## 深度学习-人脸识别和风格迁移 黄海广 副教授 2023年04月 ## 本章目录 01 人脸识别概述 02 神经风格迁移 ### 1. 人脸识别概述 ## 01 人脸识别概述 02 神经风格迁移 ### 1. 人脸识别概述 ## 人脸验证（face verification） • 输入图片，以及某人的ID或者是名字 • 验证输入图片是否是这个人 ## 人脸识别（face recognition） [Image](/uploads/documents/9/9/b/a/99ba641816164f93be57d4bd66abe4f3/p18_2.jpg) ### 2. 神经风格迁移 01 人脸识别概述 ## 02 神经风格迁移 ### 2. 神经风格迁移  Generated image (G) ### 2. 神经风格迁移 Visualizing what a deep network is learning  224×224×3 ### 2. 神经风格迁移 ## 深度学习=表示学习+浅层学习

## 数据迁移 ## 存量 MySQL 迁移到 TiDB 服务 UDTS 产品支持 MySQL(5.5/5.6/5.7/8.0) 到 TiDB 的全量数据迁移，及增量数据同步。可协助用户在不停机的情况下轻松将业务从 MySQL 切换至 TiDB。 ## 自建 TiDB 迁移到 TiDB 服务 UDTS 产品支持 TiDB 全量数据迁移至 TiDB 服务。用户在源 TiDB 开启 Pump, MySQL 从库 UDTS 产品支持 TiDB 全量数据迁移至 MySQL 数据库。用户在 TiDB 服务上开启 Binlog 可将数据增量同步至下游 MySQL。UDTS 与 TiDB Binlog 服务一起可协助用户轻松建立 MySQL 从库。 ## 为 TiDB 服务建立 TiDB 从库 UDTS 产品支持 TiDB 全量数据迁移至 TiDB 数据库。用户在源 TiDB 服务上开启 Binlog

## 猿辅导公司的 ## Swift 迁移之路 唐巧 ## 公司简介 • K12 领域的独角兽公司。 - 拥有 2 亿用户，月活几千万。 - 互联网女皇报告中的在人工智能领域崛起的中国公司。 Stanford Question Answering Dataset (Ongoing) 1) Google + Carnegie Mellon (USA)  ## 大纲 • 猿辅导 App 的 Swift 迁移之路 • 猿辅导老师端 App 的 Swift 迁移之路 - 小猿搜题 App 的 Swift 迁移之路 |Date|Version| |---|---| |2014-09-09|Swift 1.0| |2014-10-22|Swift 1.1| |2016-09-13|Swift 3.0| |2017-09-19|Swift 4.0| |2018-03-29|Swift 4.1| |2018-07-05|Swift 4.2| ## 猿辅导的 Swift 迁移之路 ## 决策回顾 • 背景 • 时间：2016 年 6 月 commit e8529c341bbfe6ff22af79b787f16b438b10be02 Author: huangling

# Hadoop 迁移到阿里云 MaxCompute # 技术方案 (V2.8.5) 编写人：MaxCompute 产品团队 日期：2019.05 ## 目录 1 概要 ..... 6 2 阿里云大数据与开源生态对比 ..... 7 2.1 Hadoop 及开源生态与阿里云大数据生态对比 ..... 7 2.1.1 主流大数据体系架构 ..... 7 2.1.2 开源大数据组件架构 2.2 MaxCompute 产品特性 ..... 11 3 MaxCompute 迁移场景分析 ..... 15 3.1 迁移基于 Hadoop 的数据湖/数据仓库业务负载 ..... 15 3.2 不同的网络环境及部署形态迁移 ..... 17 4 Hadoop 到 MaxCompute 迁移工具介绍 ..... 17 4.1 MMA (MaxCompute Migration 18 4.2.1 迁移评估分析 ..... 18 4.2.2 数据迁移自动化 ..... 18 4.2.3 分析任务兼容性分析及转换 ..... 19 4.2.4 数据集成及工作流作业迁移.....19 5 迁移整体方案及流程.....19 5.1 阶段 1：调研评估&迁移方案.....20 5.2 阶段 2：试点/全面业务迁移.....20

[Image](/uploads/documents/7/8/a/d/78ade080643c0185ff8788518410c6f2/p1_1.jpg) ## 链滴 ## pytorch 入门笔记 -03- 神经网络 作者：zyk 原文链接：https://ld246.com/article/1639540087993 来源网站：链滴 许可协议：署名-相同方式共享4.0国际(CC BY-SA 4.0) [Image](/uploads/documents/7/8/a/d/78ade080643c0185ff8788518410c6f2/p2_1.jpg) ## 前言 本节主要内容是如何使用 torch.nn 包来构建神经网络。 上一讲已经讲过了 autograd，nn 包依赖 autograd 包来定义模型并求导。一个 nn.Module 包含各个层和一个 forward(input) 方法，该方法返回 output。 080643c0185ff8788518410c6f2/p2_2.jpg) 它是一个简单的前馈神经网络，它接受一个输入，然后一层接着一层地传递，最后输出计算的结果。神经网络的典型训练过程如下： 1. 定义包含一些可学习的参数(或者叫权重)神经网络模型； 2. 在数据集上迭代； 3. 通过神经网络处理输入； 4. 计算损失(输出结果和正确值的差值大小); 5. 将梯度反向传播回网络的参数；

