www.久久久久|狼友网站av天堂|精品国产无码a片|一级av色欲av|91在线播放视频|亚洲无码主播在线|国产精品草久在线|明星AV网站在线|污污内射久久一区|婷婷综合视频网站

  • 如何快速安全地為電池充電，充電指南

    任何愛(ài)好者都可以快速為電池充電，但您能否在不發(fā)生爆炸、過(guò)熱或電池循環(huán)壽命大幅下降的情況下充電? 許多公司已經(jīng)管理通常使用專門算法的快速充電技術(shù)。這些算法考慮了電池的化學(xué)性質(zhì)和某種非標(biāo)準(zhǔn)充電率曲線。許多設(shè)備制造商和無(wú)線運(yùn)營(yíng)商現(xiàn)在為智能手機(jī)設(shè)備提供至少兩年的保修，將 800 次循環(huán)設(shè)置為電池的電池循環(huán)壽命。

  • 電池應(yīng)用：不要忽視不起眼的電池連接器

    我們經(jīng)常談?wù)摵蛽?dān)心電池：它們的壽命、安全問(wèn)題、充電/放電、溫度影響和許多其他問(wèn)題，以至于很容易忘記電池供應(yīng)鏈中的一個(gè)重要環(huán)節(jié)：連接器。過(guò)去一周發(fā)生的兩件事，一個(gè)在當(dāng)前范圍的極低端，另一個(gè)在更高的范圍，提醒我，如果沒(méi)有牢固的連接，最好的電池也是無(wú)用的。

  • 新的可再生能源系統(tǒng)，波浪能應(yīng)用技術(shù)

    在可再生能源系統(tǒng)方面，公司最近試圖利用三種主要能源：太陽(yáng)、風(fēng)和海浪。太陽(yáng)能電池板現(xiàn)在幾乎無(wú)處不在。風(fēng)力渦輪機(jī)裝置在陸地和海上變得越來(lái)越普遍。然而，我們還沒(méi)有看到太多的是波浪能。不過(guò)，新的能量浪潮可能是波浪能。 世界正在轉(zhuǎn)向可再生能源。不夠快——還沒(méi)有——但它正在發(fā)生。經(jīng)典的可再生能源是水電。如果到處建造巨大的水壩很容易逃脫，我們?cè)缇妥龅搅恕?/p>

  • 計(jì)算機(jī)視覺(jué)：通過(guò)壓縮技術(shù)減少 AI 推理所需的內(nèi)存大小

    今天，我們將討論計(jì)算機(jī)視覺(jué)。我們將聽(tīng)到 Perceive 的首席執(zhí)行官 Steve Teig 談?wù)撍岢龅囊环N壓縮激活的方法，該方法可以減少 AI 推理所需的內(nèi)存大小。我們還將先睹為快，了解來(lái)自 GrAI Matter Labs 的新型神經(jīng)形態(tài)啟發(fā)式視覺(jué)芯片。

  • 車輛到車輛的通信和車輛到基礎(chǔ)設(shè)施的通信，使用V2X 技術(shù)來(lái)暢通交通流

    您經(jīng)常聽(tīng)到我們談?wù)撊绾问褂梦覀兊能噷?duì)車通信或 V2X 技術(shù)來(lái)暢通交通流，讓汽車相互交流，讓汽車與紅綠燈相通。因此，我們周圍的基礎(chǔ)設(shè)施如何以最佳方式進(jìn)行管理。我們?cè)跐h堡所做的是，我們還展示了如何，例如，自行車騎手、電動(dòng)滑板車司機(jī)如何被周圍的其他系統(tǒng)看到，以避免發(fā)生事故。

  • LF 能源和索尼計(jì)算機(jī)科學(xué)實(shí)驗(yàn)室的名為 Hyphae 的項(xiàng)目，對(duì)未來(lái)能源的探索

    LF 能源和索尼計(jì)算機(jī)科學(xué)實(shí)驗(yàn)室?guī)讉€(gè)月前宣布了一個(gè)名為 Hyphae 的項(xiàng)目，這是一個(gè)微電網(wǎng)計(jì)劃，旨在實(shí)現(xiàn)可再生能源的點(diǎn)對(duì)點(diǎn)分配自動(dòng)化。這樣做的目標(biāo)是讓微電網(wǎng)更高效，使整個(gè)電網(wǎng)更加碳中和，只是為了留在頁(yè)面上，在關(guān)于能源的同一頁(yè)面上。但這是你的項(xiàng)目之一。你能告訴我你在規(guī)劃的其他項(xiàng)目是什么嗎?未來(lái)我們最有可能看到開(kāi)源微電網(wǎng)部署在哪里?

