计算机

计算机科学与技术

登录以发表

上级专业


细分专业


文章

852

评论

7457

今日更新

0

专业介绍

计算机科学的基本理论、工程技术和前沿话题。


文章

852

评论

7457

今日更新

0

专业介绍

计算机科学的基本理论、工程技术和前沿话题。

担心就业?做一个ML工程师吧 ——从一个软件工程师的角度,看机器学习 科创联 创新工程局 覃永良 今天,我们拥有全世界最大的码农群体,凡是通过编制计算机程序,就能按步骤解决的问题(可计算问题),已经不是太大的问题了。要做个动态网页?有框架,有模板,有开源代码,有无穷无尽的教程;要做个原生APP?要建个订单数据库?要写个HTML5聊天室?要统计公司10年的流水账?要在浏览器里显示3dsmax模型?我们每天都面对无数的IT需求,但其中99.9%都不过是把前人做过的事情,重做一遍罢了,或者叫“搬砖”。看来我们的码农质量并不高;正如这个美丽的国家的所有其他方面一样,我们从来都是以量取胜的。随着搬砖时代的到来,程序员不再像以前一样是创新的主力,只有越来越少的人会自己写点代码解决什么新问题,而大部分情况下都是在重复利用已有的代码。 年轻人,你为什么要搬砖?10年后,程序员这个职业将继续存在,但是正如中国的制造业一样,在低成本劳动力和肆意挥霍的资本消耗殆尽后、在大规模的泡沫和成灾的泛滥之后,等待着搬砖行业的,将是一蹶不振的萎靡,和可怕的恶性竞争。BAT裁员只是个开始,接下来我们将看到更加大量的劣质产能被逐步淘汰。想到黄埔师范的同学们还在看着朱军画质的视频在啃安卓和iOS,我感到了深深的忧伤,我们为什么培养了一堆搬得一手好砖但却毫无计科素养的学生? 然而,在搬砖业式微的

作者:张京,转载自segmentfault社区。 作为一个全栈互联网工程师,我们的目标决不仅仅满足于功能的实现,而且要包括性能、安全、易用性等等各方面的考量。那么是否有一些可以公开评测的标准,使我们能够准确地知道目前我们网站的质量水平在全行业中处于什么样的水平呢?随着技术水平的不断进步,网站评测方面的各种工具也在不断演进。 工具 工欲善其事,必先利其器。 想要知道自己网站的质量水平,凭想像和猜测是不行的,必须要有可以客观衡量的工具。 YSlow 最早做这方面尝试的是2012年诞生于Yahoo的YSlow,但是现在已经逐渐淡出历史舞台。它的名称实际上是英文Why Slow(为什么这么慢?)的缩写,从它的名字你应该能知道它是帮助站长解决网页加载速度的工具。YSlow是一款浏览器插件,可以支持包括Chrome,  Firefox ,  Safari <span style="color: inher

Win98那个年代,我才刚知道有电脑这种东西,真正开始用电脑的时候已经是XP的天下了,但是当时家里电脑比较渣,还是用了比较长时间的98系统 感觉那个开始菜单挺经典的,侧面的光栅和文字特别情怀 最近突发奇想,用VS2015写了一个开始菜单的右键菜单,来模拟Win98样式的菜单 理论上支持xp到win10的任何系统(不支持xp的64位),在xp,win7 64位和win10 64位中测试过 其实支持其他系统也简单,用spy++查看开始按钮的句柄,修改配置即可,另外把菜单绑定到其他按钮上也是可以的 软件下载:(附件:257709) 源码下载(VS2015, VC+SDK, 无MFC):(附件:257710) 编程屌的可以帮我检查下源码,看看有没有内存泄漏的毛病之类的 软件分32位和64位版本,请根据自己系统使用相应版本 软件需要VC2015运行库,32位版本安装x86运行库,64位安装x64位运行库 第一次使用时把menu.xml放到explorer.exe的目录里,一般是c:\windows,然后把hook.dll脱到loader.exe上,进行进程注入,之后就能打开菜单了,退出的方法,可以直接双击loader.exe,或者重启explorer 软件的编写姿势比较特殊,支持高DPI的屏幕设定,菜单项完全支持自定义 如果觉得win10/win8的

2006版,来自网络,包含以下几卷: 第一卷:基础架构 第二卷:指令集参考(A-M/N-Z) 第三卷:系统编程指南(Part1/2) 附卷:优化参考 注意2006版已经包括了32位和64位架构,只不过64位架构被称为IA-32e。 (附件:277824) 2001版,来自网络,包含以下几卷: 第一卷:基础架构 第二卷:指令集参考 第三卷:系统编程指南 注意2001版只更新到了奔腾4,也就是最高只有32位架构,并且扩展指令集只到SSE2.0。 (附件:277826) 1999版,来自网络,包含以下几卷: 第一卷:基础架构 第二卷:指令集参考 第三卷:系统编程指南 注意1999版只更新到了奔腾III,也就是最高只有32位架构,并且扩展指令集只到SSE1.0。 (附件:277829) 目前找到的中文翻译版,来自网络,均为第三卷部分章节翻译: (附件:277830) (附件:277831) 现在的版本可以在这里下载: https://software.intel.com/en-us/articles/intel-sdm

