精华内容
下载资源
问答
  • Cloud Computing:云网端融合的简介、层次、典型代表、未来趋势之详细攻略
    千次阅读 多人点赞
    2022-03-04 22:42:59

    Cloud Computing:云网端融合的简介、层次、典型代表、未来趋势之详细攻略

    导读:云网端融合,站在行业的角度,就是IT企业和通信企业互相掐架、抢饭碗。

    目录

    云网端融合的简介、层次、未来趋势之详细攻略

    云网端融合的简介

    云网端融合发展的三个层次——基础设施层→开发层→应用层

    云网融合典型代表—5G网络

    云网融合未来趋势

    (1)、云吞网

    (2)、云网融合最终走向云网端端融合

    (3)、云网端的协作—新型技术体系→新体系架构

    (4)、云网端的融合将更高效地促进新型应用的诞生

    (5)、云网端融合的两个挑战


    云网端融合的简介、层次、典型代表、未来趋势之详细攻略

    云网端融合的简介

    概念扫盲:通信网,是一种使用交换设备、传输设备,将地理上分散用户终端设备互连起来实现通信和信息交换的系统。
    云是云服务提供商(亚马逊、谷歌、阿里、腾讯),网是电信运营商(移动、电信、联通)。

            云网融合”,云就是云计算,网就是通信网。云网融合,站在技术的角度,就是云计算中引入网络的技术,通信网中引入云计算的技术。使得云和网高度协同互为支撑互为借鉴的一种概念模式,同时要求承载网络可根据各类云服务需求。按需开放网络能力实现网络与云的敏捷打通、按需互联,并体现出智能化、自服务、高速。

    • 云计算:包括计算能力存储能力以及相关的软硬件。
    • 通信网:则包括接入网承载网核心网等电信网络的方方面面。

    云网端融合发展的三个层次——基础设施层→开发层→应用层

    • 首先,在基础设施层,云向下定义硬件,自研芯片、服务器、操作系统等底层技术,建设云为核心的硬件体系;
    • 其次,在开发层,核心软件基于云来重构,开源社区成为创新中心,并催生低代码等新的开发方式,让云更易用;
    • 最后,在应用层,未来随着5G网络发展,计算和数据加速向云上迁移,催生云电脑、元宇宙、自动驾驶等新物种。

    云网融合典型代表—5G网络

            5G网络(核心网)是目前网络云化最典型的代表,也是云网融合最彻底的案例。5G核心网已经全面云化。5G所有的服务,都构建在虚拟机容器上。虚拟机和容器,全部都是来自云计算的技术,而容器更是云原生技术之一。
            5G具有的高速率、大容量、低时延特点,从而让大型的自动化设备联网成为可能。如今,5G已然成为高度云网融合的重要推动力量。

    网看云

    云可以降成本+新业务

    一方面因为云化可以降低设备成本,另一方面,云可以带来新的业务,新的收入增长点。

    近年来,云计算的市场规模逐年增加。从大型企业到中小企业,都在上云,将自己的IT系统和业务平台迁往云端。云计算作为基础设施,投资回报速度更快,回报率更高。

    现在的政企用户,其实既需要云(云计算、云存储),也需要网(专线、VPN)。本来运营商依靠网的优势,搭配云一起卖,是挺好的一件事。结果,自己的云不给力,市场部门也不给力,一把好牌给打烂了。

    通信网,如果维持现状(烟囱式开发),就意味着巨大的成本投入,还会错过商机。在未来的激烈市场竞争中,这些是无法忍受的。

    云看网

    网拥有大量靠近用户的设备(数字资源)

    对于云服务提供商来说,网是一种工具,一种改进自身服务能力和质量的工具。云服务提供商的核心资产是DC(Data Center,数据中心),他们会想方设法提升数据中心内部的网络能力,数据中心与数据中心之间的网络能力,还有数据中心与用户之间的网络能力。

    云服务商虽然在技术上是强项,但有一个方面是短板,那就是资源。在边缘计算领域,这一点表现得非常明显。边缘计算其实就是云计算的一个分支。将一部分算力从云计算剥离,下沉到离用户更近的位置,就是边缘计算。谁离用户近?当然是网络。网络一直延伸到用户身边,是离用户最近的角色。

