wwlsm_zql的博客

在黑客的世界里，当你拋出一个技术问题时，最终是否能得到有用的回答，往往取决于你所提问和追问的方式。本指南将教你如何正确的提问以获得你满意的答案。现在开源（Open Source）软件已经相当盛行，您通常可以从其他更有经验的用户那里获得与黑客一样好的答案，这是件好事；和黑客相比，用户们往往对那些新手常遇到的问题更宽容一些。尽管如此，以我们在此推荐的方式对待这些有经验的用户通常也是从他们那里获得有用答案的最有效方式。首先你应该明白，黑客们喜爱有挑战性的问题，或者能激发他们思维的好问题。

不论是百度之前的“一格”，还是paddlehub的ernie_vilg，都可以根据文本描述转图片，而文本生成图片最早可以追溯到迪斯尼的一篇论文，通过文本生成图片进而合成动画，随后有DELL、GPT-3、ERNIE等，都在尝试文本生成图片，效果都比较一般。对此事情，在此不做讨论，从这件事我们可以看到的是，ai逐渐拥有人类创造力，或者说逐渐的在模仿人类的创作力，但不管如何，ai在艺术上的创作能力是逐渐提升，这是不可否认的。报道，完全不懂绘画的人，通过ai创作的画作拔得大赛头筹，引起了人们的普遍讨论。

本文是分类任务系列第一篇——概述，主要介绍分类的基本定义和一般流程。

​Xgboost模型在机器学习、深度学习中经久不衰，不论是分类还是回归任务都是一个不错的baseline甚至最终可用的模型，XGB对任务的普适性也决定了其具有大量的可调节参数，针对同一个任务，不同的参数设置可能带来不同甚至相差甚远的性能结果，因为寻找当前任务下可用、有效的参数是一个必不可少的过程，在上一篇文章介绍了XGB的所有参数，针对如果繁多的参数，试探枚举是一个非常庞大的工作量，因此本文介绍通过hyperopt实现自动参数寻优...

在运行 XGBoost 之前，我们必须设置三种类型的参数: 通用参数、提升参数和任务参数。本文提供了对XGB模型的全部参数的介绍，用于指导对参数的选择

指的是数据的缺失是完全随机的，不依赖于任何不完全变量或完全变量，不影响样本的无偏性，如家庭地址缺失指的是数据的缺失不是完全随机的，即该类数据的缺失依赖于其他完全变量，如财务数据缺失情况与企业的大小有关指的是数据的缺失与不完全变量自身的取值有关，如高收入人群不愿意提供家庭收入针对获取的数据，不做处理，使用获取到的默认值对缺失值进行一定的推断填充将含有缺失的样本或者特征丢弃从训练数据和实际应用的推理数据上划分，可能存在的情况是训练数据完备，实际的推理数据存在缺失备注。...

类别型变量，也称作符号性变量（category feature），是一种分类任务中，不同的编码处理方式，可能会到导致不同的性能表现，本文对主要的处理方法进行介绍，并通过实验对比不同的性能表现，最后给出一般都使用指南...

在机器学习或者深度学习中，都有一个任务目标，例如猫狗分类准确率、回归预测损失最小化等，为了达到的目标，通常都会训练一个单一的（大）模型或者一系列模型（集成学习），然后根据的目标不断的对模型进行调优，直到达到目标。这种方式一般能够满足的需求，但这种方式让专注于单一的任务目标，可能忽略了一些相关的信息，而这些信息可能会促使更容易甚至达到更优的目标值。换句话就是，通过相关任务之间的共享表示，让的模型对原始任务具有更好的泛化性能，一般具有多个任务损失函数优化的，都可以称作是多任务学习，通常的表现形式是，主任务结合一

阅读理解任务一般形式完形填空：给定一篇文章，将文章部分内容mask 掉，然后让模型根据上下文进行填充阅读理解的形式与预训练非常类似，所以对预训练模型非常适配完形填空模型，可以看做是最大化条件概率 P(a|C-a)，其中 a 是被移出的内容，C 是上下文通常是对候选字典进行概率分布输出（注意力值），进行归一化后得到最大的作为结果应用场景有限多项选择：给定一篇文章、一个问题和多个备选答案，模型从多个备选答案中选择正确答案多项选择模型，可以看做是最大化概率 P(a|C,Q,A)，其中 ..

SEO 是一种让网站获取更多搜索结果展现的技术和手段，通过对行业的分析，自身内容的改造，达到更多搜索流量的目的。通常情况下，SEO 的基本步骤可以分为如下几个关键词挖掘获取所属行业的核心表达和用户理解，来准确的定位自己网站或网页的核心表达词汇获取网站所在行业相关的关键词，一般是做 SEO 的第一步。关键词描述了普罗大众对所在行业的认知，代表了用户搜索这个行业相关内容时候，经常使用的描述。所谓的关键词，其实是搜索频率较高的片段，是一个统计的活，但我们一般不可能拿到所有用户输入的数据，这是搜索引擎

本文是 seeprettyface 环境的安装教程，同时大体介绍下 seeprettyface 的通用使用方法，教程源代码在本文最后

初始 SEO，了解的相关基本概念

新年、过节、日常中，我们经常需要一些话术，例如春节的拜年祝福信息，情人节表达爱情的话语等，复制粘贴别人的话术，可能撞车还显得没有诚意，这时候就需要 AI 来帮你，利用 AI 生成独一无二属于你的话术，即能彰显你的能力还不缺诚意，小伙伴来感受下 AI 文本生成的能力吧。

根据生成的图片和已有的视频，进行换头，利用深度学习模型，进行图片转视频操作。

通过 AI 深度学习模型，进行图片生成，以及图片转视频操作

一、基础概念外卖系统：实现订单的收集、派单的系统出餐时间：一个餐品的制作时长接单上限：一个骑手能够一次配送的最大订单数量ETA：预计送达时间Pick and delivery problem：路径规划问题，其中货物或乘客必须从不同的起点运输到不同的目的地二、习以为常的问题手机上看到的配送时间是怎么来的？在外卖系统中有什么用处？从下单到配送完成，你的外卖订单都存在哪些状态？你的订单是抢单还是系统派单，你认为哪一种更好呢？三、订单逻辑外卖是我们日常生活常见的一个元素，那不知道大家

给 Centos7 安装 phpMyAdmin 的来源yum install -y epel-releaseyum –y update安装 Apache Web Serveryum install httpd -y验证状态service httpd statussystemctl status httpd安装 phpMyAdminyum -y install phpmyadmin修改配置信息vim /etc/phpMyAdmin/config.inc.php.

强化学习一撇强化学习，说起来也和神经网络一样，上世纪50年代左右，就有相关强化学习的研究。其历史概述可以从机器之心这篇文章看到。当时，也是由于算力、内存等限制了强化学习在实际中的广泛应用，真正对强化学习研究兴趣的爆发是16年Google的AlphaGo的问世，引爆了人们对于强化学习的兴趣。对于RL，相信大家或多或少都有了解，如上图，自动飞翔的flappy bird，会跑的波士顿动力狗，吃豆...

知识图谱构建技术体系知识获取：从不同来源、不同结构的数据中进行知识的提取，形成结构化的知识，当前知识的获取主要针对文本数据进行实体抽取众包：百度百科、维基百科，存储机器可读的、具有一定结构的数据爬虫：通过定义网页中的实体、属性、关系的 pattern，实现对网页数据的获取，例如 Google、Baidu 的搜索引擎机器学习：将数据变成考研理解的知识，例如通过文本分类、主题模型等...