Bitcoin: A Peer-to-Peer Electronic Cash System 中本聪(Satoshi Nakamoto) 原文: www.bitcoin.org ,翻译: www.8btc.com [摘要]:本文提出了一种完全通过点对点技术实现的电子现金系统,它使得在线支付能够直接由一方发起并支付给另外一方,中间不需要通过任何的金融机构。虽然数字签名(Digital signatures)部分解决了这个问题,但是如果仍然需要第三方的支持才能防止双重支付(double-spending)的话,那么这种系统也就失去了存在的价值。我们(we)在此提出一种解决方案,使现金系统在点对点的环境下运行,并防止双重支付问题。该网络通过随机散列(hashing)对全部交易加上时间戳(timestamps),将它们合并入一个不断延伸的基于随机散列的工作量证明(proof-of-work)的链条作为交易记录,除非重新完成全部的工作量证明,形成的交易记录将不可更改。最长的链条不仅将作为被观察到的事件序列(sequence)的证明,而且被看做是来自CPU计算能力最大的池(pool)。只要大多数的CPU计算能力都没有打算合作起来对全网进行攻击,那么诚实的节点将会生成最长的、超过攻击者的链条。这个系统本身需要的基础设施非常少。信息尽最大努力在全网传播即

1导言 深度学习正在努力让神经网络变得越来越深 [13],因为更深的模型意味着更复杂的处理带来的更好的分类性能,诸如 [4] 等研究已经把神经网络成功地训练到了一百多层。但是我们却把目光放在让模型更宽上,因为我们认为神经网络在这一方向上还有很多的性能供我们挖掘,同时更宽的模型能够更好地并行化以利用计算能力提升带来的红利。 前人已经在这个方面做了许多的重要的工作,Ensemble-based classifiers[12] 描述的是将图像进行不同处理后并输入不同神经网络,最终输出各神经网络输出的平均的一种宽的图像分类神经网络结构,multi-column deep neural network[1] 中阐述的使用不同预处理方式处理输入数据的结构展现了卷积神经网络在这种宽结构上的优越性能。同时,本工作在一定程度上受到了 RCNN[2] 的启发,其使用神经网络对图像不同部位进行分类的方式是我们带步距卷积采样方式的雏形,而使用卷积神经网络作为卷积核的想法则来自于 network in network[11],它使用了多层神经网络替代来原本基于广义线性模型(GLM)的卷积核,带来了更优的分类性能。 我们提出的模型使用带步进的拥有大卷积核卷积层采样,使用小的卷积神经网络替代传统卷积层中的卷积核,使用全局平均池(Global Average-pooling) [11] 平均各卷积核的输

我从16年10月开始接触机器学习。以独立研究工作者的身份,实验从早做到晚。17年10月份又参加了个RL比赛(具体搜Learning to Run),忙得昏天黑地。 AI是一个发展飞快的领域。 (附件:279337) 做前沿研究,辛苦且不论,投入产出比低得吓人。 图像特征提取+识别,目前的主流方法是CNN,CNN像积木一样,可以以无穷多的方式组合成一个完整的神经网络,但是只有某些特定的组合方式,在经过训练后能达到较好的性能(比如较高的识别准确度等等)。 连续5年,学界每年都会用新的神经网络架构,刷新若干次图像识别准确率的记录。 (附件:279338) 图源《2017AI报告》(推荐阅读): http://cdn.aiindex.org/2017-report.pdf 正当大家都以为由He Kaiming提出的ResNet架构已经达到了前人难以企及的高准确率和高参数效率(同样性能下使用更少的自由参数)的时候,WideResNet Xception等架构又接二连三地跳出来。 不过进度虽然飞快,但是对于相关原理的解释(“为什么这样的网络能达到这样的效果”)非常少。正如12月NIPS会议上,与会者提出的那样:目前的神经网络研究给人以炼金术的感觉。 这就有点像医学研究,由于人体实在是太复杂,即便有了现代生物技术的辅助,对于疑难杂症往往还是用统计学方法总结出有效的方案,

分类 ( Classification) 以及 分类器 ( Classifier)是机器学习和传统统计学里边一个很重要的概念,可能是我们日常生活中接触到的最多的一种机器学习应用。垃圾邮件过滤,人脸识别,手写字符识别,都是利用了分类的知识。 在这些任务中,我们往往希望给定一个具体输入,通过分类器的处理,能自动将其划到我们预先定义的某个类别中去。比如垃圾邮件过滤,给定邮件内容作为输入,输出 “是垃圾”,“不是垃圾” 两种状态之一;人脸识别,给定照片的特定区域,输出“是我”,“是路人甲”,“是路人A”,等等等等。 但实现这种自动分类功能往往并不简单,举例说,上述提到的几种输入数据,在概率上都是非常随机和分散的,难以抽取出一个统一的分类标准。具体一点,垃圾邮件的内容可能会千奇百怪,关键字五花八门;人脸更不用说,同样是两个鼻子一张嘴,但世间相貌岂止千万种,我自己作为脸盲患者就深感人脸识别不是一件易事;而人的字体和书写习惯也是非常难提炼出一个统一的标准,同样一个字,不同人写出来会非常不同。 但好在我们人类作为万物之灵,处理起这种任务起来虽然偶尔会有困难,但大部分时候可谓是得心应手,原因估计不说大家也知道,因为我们有学习能力。垃圾邮件收得多了,只看一个开头便随手扔进垃圾箱;在人事部混上一年,公司上下几百号面孔一个个熟络得不行;学习了书法鉴赏,几百张字帖看下来,看狂草也一点不虚。

上级专业


细分专业



nkc production server  https://github.com/kccd/nkc.git

科创研究院 (c)2001-2018

蜀ICP备11004945号-2 川公网安备51010802000058号