开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

减少循环的最佳习语

减少循环的最佳习语是：“熟能生巧”。这个成语意味着通过不断地练习和重复，技能会变得更加熟练和熟练。在云计算领域中，这个习语也适用。通过不断地学习和实践，您可以掌握云计算的技能，并能够在实际应用中熟练地运用它们。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

谷歌语义文本最新进展+两个开源新模型

---- 新智元编译来源：ai.googleblog.com 翻译：小潘【新智元导读】自然语言理解研究的快速发展，特别是在学习语义文本表示方面的发展可以促进一些新颖的产品，如自动写作和“Talk to Books”搜索等。本文介绍了谷歌在语义文本表示方面的最新进展，以及开源的两个新模型。基于神经网络的自然语言理解研究的快速发展，它还可以帮助提高数据量有限的各种自然语言任务的性能，比如基于仅有的几百个标签样例来构建强大的文本。下面，我们将讨论两篇关于Google语义表示最新进展的论文，以及在

03

Google语义文本相似性研究的进步，可为智能产品提供必要的技术

最近，基于神经网络的自然语言理解研究的快速发展，特别是学习语义文本表征，为全新产品提供必要的技术，如Smart Compose和Talk to Books。它还可以帮助提高基于有限的训练数据量的自然语言任务性能，例如，从少至100个标记示例中构建强大的文本分类器。

04

双重检查锁定及单例模式

简介：所有的编程语言都有一些共用的习语。了解和使用一些习语很有用，程序员们花费宝贵的时间来创建、学习和实现这些习语。问题是，稍后经过证明，一些习语并不完全如其所声称的那样，或者仅仅是与描述的功能不符。在 Java 编程语言中，双重检查锁定就是这样的一个绝不应该使用的习语。在本文中，Peter Haggar 介绍了双重检查锁定习语的渊源，开发它的原因和它失效的原因。

03

Go语言并不简单

Go 不是一种很简单的编程语言。尽管它的许多方面都很简单：语法很简单，大多数语义也很简单。然而，语言不仅仅是语法，我们希望利用它编写出实用的代码。利用 Go 编写有用的代码并不总是那么容易。

03

喜大普奔，Keras 官方中文版文档发布啦！

在官方中文版上，我们也看到对 Keras 的正式介绍： Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行。

有没有一个最好的方法来成为一个iOS开发人员？

入行也好几年了，针对这几年，写些感悟。成为iOS开发人员的最佳方法是论坛，Stack Overflow，Reddit和其他社交媒体平台的常见问题。问题通常会询问是否从头开始创建应用程序，或先学习语言，然后创建应用程序。我们假设这个语言是Swift。您可以先学习Swift语言。您也许使用playgrounds，将练习使用典型的算法，创建数据结构，并了解语言语法，。或者，您可以考虑应用程序，并开始创建应用程序，同时在运行中学习语言。一个重要的问题是您是否可以通过这种方式实际完成一个应用程序。这个问题的答

07

前沿 | 通用句子语义编码器，谷歌在语义文本相似性上的探索

作者：Yinfei Yang 机器之心编译参与：Pedro、蒋思源近年来，基于神经网络的自然语言理解研究取得了快速发展（尤其是学习语义文本表示），这些深度方法给人们带来了全新的应用，且还可以帮助提高各种小数据集自然语言任务的性能。本文讨论了两篇关于谷歌语义表示最新进展的论文，以及两种可在 TensorFlow Hub 上下载的新模型。语义文本相似度在「Learning Semantic Textual Similarity from Conversations」这篇论文中，我们引入一种新的方式来学

06

Java单例模式中双重检查锁的问题

单例创建模式是一个通用的编程习语。和多线程一起使用时，必需使用某种类型的同步。在努力创建更有效的代码时，Java 程序员们创建了双重检查锁定习语，将其和单例创建模式一起使用，从而限制同步代码量。然而，由于一些不太常见的 Java 内存模型细节的原因，并不能保证这个双重检查锁定习语有效。

