33 天前 / 玲珑南书
原创：加多（某大型互联网公司资深 Java 开发工程师） 编辑：小君君（才云） 来源：技术原始积累 计算、网络、存储、安全一直是 Kubernetes 绕不开的话题。今天，我们就详细了解一下，Kubernetes 网络模型的那些事。 *注：万字长文，建议收藏后阅读！ Kubernetes 对 Pod 之间如何进行组网通信提出了要求，Kubernetes 对集群网络有以下要求： 所有的 Pod 之间可以在不使用 NAT 网络地址转换的情况下相互通信； 所有的 Node 之间可以在不使用 NAT 网络地址转换的情况下相互通信； 每个 Pod 看到的自己的 IP 和其他 Pod 看到的一致。 Kuber......
35 天前 / mr7
导语：本系列文章一共有三篇，分别是 《科普篇 |推荐系统之矩阵分解模型》 《原理篇 |推荐系统之矩阵分解模型》 《实践篇 |推荐系统之矩阵分解模型》 第一篇用一个具体的例子介绍了MF是如何做推荐的。第二篇讲的是MF的数学原理，包括MF模型的目标函数和求解公式的推导等。第三篇回归现实，讲述MF算法在图文推荐中的应用实践。下文是第三篇——《实践篇 |推荐系统之矩阵分解模型》，敬请阅读。 本文是MF系列文章中的最后一篇，主要讲的是MF算法在图文推荐中的应用实践。无论是在召回层还是精排层，MF都有发挥作用。在召回层......
36 天前 / 马蜂窝技术
点击上方“马蜂窝技术”，关注订阅更多优质内容 在用户个性化时代，垂直化、精细化的运营，被看作企业重要的竞争力。完整、清晰的用户画像体系，可以帮助企业从海量的用户信息中发掘每个用户的行为特性、潜在能力及兴趣等信息，从而为用户提供具有针对性的服务。 马蜂窝拥有海量的用户出行体验数据，在成长和发展的过程中一直在探索如何通过基于海量 UGC 的数据挖掘出每个用户的基本特征、对旅游主题、目的地的偏好和潜在兴趣，从而精准地定位和标记用户，将优质的内容、商品和服务与用户进行连接。 今天这篇文章，主要围绕马蜂窝用......
38 天前 / mr7
导语：本系列文章一共有三篇，分别是 《科普篇 |推荐系统之矩阵分解模型》 《原理篇 |推荐系统之矩阵分解模型》 《实践篇 |推荐系统之矩阵分解模型》 第一篇用一个具体的例子介绍了MF是如何做推荐的。第二篇讲的是MF的数学原理，包括MF模型的目标函数和求解公式的推导等。第三篇回归现实，讲述MF算法在图文推荐中的应用实践（将于后续发布）。下文是第二篇——《原理篇 | 推荐系统之矩阵分解模型》，敬请阅读。 上一篇我们用一个简单的例子讲述了矩阵分解(Matrix Factorization, MF)是如何做推荐的，但没有深入到算法......
46 天前 / 云水木石
题图 由Gerd Altmann在Pixabay上发布 在前面一篇文章《从人工智能鉴黄模型，尝试TensorRT优化》我谈到了TensorFlow模型的优化，这是针对服务器端的优化，实际上优化结果并不理想。这篇文章我将谈谈将TensorFlow模型部署到Android系统上需要注意的几点。 TensorFlow针对移动和IoT设备推出了TensorFlow Lite，根据TensorFlow Lite的官方文档，TensorFlow Lite应用的开发步骤如下： 第一步，我们选择的是open_nsfw鉴黄模型的tensorflow版本，不用多说。 接下来第二步将TensorFlow模型转化为TensorFlow Lite模型，借助于TensorFlow提供的编程接......
63 天前 / sjf0115
最近，社区提交了一个新的Proposal: 《Change threading-model in StreamTask to a mailbox-based approach》(来自Ververica的Stefan Richter, Piotr Nowojski)，用于改进当前StreamTask这一核心类的线程模型。这个Proposal可谓是千呼万唤始出来，从去年就开始讨论，之前一直迟迟没有太大的动静，最近终于给出了概要设计。接下来，我们就来简单地介绍一下这个Proposal。 动机改进的动机肯定来自于先前实现的不足或缺陷。StreamTask现有的线程模型存在着一些缺陷，它可能导致多个潜在的线程去并发访问其内部状态，比如事件处理以及检查点的触发线程......
