[Image](/uploads/documents/f/2/6/0/f2600933857ea958305e9df071813660/p17_2.jpg) 2018年8月16日 严清 好的，估计不少私有部署都有这个问题  liyang周李洋

## 演进式架构：数字化世界"进化论 肖然 ThoughtWorks $ ^{®} $ # SUPPORT CONSTANT CHANGE with the new book by NEAL FORD, DR. REBECCA PARSONS & PATRICK KUA Building Evolutionary Architectures SUPPORT CONSTANT 没有任何实践可以代替交流沟通 ### “The measure of intelligence is the ability to change.” - Albert Einstein ### 肖然 rxiao@thoughtworks.com 

4 锚框 …… 567 13.4.1 生成多个锚框 …… 567 13.4.2 交并比（IoU） …… 570 13.4.3 在训练数据中标注锚框 …… 571 13.4.4 使用非极大值抑制预测边界框 …… 576 13.5 多尺度目标检测 …… 581 13.5.1 多尺度锚框 …… 581 13.5.2 多尺度检测 …… 583 13.6 目标检测数据集 …… 我们为模型提供了一个数据集，其中每个样本都有真实的标签。用概率论术语来说，我们希望预测“估计给定输入特征的标签”的条件概率。虽然监督学习只是几大类机器学习问题之一，但是在工业中，大部分机器学习的成功应用都使用了监督学习。这是因为在一定程度上，许多重要的任务可以清晰地描述为，在给定一组特定的可用数据的情况下，估计未知事物的概率。比如： · 根据计算机断层扫描（Computed Tomography，CT）肿瘤图像，预测是否为癌症； 量，步行距离）可能类似于： $$ 600, 1, 1, 60 $$ 。如果一个人住在匹兹堡，这个特征向量可能更接近 $$ 3000, 4, 3, 10 $$ ……当人们在市场上寻找新房子时，可能需要估计一栋房子的公平市场价值。为什么这个任务可以归类为回归问题呢？本质上是输出决定的。销售价格（即标签）是一个数值。当标签取任意数值时，我们称之为回归问题，此时的目标是生成一个模型，使它的预测非常接近实际标签值。

在线 AI 服务及实验平台三大体系构成。在 AI 服务及实验平台中，模型训练平台 Poker 和在线预估框架 Augur 是搜索 AI 化的核心组件，解决了模型从离线训练到在线服务的一系列系统问题，极大地提升了整个搜索策略迭代效率、在线模型预估的性能以及排序稳定性，并助力商户、外卖、内容等核心搜索场景业务指标的飞速提升。 ![Image](/uploads/documents/4/2/c/4/42 ，从离线到在线所有繁复的手工操作，使搜索拥有一键训练、一键 Fork、一键上线的能力。与公司其他的训练平台不同，我们通过完善的在线预估框架倒推离线训练的需求，进而构建了与在线无缝结合的搜索实验平台，极大地提升了算法同学的工作效。 未来，我们也会向大家介绍产品级别的一站式搜索实验平台，敬请期待。 ### 6. 未来展望 在统一了搜索的在线预估框架后，我们会进一步对 Augur 的性能 & 任务上都获得了不错的效果。下图 1 简要回顾了预训练语言模型的发展历程。2013 年，Google 提出的 Word2vec $ ^{[4]} $ 通过神经网络预训练方式来生成词向量（Word Embedding），极大地推动了深度自然语言处理的发展。针对 Word2vec 生成的固定词向量无法解决多义词的问题，2018 年，Allen AI 团队提出基于双向 LSTM 网络的 ELMo $ ^{[5]} $ 。ELMo

朴素贝叶斯法是典型的生成学习方法。生成方法由训练数据学习联合概率分布 $ P(X,Y) $ ，然后求得后验概率分布 $ P(Y|X) $ 。 具体来说，利用训练数据学习 $ P(X|Y) $ 和 $ P(Y) $ 的估计，得到联合概率分布： $ P(X,Y)=P(X|Y)P(Y) $ ### 2. 朴素贝叶斯原理 01 贝叶斯方法 ## 02 朴素贝叶斯原理 03 朴素贝叶斯案例 04 朴素贝叶斯代码实现 考虑样本的产生模型，直接研究预测模型。即：直接估计 $ P(Y\|X) $|由训练数据学习联合概率分布 $ P(X,Y) $ ，然后求得后验概率分布 $ P(Y\|X) $ 。具体来说，利用训练数据学习 $ P(X\|Y) $ 和 $ P(Y) $ 的估计，得到联合概率分布： $ P(X,Y)=P(Y)P(X\|Y) $ ，再利用它进行分类。即：估计 $ P(X\|Y) $ 然后推导 $ P(Y\|X) Y) $ ，然后求得后验概率分布 $ P(Y|X) $ 。具体来说，利用训练数据学习 $ P(X|Y) $ 和 $ P(Y) $ 的估计，得到联合概率分布： $$ P(X,Y)=P(Y)P(X|Y) $$ 概率估计方法可以是极大似然估计或贝叶斯估计。 ### 2. 朴素贝叶斯原理 ## 2 ．朴素贝叶斯法的基本假设是条件独立性。 $$ \begin{array}{r l}{\m