02

深度学习框架Keras简介

深度学习的框架Tensorflow,Pytorch,Keras,Theano..,每个都有它自身的优势，有的性能好，有的学习曲线平滑，有的部署方便。

06

【专著】神经网络彻底改变 NLP 面貌，但远非终极解决方案

【新智元导读】Bar-Ilan University 计算机科学系的高级讲师 Yoav Goldberg 在他的专著《 NLP 的神经网络方法》中，不仅比较全面细致地介绍了神经网络模型在自然语言处理中的应用情况，并且在详尽梳理之后，明确指出：神经网络方法的引入已经成为 NLP 的变革力量，彻底改变了包括机器翻译在内的多项自然语言处理任务的面貌，但神经网络不是自然语言理解和生成的终极解决方案。虽然比前一代基于统计学的 NLP 技术提高了很多，然而核心问题仍然存在：语言是零散且模糊的，我们对其工作原理的理解并不

05

python入门的正确姿势，要永远做个学习者，但不仅仅只做学习者！

为什么要学习Python？为什么要选择Python，而不是其他别的20多种编程语言？当你开始走上开发者之路时，这个问题会可能会一天在你的脑海里出现多次。

05

业界 | 神经翻译系统水平远超谷歌、微软，德国创业公司发布翻译器DeepL

机器之心报道参与：路雪、李泽南近日，一家名为 DeepL 的创业公司发布了自己的神经翻译工具，引起了业内关注。据称在盲测与 BELU 分数测试中，这款全新翻译系统的性能远超来自谷歌、微软和 Facebook 三家巨头的同类产品。对于我们来说，DeepL 唯一的问题就是何时能够支持中文了。谷歌、微软和 Facebook 等科技巨头已在机器翻译领域耕耘多年，但一家名为 DeepL 的创业公司最近推出的翻译工具又将这一领域向前推进了一步。DeepL 与它的竞争对手相比速度相同，而且更加准确而精密。目前，D

比编程语言更重要的是什么？

在您真正了解语言之前，您必须学习许多不同的编程语言。出于本文的目的，我将把它们分成两个不同的类别：

01

浅谈C++使用技巧

在软件开发的广阔天地中，C++凭借其强大的性能、灵活性以及对底层硬件的直接控制能力，长期以来一直是系统级编程、游戏开发、高性能计算等领域的重要工具。然而，掌握C++并不只是学习语法那么简单，深入理解其设计理念、最佳实践以及现代化特性，才能真正发挥这门语言的强大潜力。本文旨在深入浅出地介绍C++编程中的十大实用技巧，从内存管理到性能优化，从代码复用到异常处理，旨在帮助开发者编写出既高效又易于维护的C++代码。

02

ICLR 2018 | CMU&谷歌大脑提出新型问答模型QANet：仅使用卷积和自注意力，性能大大优于RNN

作者：Adams Wei Yu等机器之心编译参与：Geek AI、路近日，来自卡内基梅隆大学和谷歌大脑的研究者在 arXiv 上发布论文，提出一种新型问答模型 QANet，该模型去除了该领域此前常用的循环神经网络部分，仅使用卷积和自注意力机制，性能大大优于此前最优的模型。 1 引言人们对机器阅读理解和自动问答任务的兴趣与日俱增。在过去的几年中，端到端的模型在许多具有挑战性的数据集上显示出非常好的结果，取得了显著的进步。最成功的模型通常会利用两个关键的组成部分：（1）处理序列化输入的循环模型，（2

03

Christopher Manning：Transformer 语言模型何以取得如此突破？

日前，在第二届北京智源大会语音与自然语言处理专题论坛上，国际自然语言处理著名学者、斯坦福人工智能实验室负责人Christopher Manning做了名为《Linguistic structure discovery with deep contextual word representations》的主题演讲。