## Service Mesh Meetup #4 上海站 ## 蚂蚁金服Service Mesh 渐进式迁移方案 2018.11.25 敖小剑 @ 蚂蚁金服 中间件 龙轼 @UC 基础研发部 ## 1 Service Mesh演进路线 2 实现平滑迁移的关键 3 DNS寻址方案的演进 4 DNS寻址方案的后续规划 总结 ## 蚂蚁金服主站落地：目标与现状 ![Ima 现实中有很多挑战 • 还有很多应用没有实现微服务化 • 还有很多应用没有运行在kubernetes之上 Istio目前还不够稳定，也无法原生支持我们的规模 现有系统中的众多应用不可能一夜之间全部迁移 最重要的：平滑迁移 • 微服务 + Service Mesh + Kubernetes 是目标 但是如何从现有体系向目标迈进，必须给出可行的实践指导 ✓ Roadmap 预计2019年初 ## 蚂蚁金服主站落地方案的实施原则 进）非常自然 • 容易落地 快速达成短期目标 ## ✓ 缺点是再往后走 • 由于没有k8s的底层支持，就不得不做大量工作 • 尤其istio的非k8s支持，工作量很大 而这些投入，在最终迁移到k8s时，又被废弃 ## 结论： • 不符合蚂蚁的远期规划（k8s是我们的既定目标） 会造成投资浪费（k8s铺开在即） 部署在K8s上 Service Mesh (Istio模式) !

全连接神经网络实战 PYTORCH 版 DEZEMING FAMILY DEZEMING Copyright $ \copyright $ 2021-10-02 Dezeming Family ## Copying prohibited All rights reserved. No part of this publication may be reproduced or transmitted 本书前言 5 1 准备章节 6 1.1 导入 pytorch 6 1.2 导入样本数据 7 2 构建神经网络 11 2.1 基本网络结构 11 2.2 使用 cuda 来训练网络 13 3 更完善的神经网络 15 3.1 模型的加载与保存 15 3.2 初始化网络权重-方法一 16 3.3 初始化网络权重-方法二和三 [https://dezeming.top/] 找到最新版。对书的内容建议和出现的错误欢迎在网站留言。 ### 0.1 本书前言 尽管各种关于神经网络 python 实战的资料已经很多了，但是这些资料也各有优点和缺点，有时候也很难让新手有比较好的选择。 当我们明白何为 “神经网络”，何为 “反向传播” 时，我们就已经具备了开始搭建和训练网络的能力。此时，最好的方法就是给我们一个由简及难的程序示例，我们能够

## PyTorch ## 卷积神经网络 主讲人：龙良曲 ## Convolution  image Convolutional layer ## Moving window feature map ![Image](/uplo

## 深度学习-卷积神经网络 黄海广 副教授 2023年03月 ## 本章目录 01 计算机视觉概述 02 卷积神经网络简介 03 卷积神经网络计算 04 卷积神经网络案例 ## 本章目录 01 计算机视觉概述 02 卷积神经网络概述 03 卷积神经网络计算 04 卷积神经网络案例 ## 计算机视觉 ·图像分类 ·目标检测 ·图像分割 ·目标跟踪 ·目标跟踪 • OCR文字识别 • 图像滤波与降噪 • 图像增强 • 风格迁移 • 三维重建 • 图像检索 • GAN  图像获取 提取二维图像、三维图组、图像序列或相关的物理数据，如声波、电磁波或核磁共振的深度、吸收度或反射度 01 计算机视觉概述 02 卷积神经网络概述 03 卷积神经网络计算 04 卷积神经网络案例 ## 深层神经网络和卷积神经网络  进行卷积计算，处理大量特征 ## 深层神经网络和卷积神经网络 ![Image](/uploa

## 深度学习-深层神经网络 黄海广 副教授 2023年03月 ## 神经网络的概念 $$ \begin{aligned}\left.\begin{array}{l}x_{1}\\x_{2}\\x_{3}\end{array}\right.\left.\begin{array}{l}\text{}\\\left.\begin{array}{l}x\\w\\b\end{array}\righ row L(a,y)\end{aligned}\Longrightarrow L(a,y) $$ ## 神经网络的概念  ## 神经网络的概念 我们不将输入层看作一个标准的层。  ### 2. 神经网络的向量化 $$ \begin{aligned}&\begin{aligned}\\ &x_{1}&x_{2}&x_{3}\\&z&=w^{T}x+b\\&a&=\sigma(z)\\ &\end{a