    运营商大量的基层站址空间资源,是云服务提供商梦寐以求的。云服务商想要进入这个领域,就必须依赖运营商,获得运营商的许可,或者与运营商合作,换取通信网资源。

    云网融合未来趋势

    (1)、云吞网

            名义上的最终目标是云中有网、网中有云。但实际上,最终的结果很可能是云把网给融合掉。这是大势所趋,不可逆转。

    (2)、云网融合最终走向云网端融合

            云网融合的最终目标要体现在用户体验。目前来看,走到最终目标是一个漫长的过程,可能需要10年以上,云网协同→云网端融合。

    (3)、云网端的协作—新型技术体系→新体系架构

            云计算发展经历了两个层次,第一层是基础设施云化,云计算取代了传统数据中心,算力与数据向端迁移。第二层是架构云原生化,运用云原生的先进架构,让应用走向容器化与无服务器化。在连接技术高速发展的背景下,云计算开始走向第三层,云、网、端的协作关系发生变化,走向云网端融合的新体系架构。

            新的体系架构下,云网端将专业分工。

    • 作为体系中的“”,负责计算与数据处理,具备更好的计算效率、体系化的数据处理以及高精、高效、高覆盖的人工智能平台能力。
    • 作为体系中的连接系统,光纤、5G、卫星互联网等技术通过云融合,形成低延时广覆盖的一张网,连接各种形态的云和端,让云网端形成更有机地整体
    • 作为体系中的交互界面,可大幅简化非必要的计算和数据资源,更专注在用户体验上,如轻薄、长效、沉浸式体验等,端的形态将更多元,覆盖各类场景下的交互需求。

            通过云网端协同,将在一种端上完成多样场景,在多种端上有一致的体验

    (4)、云网端的融合将更高效地促进新型应用的诞生

            在云端,应用将不受过去装置资源的限制,释放更多可能性,如高精度的工业仿真;在网侧,由网连接的分布式的算力将促进更多低延时的边缘计算应用,如实时的工业质检;在端侧,云网端进行协同与交互,催生如云电脑、云游戏等新型应用。
            在未来五年内,将有大量的应用场景在云网端融合的体系运行,伴随着更多依云而生的新型设备,带来更极 致、更丰富地用户体验。云网端融合将促进高精度工业仿真、实时工业质检、虚实融合空间等新型应用诞生。

    (5)、云网端融合的两个挑战

    • 一是网络技术的突破,由于在新的体系中网络扮演着关键角色,网络质量、成本与覆盖,都将成为体系发展的制约条件,新型网络技术(如5G与卫星互联网)需要不断以应用需求为导向,进行技术优化迭代并以多种手段开展覆盖建设。
    • 二是信息安全,数据在云上处理,对数据加密数据治理、安全计算、隐私计算等安全技术的要求更高。

    相关文章
    什么是云网融合? - 知乎第一、云网融合是什么?第二、云网融合有哪些业务?第三、在做云网融合业务的头部厂商有哪些?小白,不是…https://www.zhihu.com/question/370735122

    更多相关内容
  • 非典个人典型代表事迹.docx
  • 非典个人典型代表事迹.pdf
  • 非典个人典型代表事迹.doc
  • 2011面试典型代表试题2.pdf
  • 新基建典型代表企业研究报告.pdf
  • 新基建典型代表企业研究报告.pptx
  • 社交电商流量裂变模式及典型代表分析研究
  • 社交电商流量裂变模式及典型代表分析研究.pdf
  • 基于神经网络算法的广东省典型代表站点ET_0简化计算模型研究.pdf
  • 超声医疗领域:中国原创聚焦超声消融技术——微无创医学技术的典型代表.pdf
  • 深度残差网络(Deep Residual Network)是众多变种神经网络的一个代表,而且在某些领域确实效果不错,例如目标检测(Object Detection)。

    编者按:本书节选自图书《白话深度学习与TensorFlow》,本书本着“平民”起点,从“零”开始的初衷,介绍深度学习的技术与技巧,逐层铺垫,把微积分、梯度等知识重点化整为零,把学习曲线最大程度地拉平,让读者有良好的代入感和亲近感。