78 天前 / 浪淘沙
背景对于现在的微服务架构的应用来说，对大量并发的及时响应是一项制胜能力。据用户行为分析平台统计，随行付的某一款APP产品每日请求就达到上千万次用户请求、加解密服务3000万次/日等等。这些微服务每时每刻在处理如此高强度的请求，对数据层的应对能力要求极高。如果我们把对速度的需求放在复杂的分布式数据架构背景下，是很难想象如何让应用应对如此巨大的数据访问量的。但很幸运，我们有方法做到。即立方体模型。 立方体模型可扩展的分布式系统架构设计有一个朴素的理念，就是：通过加机器就可以解决容量和可用性的问题。 对于一个迅速增长......
84 天前 / 琥珀川
写文章事件驱动模型 Handler 与 Flutter future琥珀川成为不了巨人，那就站在巨人的脑瓜顶上呀3 人赞同了该文章业界相关资讯4月11日华为在P30的发布会上，华为消费者终端业务CEO余承东公布了方舟编译器，并宣布开源，称可提升app性能。表示开发者将开发好的APK用该编译器编译一下，即可大大提升App性能。从图中可以看出原理和Android系统的Ahead of Time与Just in Time类似。有网友猜想apk通过编译器会编译成机器码。让我们拭目以待吧。 事件驱动以操作系统为例，我们每次的鼠标点击，键盘按下都会发出一个事件，然后加入操作系统的消息队列中，处......
111 天前 / 兜里有辣条
首发于Java后端火箭班写文章线程池运行模型源码全解析兜里有辣条资深Java后端开发工程师4 人赞同了该文章在上一篇文章《从0到1玩转线程池》中，我们了解了线程池的使用方法，以及向线程池中提交任务的完整流程和ThreadPoolExecutor.execute方法的源代码。在这篇文章中，我们将会从头阅读线程池ThreadPoolExecutor类的源代码，深入剖析线程池从提交任务到执行任务的完整流程，从而建立起完整的线程池运行模型。 查看JDK源码的方式在IDE中，例如IDEA里，我们可以点击我们样例代码里的ThreadPoolExecutor类跳转到JDK中ThreadPoolExecutor类的源代码。......
119 天前 / 刘奇1993
有些小伙伴在实际使用中发现xgboost可以自动处理缺失值，而有些模型不可以。我想先从两个角度解答这个困惑： 工具包自动处理数据缺失不代表具体的算法可以处理缺失项对于有缺失的数据：以决策树为原型的模型优于依赖距离度量的模型回答中也会介绍树模型，如随机森林(Random Forest)和xgboost如何处理缺失值。文章最后总结了在有缺失值时选择模型的小建议。 1. 机器学习工具库开发的“哲学”首先你有这个困惑是因为你直接调用了工具库，比如Python的sklearn和xgboost等，所以你认为算法A可以自动处理缺失值而B不可以。 但真实情况是…开发者在封......
122 天前 / spearhead_cai
2019 年第 28 篇，总 52 篇文章 本文大约 9700字，建议收藏阅读！ 机器学习入门系列（2）--如何构建一个完整的机器学习项目， 第十篇！ 该系列的前 9 篇文章： 机器学习入门系列(2)--如何构建一个完整的机器学习项目(一) 机器学习数据集的获取和测试集的构建方法 特征工程之数据预处理（上） 特征工程之数据预处理（下） 特征工程之特征缩放&特征编码 特征工程(完) 常用机器学习算法汇总比较(上） 常用机器学习算法汇总比较(中） 常用机器学习算法汇总比较(完） 这个系列的文章也是要开始进入尾声了，最后就主要是模型评估部分的内容......
122 天前 / algorithmdog
本文已投中心公众号。特征工程是机器学习成败的关键一步，其意义一点都不比模型低。宏观层面来说，模型水平决定了机器学习的上限，特征工程水平决定了能接近上限多少。而对于具体问题层面，特征工程水平决定了机器学习在这个问题上的上限，模型决定了能接近上限多少。 但是特征工程和模型并不是泾渭分明。比如，那些年间工业界风起云涌了那么多 Learning to Rank 的模型，最终都变成了特征。另外一方面，那些年间工业界那么多下里巴人的特征工程技巧，被模型吞噬，变成阳春白雪模型的一部分。今天我们只聊一聊特征工程到模型的转化。 ......