知识图谱图谱简述 业务参考公司： http://www.trs.com.cn/ https://www.plantdata.ai/portal/home 知识抽取 命名实体识别 实体消歧 关系抽取 实体统一 实体统一不仅可以减少实体的种类，也可以降低图谱的稀疏性（Sparsity）。 指代消解 知识图谱设计 通过熟悉业务流程，决定节点和关系 业务原则 一切要

环境介绍我们使用的仿真环境为OpenAI 的gym(https://github.com/openai/gym)。 选用gym平台的原因: 首先gym是OpenAI开发的通用强化学习算法测试平台,背后有大神 Pieter Abbeel、Sergey Levine 等人率领的强大团队的支持。 其次,学会了gym的基本应用,可以自己学习使用OpenAI的其他开源强化学习软件,如universe、ro

NLP之命名实体识别（NER）实体概念 百度百科：实体(entity)指客观存在、并可相互区别的事物。实体可以是具体的人、事、物，也可以是概念。 【栗子】 文本：我爱北京天安门 实体：北京 天安门 命名实体 命名实体就是以名称为标识的实体。 通俗来讲：我们听到一个名字，就能知道这个东西是哪一个具体的事物，那么这个事物就是命名实体。 从编程语言的角度讲：类的一个实例，就是一个命名实体。 【常见的

概述数据增强技术已经是图像领域的标配，通过对图像的翻转、旋转、镜像、高斯白噪声等技巧实现数据增强。对图像数据的增强不仅方法多种多样，而且像keras框在做数据预处理的时候已经集成了一些数据增强的方法可以直接调用。 相较于图像数据增强，文本数据增强，现在还是有很多问题的。往更严格的角度看，文本数据增强更像是同义句生成，但又不完全是，它是一个更大范围的概念。很多时候，需要文本数据增强，一个是常常遇到的

simple-tensorflow-serving TensorFlow Serving是一种灵活，高性能的机器学习模型服务系统，专为生产环境而设计。TensorFlow服务可以轻松部署新算法和实验，同时保持相同的服务器架构和API。TensorFlow Serving提供与TensorFlow模型的开箱即用集成，但可以轻松扩展以提供其他类型的模型和数据。 官方提供的serving只支持Ten

论文原文链接：Faster R-CNN 摘要​ 最先进的目标检测网络依靠区域提出算法来假设目标的位置。SPPnet和Fast R-CNN等研究已经减少了这些检测网络的运行时间，使得区域提出计算成为一个瓶颈。在这项工作中，我们引入了一个区域提出网络（RPN），该网络与检测网络共享全图像的卷积特征，从而使近乎零成本的区域提出成为可能。RPN是一个全卷积网络，可以同时在每个位置预测目标边界和目标

论文原文链接：Fast R-CNN RCNN通过卷积神经网络提取图像特征，第一次将目标检测引入了深度学习领域。 SPPNet通过空间金字塔池化，避免了对于同一幅图片多次提取特征的时间花费。 但是无论是RCNN还是SPPNet，其训练都是多阶段的。 首先通过ImageNet预训练网络模型， 然后通过检测数据集微调模型提取每个区域候选的特征， 之后通过SVM分类每个区域候选的种类， 最后通

论文原文链接：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 这篇paper，是在R-CNN的基础上提出了空间金字塔变换层(Spatial Pyramid Pooling)，SPPNet大幅度提高了R-CNN的训练速度和测试速度，同时算法的精度也上升了. 摘要沿着上一篇RCNN的思路，

论文原文链接：Rich feature hierarchies for accurate object detection and semantic segmentation ​ RCNN作为第一篇目标检测领域的深度学习文章，大幅提升了目标检测的识别精度，在PASCAL VOC2012数据集上将MAP从35.1%提升至53.7%。使得CNN在目标检测领域成为常态，也使得大家开始探索CNN

pytorch实现风格变换#!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2019/3/6 19:51 # @Author : Seven # @File : StyleTransformation.py # @Software: PyCharm # function : pytorch实现风格变换 from torch