    随着人们对于神经网络技术的不断研究和尝试,每年都会诞生很多新的网络结构或模型。这些模型大都有着经典神经网络的特点,但是又会有所变化。你说它们是杂交也好,是变种也罢,总之对于神经网络创新的各种办法那真叫大开脑洞。而这些变化通常影响的都是使得这些网络在某些分支领域或者场景下的表现更为出色(虽然我们期望网络的泛化性能够在所有的领域都有好的表现吧)。深度残差网络(Deep Residual Network)就是众多变种中的一个代表,而且在某些领域确实效果不错,例如目标检测(Object Detection)。

    应用场景

    对于传统的深度学习网络应用来说,我们都有这样一种体会,那就是网络越深所能学到的东西就越多。当然收敛速度同时也就越慢,训练时间越长,然而深度到了一定程度之后就会发现有一些越往深学习率越低的情况。深度残差网络的设计就是为了克服这种由于网络深度加深而产生的学习率变低,准确率无法有效提升的问题,也称作网络的退化问题。甚至在一些场景下,网络层数的增加反而会降低正确率。

    关于深度残差网络的介绍资料不算多,至少比起传统的BP、CNN、RNN网络的介绍资料就少得多了,我这边参考的是何恺明先生在网上公开的一个介绍性资料“Deep Residual Networks——Deep Learning Gets Way Deeper”。

    图片描述

    说到对比传统的卷积神经网络在做分类器的时候,在加深网络层数的过程中是会观察到一些出出乎意料的现象的。例如在CIFAR-10项目上使用56层的3×3卷积核的网络其错误率无论是训练集上还是验证集上,都高于20层的卷积网络,这就尴尬了。通常为了让网络学到更多的东西,是可以通过加深网络的层数,让网络具备更高的VC维这样的手段来实现的。但眼前的事实就是这样,加到56层的时候其识别错误率是要比在20层的时候更加糟糕。

    这种现象的本质问题是由于出现了信息丢失而产生的过拟合问题。这些图片在经过多层卷积的采样后在较深的网络层上会出现一些奇怪的现象,就是明明是不同的图片类别,但是却产生了看上去比较近似的对网络的刺激效果。这种差距的减小也就使得最后的分类效果不会太理想,所以解决思路应该是尝试着使它们的引入这些刺激的差异性和解决泛化能力为主。所以才会考虑较大尺度地改变传统CNN网络的结构,而结果也没有让我们失望,新型的深度残差网络在图像处理方面表现出来的优秀特性确实令我们眼前一亮。

    图片描述

    图片描述

    图片描述

    到目前为止,在图像分类(Image Classification)、对象检测(Object Detection)、语义分割(Semantic Segmentation)等领域的应用中,深度残差网络都表现出了良好的效果。上面这几张图都是尝试用深度残差网络在一张图片中去识别具体的一个目标,每个目标的属性标注是基于微软的COCO数据集 的数据标识。物品(人)的框图上还标注了一个小数,这个数字就是概率(或者称确信度Precision),指模型识别这个物体种类的确信度。我们能看到,在这个图片中大部分物体的识别还是非常准确的。

    结构解释与数学推导

    深度网络有个巨大的问题,那就是随着深度的加深,很容易出现梯度弥散和梯度爆炸的问题。

    图片描述

    前面我们也提过这个问题,因为网络深度太大所以残差传播的过程在层与层之间求导的过程中会进行相乘叠加,一个小于1或一个大于1的数字在经过150层的指数叠加就会变得很大或者很小,我们自己手算一下也能算出来,0.8的150次方大约是2.9 x 10-15 ,1.2的150次方大约是7.5 x 1011,这两种情况都是极为严重的灾难,任何一种都会导致训练劳而无功。