02

2019深度学习语音合成指南（下）

作者提出了一种全卷积字符到谱图的框架，可以实现完全并行计算。该框架是基于注意力的序列到序列模型。这个模型在LibriSpeech ASR数据集上进行训练。

03

ChatGPT当中的“GPT”是什么意思？

最近 ChatGPT 火的一塌糊涂，Chat就是聊天嘛，那GPT是什么意思呢？这篇文章就给大家介绍下：

00

教你写出可读性高的Python代码

来源：https://learnku.com/docs/python-guide/2018/writing-style/3261

02

观点 | 论机器学习和编程语言：ML需要专用的计算机语言吗？

选自Julia Blog 作者：Mike Innes等人机器之心编译任何机器学习系统复杂到一定程度，都会包含一个临时开发的、不合规范的、充满错误的、运行速度很慢的、只有一半功能的编程语言实现。（格林斯潘第十定律）我们很高兴看到机器学习大爆发，以及机器学习模型的复杂度和用来构建模型的框架。越来越多的顶尖模型更多地涉及到编程问题，通常它们需要支持循环和递归等编程结构，这给创建它们的工具（编程语言）带来了一些有趣的问题。尽管机器学习没有专用的语言，但有的机器学习框架（如 TensorFlow）在 Pyth

07

MIT开发语义解析器，使机器像儿童一样学习语言

儿童通过观察他们的环境，倾听他们周围的人，以及他们所看到和听到的点之间的联系来学习语言。这也有助于儿童建立语言中的单词顺序，例如主语和动词在句子中的位置。麻省理工学院的研究人员开发了一种“语义解析器”，通过观察学习模仿儿童的语言习得过程，这可以极大地扩展计算能力。

02

如何入门 Bash 编程

Unix 最初的希望之一是，让计算机的日常用户能够微调其计算机，以适应其独特的工作风格。几十年来，人们对计算机定制的期望已经降低，许多用户认为他们的应用程序和网站的集合就是他们的 “定制环境”。原因之一是许多操作系统的组件未不开源，普通用户无法使用其源代码。

03

物联网在外语学习中的应用

语言学习的全部内容都是听、重复和交流，外语沉浸式环境将这一切融合为一种引人入胜的体验。研究表明，基于IoT的模拟可以提高学生使用外语的听力，阅读和口语能力，因为IoT系统可以通过使用连接的对象来模拟沉浸式体验。

02

Keras 学习笔记（二）什么是Keras？为什么要使用Keras？

在如今无数深度学习框架中，为什么要使用 Keras 而非其他？以下是 Keras 与现有替代品的一些比较。

02

科研可以不做，博士还是要读。。。

我觉得，任何事情，不经历整个过程，就无法理解每件事的价值和意义。无论是读博士、还是硕士、本科等等。不仅是学术学业上的修行，更是一种社会认可和信任的基础。

01

成长路线图：如何成为一名Python开发者？

【导语】本文对学习 Python 的最佳书籍、视频、课程进行了汇总，并解答了初学者及早中级人员在工作中面临的问题。在作者看来，这些问题即便通过 Stack Overflow 也很难解决。

03

一些中文编程语言

易语言可以说是中文编程语言的老大，拥有独立的编译器。易语言并不是把现存的编程工具进行表面汉化而成的，和其他国外语言相比，" 易语言" 最大的不同是彻底中文化，且拥有自下而上的全部自主知识产权。

01

改进 Elastic Stack 中的信息检索：提高搜索相关性的步骤

自 8.0 和用于文本嵌入的第三方自然语言处理 (NLP) 模型发布以来，Elastic Stack 的用户可以访问各种模型来生成文本文档的embedding并使用向量量搜索执行基于查询的信息检索。

01

编程语言的大一统：一种跨平台的、多用途的未来编程语言

随着科技的不断进步，编程语言的种类也在日益增多。从早期的C和C++，到后来的Java、Python、Ruby、Go、C#，再到新兴的Rust和Mojo等，每一种语言都有其独特的设计理念和适用场景。然而，随着编程需求的多样化，许多开发者在面对各种语言的选择时感到疲惫。因此，我们不禁畅想，是否有可能出现一种大一统的编程语言，它既能简化学习成本，又能满足不同的应用需求？

01

Scala 【 2 语法变量和条件控制与循环】

基于 Java 虚拟机，是 JVM 的一门编程语言，都需要编译为字节码，然后交由 Java 虚拟机来运行。

03

RUST 语言特性之变量

在学习一门新的语言中，我写下 2023 年的新目标：学习 RUST 语言。这几天我把 RUST 语法过了一遍。

02

百度开源自然语言理解模型 ERNIE 2.0，16 个 NLP 任务中碾压 BERT 和 XLNet！

7 月 30 日，百度发布了 ERNIE（Enhanced Representation through kNowledge IntEgration）的优化版本——ERNIE 2.0 自然语言理解框架。这个中英文对话的 AI 框架不仅获得了最优的（SOTA）结果，并且在 16 个 NLP 任务中表现出优于 BERT 和最近的 XLNet 的高水准。目前，ERNIE 2.0 代码和英文预训练模型已开源。

