云上辦公的時(shí)代已經(jīng)到來了，本文講解了從選擇桌面云解決方案闯两、部署安裝钟病、到落地使用、運(yùn)維管理其中遇到的問題和解決辦法姑子，篇幅很長(zhǎng)乎婿，多圖慎入！＝钟印次酌！ 一、云桌面解決方案選擇 要求:1....
發(fā)簡(jiǎn)信
IP屬地：廣東
-
桌面云一（Hyper-V搭建云桌面虛擬機(jī)） -
-
如何寫操作系統(tǒng)_實(shí)驗(yàn)1. 實(shí)驗(yàn)概述 2. 實(shí)驗(yàn)內(nèi)容 3. Lab1：Bootloader/Interrupt/Debug 4. Lab2：物理內(nèi)存管理 5. Lab3：虛擬內(nèi)存管理 6. Lab...
-
如何寫操作系統(tǒng)_011. 操作系統(tǒng)原理與實(shí)現(xiàn) 2. uCore 實(shí)驗(yàn) 3. rCore 實(shí)驗(yàn) 4. 預(yù)備知識(shí) 5. 操作系統(tǒng)定義（管-控-改-支） 6. 操作系統(tǒng)內(nèi)核抽象與特征（并-共-虛-異）...
-
遷移學(xué)習(xí)-Question1. 講下BERT。 雙向二階段預(yù)訓(xùn)練模型-word-piece希俩。 Special Token：[CLS]吊宋、[SEP]。 BERT_Base（12 layers）颜武、BERT_...
-
歸一化與正則化-Question1. 介紹BN璃搜。 BN動(dòng)機(jī)：神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程的本質(zhì)是學(xué)習(xí)數(shù)據(jù)分布，如果訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)的分布不同將大大降低網(wǎng)絡(luò)的泛化性能鳞上，因此我們需要在訓(xùn)練開始前對(duì)所有輸入數(shù)據(jù)進(jìn)行歸一化處...
-
激活函數(shù)和損失函數(shù)-Question
1. 有哪些激活函數(shù)这吻，有什么用？ ReLU篙议、Sigmoid唾糯、Tanh。作用：非線性變換鬼贱。 2. ReLU移怯、Sigmoid、Tanh函數(shù)和導(dǎo)數(shù)这难。 ReLU： => 導(dǎo)數(shù) Sig...
-
統(tǒng)計(jì)機(jī)器學(xué)習(xí)(LR舟误、SVM)-Question1. 手寫LR的目標(biāo)函數(shù)？ 目標(biāo)函數(shù)（objective function）= 損失函數(shù)（loss function）= 代價(jià)函數(shù)（cost function） 2. 為什么...
-
Transformer(編解碼架構(gòu))-Question1. Transformer 模型架構(gòu)說一下姻乓？ 2. Transformer 結(jié)構(gòu)嵌溢， BERT有幾種Embedding編碼眯牧，分詞方法？ Transformer中Embeddi...
-
循環(huán)神經(jīng)網(wǎng)絡(luò)-Question
1. 如何進(jìn)行句子編碼赖草，提取句子的特征向量炸站，有哪幾種方式（CNN、LSTM疚顷、Attention）旱易，各種方式的優(yōu)缺點(diǎn)。 CNN腿堤、LSTM阀坏、Transformer是目前流行的三大...
-
詞向量-Question1. 了解過哪些embedding技術(shù)？ one-hot vector SVD Based MethodsWord-Document MatrixWindow based C...
-
卷積神經(jīng)網(wǎng)絡(luò)-Question1. 為什么說神經(jīng)網(wǎng)絡(luò)可以逼近任意函數(shù)笆檀？ 萬能逼近定理的核心主張是忌堂，在有足夠多的隱藏神經(jīng)元的情況下，存在著一組可以近似任何函數(shù)的連接權(quán)值酗洒。 神經(jīng)網(wǎng)絡(luò)之所以能夠逼近任意函數(shù)士修，關(guān)...
-
如何使用Kaggle?Tensor Processing Units (TPUs) 現(xiàn)在可以在Kaggle上免費(fèi)使用TPU。 TPU是專門用于深度學(xué)習(xí)任務(wù)的硬件加速器樱衷。Tensorflow 2.1...
-
Lecture 1: Introduction and Word VectorsLecture Plan Lecture 1: Introduction and Word Vectors The course (10 mins) Human langua...
-
CAIL 2020-司法人工智能挑戰(zhàn)賽(論辯挖掘)任務(wù)四：論辯挖掘 1. 任務(wù)介紹 在法院的庭審過程中棋嘲，裁判文書起著記錄辯、訴雙方觀點(diǎn)證據(jù)的重要作用矩桂。而訴方與辯方由于立場(chǎng)觀點(diǎn)的不同沸移，或是對(duì)于事實(shí)陳述上的不一致，這樣便形成了庭...
-
CAIL 2020-司法人工智能挑戰(zhàn)賽(司法考試)
任務(wù)三：司法考試 1. 任務(wù)介紹 司法考試作為我國最難的考試侄榴，也是法律工作者生涯中極其重要的考試雹锣，其難度以及淘汰率都是有目共睹的。因此癞蚕，本任務(wù)是針對(duì)司法考試的問答提出的任務(wù)蕊爵。...
-
CAIL 2020-司法人工智能挑戰(zhàn)賽(司法摘要)
任務(wù)二：司法摘要 1. 任務(wù)介紹 裁判文書是人民法院公開審判活動(dòng)、裁判理由桦山、裁判依據(jù)和裁判結(jié)果的重要載體攒射。司法摘要?jiǎng)t是對(duì)裁判文書的內(nèi)容進(jìn)行壓縮、歸納和總結(jié)度苔，反映案件審理過程中...
-
CAIL 2020-司法人工智能挑戰(zhàn)賽(閱讀理解)
任務(wù)一：閱讀理解 1. 任務(wù)介紹 CAIL2019上我們提出了中文司法閱讀理解任務(wù)匆篓，今年我們將提出升級(jí)版浑度，不僅文書種類由民事寇窑、刑事擴(kuò)展為民事、刑事箩张、行政甩骏，問題類型也由單步預(yù)測(cè)...
-
CAIL 2020-司法人工智能挑戰(zhàn)賽
比賽簡(jiǎn)介 法律智能研究旨在賦予機(jī)器理解法律文本的能力窗市。近些年來，隨著以裁判文書為代表的司法大數(shù)據(jù)不斷公開饮笛，以及自然語言處理技術(shù)的不斷突破咨察，如何將人工智能技術(shù)應(yīng)用在司法領(lǐng)域，來...
-
論文-Aspect Level Sentiment Classification with Attention-over-Attention Neural Networks1. 簡(jiǎn)稱 論文《Aspect Level Sentiment Classification with Attention-over-Attention Neural Net...