然而，当前的生态中存在一个明显的断层：一方面是层出不穷的Agent框架和应用，令人眼花缭乱；另一方面，却是系统性知识的极度匮乏。大多数教程聚焦于某个特定框架的API调用，学习者往往“知其然，而不知其所以然”，在面对复杂需求时，依然感到力不从心。我们缺少一本能够穿透框架表象，从第一性原理出发，系统讲解智能体设计、构建与协作的实战指南。 鉴于此，我们发起了Hello-Agents项目，希望能为社区提供一本 2 接入大语言模型 当前，许多LLM服务提供商（包括OpenAI、Azure、以及众多开源模型服务框架如Ollama、vLLM等）都遵循了与OpenAI API相似的接口规范。这种标准化为开发者带来了极大的便利。智能体的自主决策能力来源于LLM。我们将实现一个通用的客户端OpenAICompatibleClient，它可以连接到任何兼容OpenAI接口规范的LLM服务。 from openai import 作为开发者工具的智能体 在这种模式下，智能体被深度集成到开发者的工作流中，作为一种强大的辅助工具。它增强而非取代开发者的角色，通过自动化处理繁琐、重复的任务，让开发者能更专注于创造性的核心工作。这种人机协同的方式，极大地提升了软件开发的效率与质量。 目前，市场上涌现了多款优秀的AI编程辅助工具，它们虽然均能提升开发效率，但在实现路径和功能侧重上各有千秋： GitHubCopilot：作为该领域最具影响力的产品之

早已于1998/05 于台湾出版。之所以迟迟没有授权给大 陆进行简体翻译，原因我曾于回复读者的时候说过很多遍。我在此再说一次。 1998 年中，本书之发行公司松岗（UNALIS）即希望我授权简体版，然因当时 我已在构思3/e，预判3/e 繁体版出版时，2/e 简体版恐怕还未能完成。老是让 大陆读者慢一步看到我的书，令我至感难过，所以便请松岗公司不要进行2/e 简 体版之授权，直接等3/e 出版后再动作。没想到一拖经年，我的3/e 的负担，亦令我深感不安。 1. 这个文档是从侯捷网站提供的繁体板简体化过来的。 2. 由于排版问题，有些繁体说法在换行时候没有被替换，所以遇到问题大家可以对照原文比较一下。 3. 附录、无责任书评那个文件没有转(估计看到那个地方的时候，你手里也该有一本纸板的了)。 2 因此，此书虽已出版两年，鉴于仍具阅读与技术上的价值，鉴于繁简转译制作 上的费时费工，鉴于我对同胞的感情，我决定开放此书内容，供各位免费阅读。 可贵。现今我仍然有时会去阅读专业 期刊或者杂志，但碍于毕竟不是信息教育训练出身，有时会抓不住重点，甚者不求甚解。这 是我觉得遗憾之处。但读你的作品让我在质量之间都获得了相当的进步，且读来相当轻松自 然。你的序言中提到欢迎读者的反应，这也是这封mail 的动机。我想好的作家需要我们的鼓 励，当然也希望能从你处获得更多的新知。谢谢。 大陆"BaiLu"

0 码力 | 1009 页 | 11.08 MB | 2 年前

3

提出设想、分析方案以及实现方案，重温当年科研工作者的发现之路，让读者身临其境式的感受算法设计思想，从而掌握分析问题、解决问题的能力。这种方式也是对读者的基础要求较少的，读者在学习本书的过程中会自然而然地了解算法的相关背景知识，体会到知识是为了解决问题而生的，避免陷入为了学习而学习的窘境。 尽管作者试图将读者的基础要求降到最低，但是人工智能不可避免地需要使用正式化的数学符号推导，其中涉及到少量的概 参考文献 # 第1章 人工智能绪论 # 我们需要的是一台可以从经验中学习的机器。 -阿兰·图灵 ### 1.1 人工智能 信息技术是人类历史上的第三次工业革命，计算机、互联网、智能家居等技术的普及极大地方便了人们的日常生活。通过编程的方式，人类可以将提前设计好的交互逻辑交给机器重复且快速地执行，从而将人类从简单枯燥的重复劳动工作中解脱出来。但是对于需要较高智能水平的任务，如人脸识别、聊天机器人、 2b1d8a235/p34_2.jpg) 图 2.3 单输入神经元线性模型 对于某个神经元来说，x 和 y 的映射关系 $ f_{w,b} $ 是未知但确定的。两点即可确定一条直线，为了估计 w 和 b 的值，通常只需从图 2.3 中的直线上随机采样 2 个数据点： $ \left(x^{(1)},y^{(1)}\right),\left(x^{(2)},y^{(2)}\right)