机器k-means means
机器学习——编码器和解码器架构
正如我们在 9.5节中所讨论的， 机器翻译是序列转换模型的一个核心问题， 其输入和输出都是长度可变的序列。 为了处理这种类型的输入和输出， 我们可以设计一个包含两个主要组件的架构： 第一个组件是一个编码器（encoder）： 它接受一个长度可变的序列作为输入， 并将其转换为具有固定形状的编码状态。 ......
机器学习——机器翻译与数据集
语言模型是自然语言处理的关键， 而机器翻译是语言模型最成功的基准测试。 因为机器翻译正是将输入序列转换成输出序列的 序列转换模型（sequence transduction）的核心问题。 序列转换模型在各类现代人工智能应用中发挥着至关重要的作用。机器翻译（machine translation）指的 ......
机器学习——深度循环神经网络
到目前为止，我们只讨论了具有一个单向隐藏层的循环神经网络。 其中，隐变量和观测值与具体的函数形式的交互方式是相当随意的。 只要交互类型建模具有足够的灵活性，这就不是一个大问题。 然而，对一个单层来说，这可能具有相当的挑战性。 之前在线性模型中，我们通过添加更多的层来解决这个问题。 而在循环神经网络中 ......
机器学习——长短期记忆网络（LSTM）
长期以来，隐变量模型存在着长期信息保存和短期输入缺失的问题。 解决这一问题的最早方法之一是长短期存储器（long short-term memory，LSTM）(Hochreiter and Schmidhuber, 1997)。 它有许多与门控循环单元（ 9.1节）一样的属性。 有趣的是，长短期记 ......
机器学习——门控循环单元(GRU)
在 8.7节中， 我们讨论了如何在循环神经网络中计算梯度， 以及矩阵连续乘积可以导致梯度消失或梯度爆炸的问题。 下面我们简单思考一下这种梯度异常在实践中的意义： 我们可能会遇到这样的情况：早期观测值对预测所有未来观测值具有非常重要的意义。 考虑一个极端情况，其中第一个观测值包含一个校验和， 目标是在 ......
x86机器上运行arm64 docker
Docker Hub 上可以找到各种非 x86_64 平台的镜像，但是在x86上直接运行会报错： panic: standard_init_linux.go:175: exec user process caused “exec format error” [recovered] 在 x86_64 ......
Go实现Zabbix企业微信机器人告警
企业微信 应用通知的程序相对复杂点，见上篇文章 机器人告警相对简单点，只需一个url即可 企业微信里创建一个机器人 注意机器人的url，后续程序中需要使用 直接上程序sjgzbx_machine.go package main import ( "bytes" "encoding/json" "fm ......
机器学习——通过时间反响传播
我们在 4.7节中描述了多层感知机中的 前向与反向传播及相关的计算图。 循环神经网络中的前向传播相对简单。 通过时间反向传播（backpropagation through time，BPTT） (Werbos, 1990)实际上是循环神经网络中反向传播技术的一个特定应用。 它要求我们将循环神经网络 ......
机器学习——循环神经网络的实现
独热编码 回想一下，在train_iter中，每个词元都表示为一个数字索引， 将这些索引直接输入神经网络可能会使学习变得困难。 我们通常将每个词元表示为更具表现力的特征向量。 最简单的表示称为独热编码（one-hot encoding）， 它在 3.4.1节中介绍过。 简言之，将每个索引映射为相互不 ......
机器学习——循环神经网络
隐状态 无隐状态的神经网络 有隐状态的循环神经网络 循环神经网络（recurrent neural networks，RNNs） 是具有隐状态的神经网络。 基于循环神经网络的字符级语言模型 回想一下 8.3节中的语言模型， 我们的目标是根据过去的和当前的词元预测下一个词元， 因此我们将原始序列移位一 ......
R语言机器学习方法分析二手车价格影响因素
原文链接:https://tecdat.cn/?p=34238 原文出处：拓端数据部落公众号 分析师：Siming Yan 比较多种机器学习方法优劣性，分析二手车价格影响因素，训练模型预测二手车价格。 任务 / 目标 根据印度二手车交易市场1996-2019年数据，进行清洗，建模，预测。 数据源准备 ......
使用ResponseSelector实现校园招聘FAQ机器人
本文主要介绍使用ResponseSelector实现校园招聘FAQ机器人，回答面试流程和面试结果查询的FAQ问题。FAQ机器人功能分为业务无关的功能和业务相关的功能2类。 一.data/nlu.yml文件 与普通意图相比，ResponseSelector训练数据中的意图采用group/intent格 ......
安装本地化docker registry，使其他机器能够发布容器
sudo docker pull registry:latest docker run -d -p 5000:5000 --name registry registry:latest http://localhost:5000/v2/_catalog, 检查运行成功 此时在子机3号上访问： http ......
Nature Plants | 从卫星监测的全大陆田间试验数据中获得主要作物性状的可解释机器学习模型
目录背景信息论文背景:过去方案:论文的Motivation:实验方法主要结果代码获取 澳大利亚国立大学生物研究院研究团队使用机器学习模型分析了大规模农田试验数据和卫星数据，成功预测了重要农作物特征，并揭示了作物行为的驱动因素和复杂相互作用。 背景信息 论文背景: 预计到2050年，全球人口将增加20 ......