  • 能源在開(kāi)源方面的未來(lái)，電力系統(tǒng)網(wǎng)絡(luò)未來(lái)的模型

    我們現(xiàn)在討論能源，特別是能源在開(kāi)源方面的未來(lái)。為了減緩和阻止氣候變化，我們必須將排放量減少到零。為此，我們需要徹底改變我們的能源系統(tǒng)，只生產(chǎn)可持續(xù)和可再生能源。我們還需要可持續(xù)且更可靠的電網(wǎng)，能夠以最佳方式結(jié)合不同的可再生能源。

  • 什么是圖神經(jīng)網(wǎng)絡(luò)？未來(lái)如何發(fā)展？

    圖是一種數(shù)據(jù)結(jié)構(gòu)，它對(duì)一組對(duì)象(節(jié)點(diǎn))及其關(guān)系(邊)進(jìn)行建模。近年來(lái)，由于圖結(jié)構(gòu)的強(qiáng)大表現(xiàn)力，用機(jī)器學(xué)習(xí)方法分析圖的研究越來(lái)越受到重視。圖神經(jīng)網(wǎng)絡(luò)(GNN)是一類基于深度學(xué)習(xí)的處理圖域信息的方法。由于其較好的性能和可解釋性，GNN最近已成為一種廣泛應(yīng)用的圖分析方法。

  • 循環(huán)神經(jīng)網(wǎng)絡(luò) RNN發(fā)展史概述

    循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)是一類以序列(sequence)數(shù)據(jù)為輸入，在序列的演進(jìn)方向進(jìn)行遞歸(recursion)且所有節(jié)點(diǎn)(循環(huán)單元)按鏈?zhǔn)竭B接的遞歸神經(jīng)網(wǎng)絡(luò)(recursive neural network)。對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)的研究始于二十世紀(jì)80-90年代，并在二十一世紀(jì)初發(fā)展為深度學(xué)習(xí)(deep learning)算法之一，其中雙向循環(huán)神經(jīng)網(wǎng)絡(luò)(Bidirectional RNN, Bi-RNN)和長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory networks，LSTM)是常見(jiàn)的循環(huán)神經(jīng)網(wǎng)絡(luò)。

  • 什么是自編碼器？對(duì)機(jī)器學(xué)習(xí)有什么影響？

    AutoEncoder的基本思想是利用神經(jīng)網(wǎng)絡(luò)來(lái)做無(wú)監(jiān)督學(xué)習(xí)，就是把樣本的輸入同時(shí)作為神經(jīng)網(wǎng)絡(luò)的輸入和輸出。本質(zhì)上是希望學(xué)習(xí)到輸入樣本的表示(encoding)。早期AutoEncoder的研究主要是數(shù)據(jù)過(guò)于稀疏、數(shù)據(jù)高維導(dǎo)致計(jì)算復(fù)雜度高。比較早用神經(jīng)網(wǎng)絡(luò)做AutoEncoder的可以追溯到80年代的BPNN和MLP以及當(dāng)時(shí)Hinton推崇的RBM。后來(lái)到了2000年以后還堅(jiān)持在做的只剩下Hinton的RBM了。從2000年以后，隨著神經(jīng)網(wǎng)絡(luò)的快速興起，AutoEncoder也得到快速發(fā)展，基本上有幾條線：稀疏AutoEncoder、噪音容忍AutoEncoder、卷積AutoEncoder、變分AutoEncoder。最新的進(jìn)展是結(jié)合對(duì)抗思想的對(duì)抗AutoEncoder。

