Публикации по теме 'machine-learning'
Оптимизация производительности вывода BERT на ЦП
Автор: Шуфань Ву , Дао Львов , Пэнсинь Юань , Патрик Чжао , Джейсон Е , Хайбинь Линь
Обновлено 12 сентября 2019 г.
Вступление
С публикацией в октябре 2018 года BERT (двунаправленные представления кодировщика от трансформаторов) [1] обновлены новейшие результаты по одиннадцати задачам обработки естественного языка, и его популярность растет в широком спектре приложений, таких как понимание языка, ответы на вопросы и др.
BERT наследует каркас преобразователя [2] и представляет..
Изучение потоковой передачи PySpark: преобразования и приложения для обработки данных в реальном времени
PySpark Streaming: преобразование потоковых данных для анализа в реальном времени
вступление
В PySpark DStreams (дискретизированные потоки) — это фундаментальная абстракция, предоставляемая Spark Streaming для обработки потоков данных в реальном времени. DStreams представляет собой последовательность RDD (устойчивых распределенных наборов данных), где каждый RDD содержит данные за определенный интервал времени.
В PySpark доступны различные преобразования для DStream, которые..
Архитектура веб-приложений
Центр технологий и информатики дневной школы Сэддл-Ривер
Автор статьи: Брэйдон Гросс, 25.07.2023
Передняя часть:
Интерфейс веб-приложения — это то, что вы можете видеть в своем браузере. Текст, графика и цвет всего на вашем экране являются частью внешнего интерфейса. Интерфейс моего веб-приложения был написан на языках HTML и CSS. Для моих целей HTML кодирует такие вещи, как буквы и слова на экране, а также функциональность определенных кнопок. Например, вот как можно..
Классификация видео с использованием глубоких нейронных сетей
Обучение компьютеров классификации видео
Содержание
Введение Мотивация Предпосылки Понимание и подготовка данных Извлечение видеокадров Создание набора данных для обучения и тестирования Модельная архитектура и обучение Оценка Заключение и дальнейшая работа использованная литература
1. Введение
Видео можно определить как серию изображений / кадров, извлеченных за период времени, что вводит новое измерение в кадры / изображения во временном направлении.
Чтобы..
Наука о данных: развертывание модели
В прошлой главе мы обсудили Оценку модели . В этой главе мы обсудим, как развернуть вашу модель машинного обучения в производственной среде, и что следует учитывать при этом. Ваш проект по науке о данных принесет какую-либо ценность/влияние на бизнес, только если вы развернули его в рабочей среде, пользователи используют его и оставляют отзывы.
Упаковка и распространение модели
После того, как все различные модели будут оценены и одна модель будет принята бизнес-/конечными..