机器学习——语言模型和数据集
语言模型 马尔可夫模型和n元语法 自然语言统计 读取长序列数据 由于序列数据本质上是连续的，因此我们在处理数据时需要解决这个问题。 在 8.1节中我们以一种相当特别的方式做到了这一点： 当序列变得太长而不能被模型一次性全部处理时， 我们可能希望拆分这样的序列方便模型读取。 在介绍该模型之前，我们看一 ......
机器学习——文本预处理
对于序列数据处理问题，我们在 8.1节中 评估了所需的统计工具和预测时面临的挑战。 这样的数据存在许多种形式，文本是最常见例子之一。 例如，一篇文章可以被简单地看作一串单词序列，甚至是一串字符序列。 本节中，我们将解析文本的常见预处理步骤。 这些步骤通常包括： 将文本作为字符串加载到内存中。 将字符 ......
机器学习——序列模型
在本质上，音乐、语音、文本和视频都是连续的。 如果它们的序列被我们重排，那么就会失去原有的意义。 比如，一个文本标题“狗咬人”远没有“人咬狗”那么令人惊讶，尽管组成两句话的字完全相同。 处理序列数据需要统计工具和新的深度神经网络架构。 为了简单起见，我们以 图8.1.1所示的股票价格（富时100指数 ......
zabbix基于docker容器部署配置企业微信机器人告警实例
配置 zabbix server 1.先在企业微信内创建机器人 2. 查看webhook 地址 3. 找到脚本执行目录 grep -Ev '^$|#' /etc/zabbix/zabbix_server.conf | grep ^A 4. 进入默认的脚本存放路径 cd /usr/lib/zabbix ......
为zabbix_server_docker容器安装Python 3完善机器人告警脚本环境
1.安装Python 3 dnf install python3 2.要验证安装，请输入以下命令检查Python版本： python3 --version 3.建立软连接： ln -s /usr/bin/python3.6 /usr/bin/python 4.安装epel： dnf install ......
使用itchat实现一个微信机器人聊天回复功能
近看到好多群里都有一个@机器人的功能，挺有趣的，想自己也玩下，就通过百度一点点实现，在这总结一下整个从无到有的过程。 首先，要知道itchat，它是Python写的，所以想要实现这个机器人的功能，需要使用Python（就是Python，ε=(´ο｀*)))唉），我是一点Python都不会，但是没关系 ......
[机器学习复习笔记] PCA 主成分分析（特征值分解、SVD分解）
PCA 主成分分析 1. 特征值分解 1.1 特征值分解的前提 矩阵是 方阵 矩阵是 可对角化的，即通过相似变化转化为对角矩阵。（相似变换 不会改变矩阵的特征值和特征向量 ） 矩阵的特征向量 线性无关，保证了特征值分解的 唯一性。 1.2 特征值分解 给定一个矩阵 \(A \in \mathbb{R ......
process-exporter 监控linux机器进程使用情况
process-exporter 监控linux机器进程使用情况 背景 前期一直想进行 关于 IP地址的来源和目的地的监控 但是耗费了很多精力都没有搞定. 感觉应该去偷师一下安全监控软件的使用方式. 今天晚上再github上面漫无目的的进行 exporter的查找 依旧一无所获, 但是找到了 pro ......
韩国一男子被机器人压死
具体内容链接： https://app.myzaker.com/news/article.php?pk=654c8b348e9f09494a50c451 虽然说这不是首次机器人伤人事件，但这却是首次机器人致人死亡事件，这个或许成为一个人类历史上的里程牌似的事件。 人类历史上的首起机器人杀人事件！！！ ......
给无网机器制作离线yum源
安装环境准备： 系统版本：CentOS Linux release 7.6.1810 (Core) 以下是资源包下载地址： deltarpm-3.6-3.el7.x86_64.rpm python-deltarpm-3.6-3.el7.x86_64.rpm libxml2-2.9.1-6.el7_9 ......
《转-已验证》本地宿主机器显示Docker 容器中的图像（Docker容器可视化）
我们在Docker容器中运行程序，有的时候需要显示容器中的图像，或在容器中运行一些图形界面的软件、调用摄像头等，而Docker采用的是命令行的工作模式，那么docker容器中的输出图像等如何在宿主屏幕上显示呢，可以采用文件挂载或者网络通信的方式。 1、在本地宿主机器上安装X11界面工具，一般Linu ......
机器学习——稠密连接网络DenseNet
从ResNet到DesNet 稠密块体 DenseNet使用了ResNet改良版的“批量规范化、激活和卷积”架构（参见 7.6节中的练习）。 我们首先实现一下这个架构。 import torch from torch import nn from d2l import torch as d2l de ......
机器学习——残差网络
函数类 残差块 import torch from torch import nn from torch.nn import functional as F from d2l import torch as d2l class Residual(nn.Module): #@save def __in ......
机器学习——批量规范化
训练深层神经网络是十分困难的，特别是在较短的时间内使他们收敛更加棘手。 本节将介绍批量规范化（batch normalization） (Ioffe and Szegedy, 2015)，这是一种流行且有效的技术，可持续加速深层网络的收敛速度。 再结合在 7.6节中将介绍的残差块，批量规范化使得研究 ......
机器学习——含并行连结的网络GoogLeNet
Inception块 在GoogLeNet中，基本的卷积块被称为Inception块（Inception block）。具体结构如下图： 这四条路径都使用合适的填充来使输入与输出的高和宽一致，最后我们将每条线路的输出在通道维度上连结，并构成Inception块的输出。在Inception块中，通常调 ......