  • 簡(jiǎn)述卷積神經(jīng)網(wǎng)絡(luò)發(fā)展進(jìn)程

    卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，最早可以追溯到1962年，Hubel和Wiesel對(duì)貓大腦中的視覺(jué)系統(tǒng)的研究。1980年，一個(gè)日本科學(xué)家福島邦彥(Kunihiko Fukushima)提出了一個(gè)包含卷積層、池化層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。在這個(gè)基礎(chǔ)上，Yann Lecun將BP算法應(yīng)用到這個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練上，就形成了當(dāng)代卷積神經(jīng)網(wǎng)絡(luò)的雛形。

  • 什么是深度學(xué)習(xí)

    深度學(xué)習(xí)是近10年機(jī)器學(xué)習(xí)領(lǐng)域發(fā)展最快的一個(gè)分支，由于其重要性，三位教授(Geoffrey Hinton、Yann Lecun、Yoshua Bengio)因此同獲圖靈獎(jiǎng)。深度學(xué)習(xí)模型的發(fā)展可以追溯到1958年的感知機(jī)(Perceptron)。1943年神經(jīng)網(wǎng)絡(luò)就已經(jīng)出現(xiàn)雛形(源自NeuroScience)，1958年研究認(rèn)知的心理學(xué)家Frank發(fā)明了感知機(jī)，當(dāng)時(shí)掀起一股熱潮。后來(lái)Marvin Minsky(人工智能大師)和Seymour Papert發(fā)現(xiàn)感知機(jī)的缺陷：不能處理異或回路等非線性問(wèn)題，以及當(dāng)時(shí)存在計(jì)算能力不足以處理大型神經(jīng)網(wǎng)絡(luò)的問(wèn)題。于是整個(gè)神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入停滯期。

  • 可解釋性的標(biāo)準(zhǔn)是什么？

    有一些特定的標(biāo)準(zhǔn)可用于分類模型解釋方法。Christoph Molnar在2018年“可解釋的機(jī)器學(xué)習(xí)，制作黑箱模型可解釋指南”中提到了一個(gè)很好的指南。

  • 為什么需要可解釋性機(jī)器學(xué)習(xí)？

    在工業(yè)界中，數(shù)據(jù)科學(xué)或機(jī)器學(xué)習(xí)的主要焦點(diǎn)是更偏“應(yīng)用”地解決復(fù)雜的現(xiàn)實(shí)世界至關(guān)重要的問(wèn)題，而不是理論上有效地應(yīng)用這些模型于正確的數(shù)據(jù)。機(jī)器學(xué)習(xí)模型本身由算法組成，該算法試圖從數(shù)據(jù)中學(xué)習(xí)潛在模式和關(guān)系，而無(wú)需硬編碼固定規(guī)則。因此，解釋模型如何對(duì)業(yè)務(wù)起作用總是會(huì)帶來(lái)一系列挑戰(zhàn)。有一些領(lǐng)域的行業(yè)，特別是在保險(xiǎn)或銀行等金融領(lǐng)域，數(shù)據(jù)科學(xué)家通常最終不得不使用更傳統(tǒng)的機(jī)器學(xué)習(xí)模型(線性或基于樹(shù)的)。原因是模型可解釋性對(duì)于企業(yè)解釋模型所采取的每個(gè)決策非常重要。

  • 什么是可解釋性機(jī)器學(xué)習(xí)

    可解釋性是指人類能夠理解決策原因的程度。機(jī)器學(xué)習(xí)模型的可解釋性越高，人們就越容易理解為什么做出某些決定或預(yù)測(cè)。模型可解釋性指對(duì)模型內(nèi)部機(jī)制的理解以及對(duì)模型結(jié)果的理解。其重要性體現(xiàn)在：建模階段，輔助開(kāi)發(fā)人員理解模型，進(jìn)行模型的對(duì)比選擇，必要時(shí)優(yōu)化調(diào)整模型;在投入運(yùn)行階段，向業(yè)務(wù)方解釋模型的內(nèi)部機(jī)制，對(duì)模型結(jié)果進(jìn)行解釋。比如基金推薦模型，需要解釋：為何為這個(gè)用戶推薦某支基金。

首頁(yè)  上一頁(yè)  1 2 3 4 5 6 7 8 9 10 下一頁(yè) 尾頁(yè)
發(fā)布文章