04

百度开源自然语言理解模型 ERNIE 2.0，16 个 NLP 任务中碾压 BERT 和 XLNet！

7 月 30 日，百度发布了 ERNIE（Enhanced Representation through kNowledge IntEgration）的优化版本——ERNIE 2.0 自然语言理解框架。这个中英文对话的 AI 框架不仅获得了最优的（SOTA）结果，并且在 16 个 NLP 任务中表现出优于 BERT 和最近的 XLNet 的高水准。目前，ERNIE 2.0 代码和英文预训练模型已开源。

01

【人工智能】第一部分：ChatGPT的基本概念和技术背景

随着人工智能技术的不断发展，自然语言处理（NLP）领域取得了显著的进步。ChatGPT，作为一种先进的对话生成模型，展现了令人瞩目的语言理解和生成能力。本文将深入探讨ChatGPT的原理，从基础概念到技术细节，帮助读者全面了解这一革命性技术。

01

词表的选择如何影响语言模型训练？这可能是目前见过最好的词表选择研究

在最近的一项实验中，研究者对 16 个语言模型使用不同的语料进行了预训练和微调。这次实验使用了 NanoGPT，一种小规模的架构（基于 GPT-2 SMALL），训练了 12 个模型，NanoGPT 网络架构的配置为：12 个注意力头、12 层 transformer，词嵌入维度为 768，进行大约 400,000 次迭代（大约 10 个 epoch）。然后在 GPT-2 MEDIUM 上训练了 4 个模型，GPT-2 MEDIUM 架构的设置为 16 个注意力头、24 层 transformer，词嵌入维度为 1024，并进行 600,000 次迭代。所有模型均使用 NanoGPT 和 OpenWebText 数据集进行预训练。微调方面，研究者使用了 baize-chatbot 提供的指令数据集，分别在两类模型里补充了额外的 20,000 和 500,000 个「字典」条目。

01

直播回顾 | 最强中文NLP预训练模型艾尼ERNIE官方揭秘

自然语言处理( Natural Language Processing ,简称NLP )被誉为人工智能“皇冠上的明珠”。NLP是为各类企业及开发者提供的用于文本分析及挖掘的核心工具，已经广泛应用在电商、文化娱乐、金融、物流等行业客户的多项业务中。

02

Python学习-Chapter7 用户输入和while循环

Chapter7 用户输入和while循环 7.1 input（）字符串输入用户输入文本，把文本呈现给用户 message = input("请输入返回的文本：") print(message) 请输入返回的文本：12345 12345 7.1.1 编写清晰的程序原理：变量 = input（参数：说明/指示） name = input("please enter your name:") print(f"Hello,{name}") please enter your name:Oliver H

02

为什么你应该有一个数据治理策略

原文地址：https://dzone.com/articles/why-you-should-already-have-a-data-governance-stra

06

看硅谷数据工程师如何使用TensorFlow构建、训练和改进RNN

在本文中，我们提供了一个用于训练语音识别的RNN的简短教程，其中包含了GitHub项目链接。作者：Matthew Rubashkin、Matt Mollison 硅谷数据科学公司在SVDS的深度

04

Python学习-Chapter7 用户输入和while循环

Chapter7 用户输入和while循环 7.1 input（）字符串输入用户输入文本，把文本呈现给用户 message = input("请输入返回的文本：") print(message) 请输入返回的文本：12345 12345 7.1.1 编写清晰的程序原理：变量 = input（参数：说明/指示） name = input("please enter your name:") print(f"Hello,{name}") please enter your name:Oliver H