    图片描述

    在传统的平网络(Plain Network)中,一层的网络的数据来源只能是前一层网络,就像上图这样,数据一层一层向下流。对于卷积神经网络来说,每一层在通过卷积核后都会产生一种类似有损压缩的效果,可想而知在有损压缩到一定程度以后,分不清楚原本清晰可辨的两张照片并不是什么意外的事情。这种行为叫有损压缩其实并不合适,实际在工程上我们称之为降采样(Downsampling)——就是在向量通过网络的过程中经过一些滤波器(filters)的处理,产生的效果就是让输入向量在通过降采样处理后具有更小的尺寸,在卷积网络中常见的就是卷积层和池化层,这两者都可以充当降采样的功能属性。主要目的是为了避免过拟合,以及有一定的减少运算量的副作用。在深度残差网络中,结构出现了比较明显的变化。

    图片描述

    在这种情况下,会引入这种类似“短路”式的设计,将前若干层的数据输出直接跳过多层而引入到后面数据层的输入部分,如图所示。这会产生什么效果呢?简单说就是前面层的较为“清晰”一些的向量数据会和后面被进一步“有损压缩”过的数据共同作为后面的数据输入。而对比之前没有加过这个“短路”设计的平网络来说,缺少这部分数据的参考,本身是一种信息缺失丢失的现象本质。本来一个由2层网络组成的映射关系我们可以称之为F(x)的这样一个期望函数来拟合,而现在我们期望用H(x)=F(x)+x来拟合,这本身就引入了更为丰富的参考信息或者说更为丰富的维度(特征值)。这样网络就可以学到更为丰富的内容。

    这张图比较了三种网络的深度和结构特点,VGG-19、34层的“平网络”——也就是普通34层的CNN网络,还有34层的深度残差网络。

    图片描述

    在深度残差网络的设计中通常都是一种“力求简洁”的设计方式,只是单纯加深网络,所有的卷积层几乎都采用3×3的卷积核,而且绝不在隐藏层中设计任何的全连接层,也不会在训练的过程中考虑使用任何的DropOut机制。以2015年的ILSVRC & COCO Copetitions为例,以分类为目的深度残差网络“ImageNet Classfication”居然能够达到152层之深,也算是破了纪录了。

    图片描述

    这种短路层引入后会有一种有趣的现象,就是会产生一个非常平滑的正向传递过程。我们看xl+1和其前面一层xl的关系是纯粹一个线性叠加的关系。如果进一步推导xl+2及其以后层的输出会发现展开后是这样一个表达式:

    图片描述

    也就是后面的任何一层xL向量的内容会有一部分由其前面的某一层xl线性贡献。

    图片描述

    好,现在看反向的残差传递,也是一个非常平滑的过程。这是刚才我们看到的某层输出xL的函数表达式

    图片描述

    那么残差我们定义为E(就是Loss),应该有

    图片描述

    后面的xlable表示的是在当前样本和标签给定情况下某一层xL所对应的理想向量值,这个残差就来表示它就可以了。下面又是老生常谈的求导过程了,这里就是用链式法则可以直接求出来的,很简单

    图片描述

    注意这个地方,用白话解释一下就是任意一层上的输出xL所产生的残差可以传递回其前面的任意一层的xl上,这个传递的过程是非常“快”或者说“直接”的,那么它在层数变多的时候也不会出现明显的效率问题。而且还有一个值得注意的地方,后面这项

    图片描述

    它可以使得

    图片描述

    是一个线性叠加的过程而非连乘,所以它自然也不太可能出现梯度消失现象。这些就是从数学推导层面来解释为什么深度残差网络的深度可以允许那么深,并且还没有出现令人恐惧的梯度消失问题和训练效率问题。

    补充说明一下,

    图片描述

    中的E和xL在这里泛指某两个不同层之间的关系,指代他们的残差和输出值。大家请注意,在一个多层的网络中,每一层我们都可以认为是一种分类器模型,只不过每一层分类器的具体分类含义人类很难找到确切的并且令人信服的物理解释。然而每一层的各种神经元在客观上确实充当着分类器的功能,它将前面一层输入的向量进行采样并映射为新的向量空间分布。所以从这个角度去解释的话,

