用，在特征选择中也有常用。随机森林是以决策树为基学习器的集成学习算法。随机森林非常简单，易于实现，计算开销也很小，更令人惊奇的是它在分类和回归上表现出了十分惊人的性能。随机森林模型在拟合数据后，会对数据属性列，有一个变量重要性的度量，在sklearn中即为随机森林模型的 feature_importances_ 参数，这个参数返回一个numpy数组对象，对应为随机森林模型认为训练特征的重要程度，float类型，和为1，特征重要性度数组中，数值越

目标：本系列开始重点研究量化，逐步改善模型，改善策略，然后评估各个策略的优劣。本文是第一篇，也是最容易最无脑投资的一篇，每周三定投，收益还不错。内容：如果工作太忙没法投资，闲钱无处放，不妨看看这这种方式。学金融的都知道最简单靠谱的投资方式：定投。是否真有效？假期封在家，做了下实验。假设每周，通过支付宝线下买基金定投1000，从15年元旦开始。就投创业板吧，亏钱了就当给科技做贡献。要知道15年可是股灾年，19年也是，经历了2次股灾还能有收益吗？一起来看看到今天2020-02-07，收益如何？

目标：掌握python中的抽象类和抽象接口。封装和继承在java中用得挺多的，python中貌似用得真不多，但是为了应付考试，也是的了解。学习内容：抽象类，就是总结一些基本方法，每个子类必须自己实现这些方法。如果是接口，应该强制子类实现。不实现就报错。python抽象类和接口的区别：接口中的方法全部需要用抽象方法，强制继承的对象实现。抽象类可以有部分方法已经实现python 原生不支持接口类，需要导入abc包。python3.4以后自带此包，不用在import1、 定义一个抽象类。from

[NOT FOUND ]

win10安装部署网络测试工具 NetCat：步骤：提示：这里可以添加要学的内容例如：1、 官方下载2、 复制nc64.exe相关文件3、 执行nc64命令监听端口4、 执行nc64命令，向指定端口发送数据官方下载：下载地址：https://eternallybored.org/misc/netcat/1、两个版本都可以使用，这里选择 netcat 1.12复制文件：把下载好的文件解压，将文件夹中的所有内容复制到C:\Windows\System32的文件夹下提示：win1

推荐系统发展历程提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章 Python 机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录推荐系统发展历程前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，

目标：通过训练tensorflow2时设置不同的输出分支，然后可以在训练和测试时，把模型进行分离，得到训练和预测时，某些层的参数不同。目前还没发现有更好的办法。第二，获取训练模型的参数。获取模型参数：比较简单，就是调用#获取训练后的权重参数weigts_parm = model.get_weights()获得的就是模型参数的每一层权重和偏置信息。模型不同输出：想不到更好办法，如果有人有其他办法，更好。原理就是：模型构建时，构建两个分支，一个用于训练train，一个用于预测pr

这里写目录标题目标：代码改写成tf2格式tf1和tf2区别：改写内容：tf.placeholdertf.Sess,sess.run具体例子1：结论：目标：代码改写成tf2格式把tensorflow 1.X中的代码，迁移到tensorflow2中。一些常见的改写经验。包括sess，tf.placeholder， tf.InteractiveSession()，tf.Session()tensorflow2相比于tensorflow 1.x版本有较大的变化，且网上现在好多文章的代码都是基于tf1.x版本的

学习目标：了解TensorFlow 2 模型构建方法，掌握keras。同时结合tensorboard图像化展示，进而进行模型的调优等。模型目标：预测图片分类预测任务：预测像素点为（28,28）的灰度照片的分类。数据集为 tf.keras.datasets.fashion_mnist的分类数据学习内容1：构建模型构建方法：采用keras中的layer，一层层堆叠，然后compile代码：import tensorflow as tffashion_mnist = tf.keras.

这里写目录标题场景：dropout和Dropout区别问题描述：结论：深层次原因：dropout是底层API，Dropout是高层API场景：dropout和Dropout区别全网搜索tf.nn.dropout和tf.keras.layers.Dropout区别，发现好多都是错误的讲解，因此有必要进行一次实验和纠错。tf.nn.dropout和tf.keras.layers.Dropout的区别，看本文就足够了。问题描述：tf.nn.dropout和tf.keras.layers.Dropou

这里写目录标题学习目标：学习内容：1. 使用现有的预训练模型线下训练，线上加载运行线下训练线上加载迁移学习2.Keras Sequential模式建立模型(不推荐，灵活性太差）3.Functional API 函数api建立模型（最常用，可构建复杂网络）4.tf构建模型Class总结：学习目标：tensorflow2模型构建4种方法，掌握其优缺点。顺便：compile是TensorFlow2专门用来训练模型的，很方便，避免了写Gradenttape那种形式化结构，直观明了，一定要掌握。学习内容：

这里写目录标题目标：模型产生原因：核心思想：模型介绍：Base model改进模型模型算法设计论文的算法改进参考资料目标：掌握2017年阿里提出的深度兴趣网络（Deep Interest Network for Click-Through Rate Prediction）以及后续的DIEN。本篇介绍DIN原文：Deep Interest Network for Click-Through Rate Prediction21 Jun 2017Deep Interest Evolution Net