03

python 学习之路1-如何入门

python 要执行，是要通过解析成汇编，才会执行的。只是他更加符合大众口味，容易懂。所以学习起来成本会比较低；但是运行效率，肯定是越底层的语言越快，越高效。有个问题是必须要说的：执行快慢的，这个应该是在X86刚发展的时候，硬件配置比较低，现在是21世纪，硬件都是多线程多core了。。差别在逐渐减少。所以不能说python慢，具体还要看的需求。 2.面向对象编程？这句话我听了10多年，之前还真没有认真想过。。。。。相信如果你还没入门，也是这个味道，就去学习class了，这是很傻的一个种方式，所以还真要消化一下。对象：你有没有对象？没错，这就是对象，世间万物皆对象。看见的一个杯子，一个笔，都是对象。有了对象的概念，你就想一个问题，对象放哪里？对：就是放存储（你可以理解为仓库）。面向对象编程：你可以理解成在仓库（内存地址中），对物件（对象）进行存取的处理。 ---这就是面向对象的编程过程，这就是你用python的对象语言做处理某个功能，处理某个事件的过程。。。在内存，对对象（变量，元素，实例等等）进行存取处理

01

什么是ChatGPT？

ChatGPT 是迄今为止最强大的自然语言人工智能。第一手资源基本都是英文资料，所以本文以英文素材为主，Youtube、Twitter 内容需要科学上网才能访问，当然这也是使用 ChatGPT 的前提。另外，你可以在学习过程中充分利用 ChatGPT 跨越语言鸿沟。Enjoy your ChatGPT journey！

01

什么是学习编程的正确方法

对程序员、开发人员和数据科学家的高度需求吸引了许多人加入 IT 领域。通常，初学者总要试图在学习过程中找到捷径，以便更快地谋得一份工作。

01

深入理解MySQL中的JOIN算法

码到三十五：个人主页心中有诗画，指尖舞代码，目光览世界，步履越千山，人间尽值得 !

01

ACL2022 && 加利福尼亚大学 | 新意图发现(NID)/新意图挖掘最近邻对比学习方法(源码)

新意图发现(NID)又叫做新意图挖掘，其旨在从用户对话中发现新的意图类别，以扩展对话系统支持的意图类。这是发展和增强实用对话系统的关键任务。虽然说它对对话系统建设非常重要，但这个问题并没有在学术研究中进行充分探讨。为此今天给大家分享得这篇文章，针对新意图发现中语义话语表征、话语聚类这两大问题。给出了新得解决方案。实验结果表明：本文方法在无监督和半监督场景下都大大优于最先进的方法。

02

ACL2019 | 中文到底需不需要分词

AI 科技评论按，本文转载自微信号“香侬科技”，AI 科技评论获授权转载。近日，香侬科技发表论文Is Word Segmentation Necessary for Deep Learning of

02

麻省理工研制出基于弱监督学习的语言系统

麻省理工的科研人员研制出了一套基于“弱监督学习”（weakly supervised）的语言系统，可利用有限的数据进行语言学习。

02

【论文解读】基于图的自监督学习联合嵌入预测架构

本文演示了一种学习高度语义的图像表示的方法，而不依赖于手工制作的数据增强。论文介绍了基于图像的联合嵌入预测架构（I-JEPA），这是一种用于从图像中进行自监督学习的非生成性方法。I-JEPA背后的idea很简单：从单个上下文块中，预测同一图像中不同目标块的表示。指导I-JEPA产生语义表示的核心设计选择是掩膜策略；具体来说，(a)预测图像中的几个目标块，(b)采样足够大规模的样本目标块（占图像的15%-20%），(c)使用足够丰富的（空间分布）上下文块，是至关重要的。根据经验，当与视觉transformer结合时，论文发现I-JEPA具有高度的可缩放性。例如，论文在ImageNet上使用32个A100 GPU在38小时内训练一个ViT-Huge/16，以在需要不同抽象级别的广泛任务中实现强大的下游性能，从线性分类到对象计数和深度预测。

02

2019深度学习语音合成指南

还记得我们前几天发出文章《百度超谷歌跃升全球第二，硬核语音技术成抢夺智能音箱“C位”的王牌》吗？本篇文章我们将讲述 2019年深度学习语音合成的一些进展，其中有多篇工作来自百度研究院或百度硅谷人工智能研究院。

02

数值优化的交互式教程

原文： http://www.benfrederickson.com/numerical-optimization/ 作者：Ben Frederickson

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