    图片描述

    可以看成指代任何一个“断章取义”的网络片段也没问题,也就不强调这个损失函数一定是由最后一层传到前面某一层去的了。

    拓扑解释

    除了前面我们提到的这种基于网络各层函数表达式的解释以外,深度残差网络的学习能力强,有好的性能表现还有一种解释,我们把这种解释可视化一下。

    图片描述

    短路项相当于像上图这样把所有的一个一个网络短接了过去,而这些短接过去的部分其实形成了新的拓扑结构。

    图片描述

    例如刚刚的f1、f2、f3这三个网络通过短接之后其实就演变成了右边这样一个拓扑结构,我们可以清楚地看到,这相当于是多个不同的网络模型做了融合或并联。将前面的向量信息通过多个不同的分类器模型将结构反馈到后面去。而没变化之前只有最下面的一条串联结构,这两种模型的不同正是造成它们学习能力不同的关键。

    图片描述

    残差网络中的特殊点就在于刚刚的这个结构就是将这样一个一个的带有ShortCut部分的单元头尾相接连在一起。笔者在Keras这种框架中发现它提供出来两种不同的ShortCut单元以供使用,一种是带有卷积项的,一种是不带有卷积项的。

    图片描述

    这里提一句Keras,Keras也是一个非常好的深度学习框架,或者说“壳子”更合适。它提供了更为简洁的接口格式,能够让使用者再非常非常短的代码中实现很多模型描述信息。它的后端支持TensorFlow和Theano两种框架作为后台实现(Backend)。在TensorFlow中描述很复杂的过程,可以在Keras里封装地非常好,所以在实际工作中笔者也经常使用Keras“包裹”着TensorFlow去做工程,代码可读性会好很多。大家有兴趣可以去试一下,本书的后面的附录也提供了Keras的安装文档以供参考。

    Github示例

    关于深度残差网络的实现在Github上有很多人都上传过,这里我们也尝试过一些版本,例如:

    https://github.com/ry/tensorflow-resnet
    https://github.com/raghakot/keras-resnet/blob/master/resnet.py

    前者还可以从网上下载一个Pretrained Model,都是模型制作人自己使用一些数据集训练的一些模型状态。我们可以认为它算是具备一定识别能力的“半成品”。

    图片描述

    在自己应用的场景中,可以根据需要在将这些“半成品”初始化后继续用一些数据集训练,使其更能适配自己所指派的场景。这种方式在工程中也很多见,毕竟要得到人家这个“半成品”的水平也要自己花费极多的人力成本和时间成本。

    何恺明先生自己也公开了一种实现方式,地址在https://github.com/KaimingHe/deep-residual-networks,不过是在Caffe上实现的,有兴趣的读者朋友如果想要研究Caffe框架的可以做个参考。具体的代码我们就不展开细讲了。

    小结

    应该说,残差网络的发明是对网络连接结构的又一种有益的尝试,而且实际效果还确实不错。曾经有人问过我,如果深度残差网络中不是用一个ShortCut跳过两个卷积层,而是跳过1个或者3个或者其他数量会有什么结果。

    这个问题很难回答,但是问题本身并非没有意义。

    首先,跳过1个也好3个也罢,每一种不同的链接方式都是一种新的网络拓扑结构,有着不同的分类能力。由于神经网络本身的构造就非常复杂,经过这样的拓扑结构改变后直接讨论两种具备不同拓扑结构网络的学习能力也就比较困难。不过有一点可以确定,那就是网络发生类似“并联”的情况是会提高网络本身学习的容纳能力的。至于在哪个场景,有多大程度的能力提高,需要在实验中不断尝试和对比,从而总结归纳出一些新的理论成果。所以其实理论上确实不能排除跳过1个或者3个层来做短接在其它一些分类领域会有更好的效果,这需要具体的实验和论证过程。现在国际上每年出现的一些新的关于网络结构调整的论文也都是基于一些实验而归纳出来的理论,虽然大部分谈不上什么重大突破,不过科研这种东西总要有一个积量变为质变的过程。

    我倒是认为,大家在工作的过程中,一方面多关注国际上最新的一些论文和实验成果,一方面也可以在自己掌握的理论基础上大胆提出一些新的观点并进行论证尝试。这同样是一种值得鼓励的科研态度,也是得到经验的好方法。

    《白话深度学习与TensorFlow》订购链接:https://item.jd.com/12228460.html


    CSDN出品的「人工智能技术实战峰会」即将开播!

    来自阿里巴巴、微软、商汤科技、第四范式、微博、出门问问、菱歌科技的AI专家,将针对机器学习平台、系统架构、对话机器人、芯片、推荐系统、Keras、分布式系统、NLP等热点话题进行分享。先行者们正在关注哪些关键技术?如何从理论跨越到企业创新实践?你将从本次峰会找到答案。每个演讲时段均设有答疑交流环节,与会者和讲师可零距离互动。

    「7场技术专题,AI开发者必看!」

    图片描述

    图片描述

    展开全文
  • 疫情期间的代表典型感人事迹.docx
  • 医药代表典型病例征集活动管理程序.doc
  • 设计人员有时会发现运算放大器产品说明书规范令人费解,因为并非所有性能特性都有最小规范...有时,您必须使用规范表或者典型性能图表中的“典型值”。但是,这个“典型值”到底是什么意思呢?它的变化范围是多大呢?
  • 国企董事长、总经理在庆祝“五一”劳动节大会上劳模代表典型发言(2篇).pdf
  • 计算机网络发展历史

    千次阅读 2021-12-11 17:59:10
    计算机网络概述 “计算机网络”是指将不同地理位置,具有独立功能... 数据资源共享的典型例子就是数据库资源共享,各网络用户可以集中调用一台数据库服务器中的相关数据信息 网上下载的各种软件都是软件资源共享的

    计算机网络概述

    • “计算机网络”是指将不同地理位置,具有独立功能的多台计算机及网络设备通过通信线路(包括传输介质和网络设备)连接起来,在网络操作系统、网络管理软件及网络通信协议的共同管理和协调下实现资源共享和信息传递的计算机系统。
    • 计算机资源共享:包括硬件资源共享、软件资源共享、数据资源共享这三个方面。
    •  硬件资源共享的最典型例子就是我们最常用的打印机共享
      
    •  数据资源共享的典型例子就是数据库资源共享,各网络用户可以集中调用一台数据库服务器中的相关数据信息
      
    •  网上下载的各种软件都是软件资源共享的实例
      

    计算机网络的发展历史

    • 第一代计算机网络(面向终端的计算机网络)
    • 这里所说的“终端”是指由一台计算机外围设备组成的简单计算机,有点类似于现在所说的“瘦客户机”,仅包括CRT显示器、键盘,没有CPU和硬盘,所以没有数据存储和处理能力。之所以网络中更多的是计算机终端,因为那时的计算机非常昂贵,为了节省成本,所以在用户端通常是使用那些不带关键部件的计算机终端。
    • 第一代网络的缺点:
    •  1、计算机中心的负荷比较大
      
    •  2、容易发生单机故障
      

    在这里插入图片描述

    • 第二代计算机网络(分组交换式的计算机网络)
    • 在计算机网络中运行各种应用程序的计算机称为主机(不再使用功能简单的终端了),这些主机提供资源共享,组成“资源子网”;各计算机之间不是直接用线路相连,而是由接口报文处理机( Interface Message Processor,IMP)转接后互连。IMP专门负责通信处理,通信线路将各IMP相互连接起来,然后各主机再与IMP相连,各主机之间的通信需要通过IMP连接起来的网络来实现。IMP和它们之间互连的通信线路一起负责主机间的通信任务,构成“通信子网”。
    • 在第二代计算机网络中,采用了“存储-转发”数据通信方式,也就是各个IMP在接收到数据后先按接收顺序把数据存储在自己的缓存中,然后再按接收顺序依次进行下一级的数据转发,这样可以使网络上的流量更加平滑、有序。如果某台主机的一个用户要发送数据给网络中的另一台主机,它先是将数据交给与其相连接的IMP,接着该IMP通过适当的通信线路转给下一个IMP,然后继续转发这个数据,以此类推,直到到达目的IMP,最后由目的IMP转发给目的主机。
    • 第二代计算机网络的具有既分散(从地理位置上来讲)又统一(从服务功能上来讲)的特点
    • 第二代计算机网络的缺点:没有统一的网络体系架构和协议标准
      在这里插入图片描述
    • 第三代计算机网络(标准化的计算机网络)
    • OSI/RM体系
      在这里插入图片描述
    • 第四代计算机网络(国际化的计算机网络)
    展开全文
  • NoSQL主要分为:键值数据库、列族数据库、文档数据库、图数据库,其代表作及简介如下所示。

    键值数据库:Redis、Riak、SimpleDB、Chordless、Scalaris

    列族数据库:HBase、BigTable、PNUTS、HadoopDB、Cassandra

    文档数据库:MongoDB、CouchDB、Terrastore、CloudKit、RavenDB

    图数据库:Neo4J、GraphDB、OrientDB、InfoGrid、Infinite Graph


    下文是具体介绍

    =========================================================================

    NoSQL主要分为:键值数据库、列族数据库、文档数据库、图数据库,其代表作及简介如下所示。





    展开全文
  • 【综述】基于知识图谱的推荐系统综述

    千次阅读 多人点赞 2020-07-07 22:14:52
    这类方法的一些典型代表如:KTUP、MKR、RCF等。 2.2 基于 Path 的方法 基于 Path 的方法构建 user-item graph,并利用 KG 中实体的连通性模式进行推荐,基本思想是考虑到 user 和/或 item 之间连通相似性(实体语义...
  • 什么是私域、公域、商域流量

    千次阅读 2021-01-23 00:00:00
    拿私域流量的典型代表——微信好友来说,只要一个客户是我的微信好友,我就可以通过发消息、发朋友圈的手段,将我的信息自由、反复、稳定的传递给他(当然,被拉黑就不是私域流量了)。但是想要添加到很多精准的...
  • 对最具代表性的非典型分层路由协议进行了描述,讨论和定性比较。 尤其是针对其非凡的性能和应用场景,分析了不同的非典型分层路由协议的优缺点。 最后,我们提出了有关分层WSN设计的一些开放性问题。 该调查旨在为...
  • 第一章 计算机网络概述

    千次阅读 2021-06-20 15:39:23
    第一章 计算机网络概述 互联网成为网络空间的基础设施 行业互联网:物联网、金融互联网、能源互联网、工业互联网、互联网+ 应用支撑技术:云计算、智慧城市、三网融合、大数据、人工智能 计算系统 ...
  • 数学建模——典型相关分析及相关SPSS操作

    万次阅读 多人点赞 2019-10-31 08:44:26
    文章目录一、引述1.概念2.示例说明 一、引述 ...典型相关分析用于研究两组变量(每组变量中都可能有多个指标)之间相关关系的一种多元统计方法。它能够揭示出两组变量之间的内在联系。 2.示例说明 ...
  • 代表地区路面不平度总体状况的道路谱数据,在汽车设计研发中起着重要作用,但目前缺少获取典型道路谱的方法。为了解决这一问题,提出一种典型道路谱生成方法,该方法包含典型路段选取和测量、道路谱计算和滤波、典型...
  • 层次数据库系统的典型代表是IBM公司的IMS(Information Management System)数据库管理系统 网状数据模型     定义:用有向图表示实体和实体之间的联系的数据结构模型称为网状数据模型。     满足...
  • 针对挑选典型年时气象参数权重因子统一与否对典型年挑选结果和建筑能耗模拟准确性的影响问题,选同一建筑热工分区中寒冷地区的代表城市北京和拉萨,分别使用FS方法和主成分法进行了典型年的挑选,并对典型公共建筑...
  • 由于时空分布、气候、下垫面等水文特性的异同,流域梯级各水库典型年不完全同步,较难选取合理、统一且具有代表性的流域水文典型年。将均方根误差最小准则应用于流域典型年的选取,以乌江流域7级梯级水库为例选择流域丰...
  • 到了20世纪70年代,人工智能研究领域形成三驾马车:卡内基梅隆大学的纽厄尔和西蒙,斯坦福大学的麦肯锡,麻省理工学院的马文.明斯基。 他们分属两个人工智能研究流派,信息计算学派和神经网络学派。...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 353,252
精华内容 141,300
关键字:

典型代表