RUST CHINA CONF 2023 第三届中国 Rust 开发者大会 王俊吉 6.17-6.18 @Shanghai ## Outline ## RustBelt - Rust 的形式化语义模型 Background Rust Semantics • RustBelt Project • Type System • Rust Types Overview • The own

Kiselyov ## 目录 CONTENTS >> 提供语法和语义的语言不仅仅是工具，还是思维方式 >> 表达能力的极限，由内破除，还是从外破除？ Moshmosh：我的Python不可能这么甜美清新 >> 下班时在干什么？有没有空？可以来contribute吗？ ## 1 提供语法和语义的语言 不仅仅是工具，还是思维方式  * fares Bus {passengers} | passengers > 20 -> 2.0 Bus {passengers} -> 1.0 虽然模式匹配似乎还不甚流行，但它仅是编程语言走向未来必然经过的一个极其不起眼的、实现简单的基础设施。 在实际业务中处理数据。 ## 语言决定思维模型 在实际业务中处理数据。 if isinstance(vehicle 人们不得不成规模地重复工作，或是任由冗余在codebase里猖獗；抛弃更深远的抽象和语义，最终代码的编写成为了让人烦恼的苦力。 ## Python是有极限的！我不写Python了！ 我们不继续谈语言和思维的问题了，也不谈一些高级的特性是多么make sense却没有支持。 就说Python。Python是有极限的，只从语义语法上讲。和性能、GIL相关的问题我们放在一边。 1. 没有多行lambda

CONTENTS >> 语法和语义扩展 >> JIT >> 静态类型  ## 语法和语义扩展 演示一小部分: 模式匹配， Quick Lambda, Pipe运算 fares Bus {passengers} | passengers > 20 -> 2.0 Bus {passengers} -> 1.0 在实际业务中处理数据。 虽然模式匹配似乎还不甚流行，但它仅是编程语言走向未来必然经过的一个极其不起眼的、实现简单的基础设施。 ## 语言决定思维模型 在实际业务中处理数据。 if isinstance(vehicle, Car): > 20: ret = 2 else: ret = 1 else: raise SomeException ## 语言决定思维模型 语言中的语法和语义，决定了它真实的表达力。 大多数语言都不是“万金油”的，这是客观事实。 但它们不够“万金油”的问题来源，不一定是不能解决的。 ## 扩展语言，开阔思维 # moshmosh? # +quick-lambda

总结 ## 深度学习在搜索排序中要解决的问题 更好地建模语义相关性 ## 语义相关性建模 Query = 勺子煮过后 上面为啥有1层灰 Doc = 被开水烫过的勺子为什么勺子表面有一层污垢？_百度知道 ## 语义相关性建模 ## Query = A B C D E Doc = X A B Y C D Z ## 精准命中词的语义建模：BM25/CTR/CQR Okapi weighting -s)+s\frac{dl}{avdl}}\cdot qtf\cdot ln\frac{N+1}{df} $$ s is a constant (usually 0.20). ## 精准命中词的语义建模：BM25/CTR/CQR Okapi weighting based document score: [23] $$ \sum_{t\in Q,D}\left|ln\frac{N-df+0 dl}{avdl}}\cdot qtf\cdot ln\frac{N+1}{df} $$ s is a constant (usually 0.20). 命中词累积正向贡献 ## 精准命中词的语义建模：BM25/CTR/CQR Okapi weighting based document score: [23] $$ \sum_{t\in Q,D}\ln\frac{N-df+0.5}{df+0

正则表达式字符匹配攻略 1.1. 两种模糊匹配 1.1.1. 横向模糊匹配 1.1.2. 纵向模糊匹配 1.2. 字符组 1.2.1. 范围表示法 1.2.2. 排除字符组 1.2.3. 常见的简写形式 1.3. 量词 1.3.1. 简写形式 1.3.2. 贪婪匹配与惰性匹配 1.4. 多选分支 1.5. 案例分析 1.5.1. 匹配 16 进制颜色值 进制颜色值 1.5.2. 匹配时间 1.5.3. 匹配日期 1.5.4. window 操作系统文件路径 1.5.5. 匹配 id 1.6. 本章小结 2. 第二章 正则表达式位置匹配攻略 2.1. 什么是位置呢？ 2.2. 如何匹配位置呢？ 2.2.1. ^ 和 $ 2.2.2. \b 和 \B 2.2.3. (?=p) 和 (?!p) 2.3. 位置的特性 位置的特性 2.4. 相关案例 2.4.1. 不匹配任何东西的正则 2.4.2 数字的千位分隔符表示法 2.4.3. 验证密码问题 2.5. 本章小结 3. 第三章 正则表达式括号的作用 3.1. 分组和分支结构 3.1.1. 分组 3.1.2. 分支结构 3.2. 分组引用 3.2.1. 提取数据 3.2.2. 替换 ..... 29 3.3. 反向引用

正则表达式字符匹配攻略 1.1. 两种模糊匹配 1.1.1. 横向模糊匹配 1.1.2. 纵向模糊匹配 1.2. 字符组 1.2.1. 范围表示法 1.2.2. 排除字符组 1.2.3. 常见的简写形式 1.3. 量词 1.3.1. 简写形式 1.3.2. 贪婪匹配与惰性匹配 1.4. 多选分支 1.5. 案例分析 1.5.1. 匹配 16 进制颜色值 进制颜色值 1.5.2. 匹配时间 1.5.3. 匹配日期 1.5.4. window 操作系统文件路径 1.5.5. 匹配 id 1.6. 本章小结 2. 第二章 正则表达式位置匹配攻略 2.1. 什么是位置呢？ 2.2. 如何匹配位置呢？ 2.2.1. ^ 和 $ 2.2.2. \b 和 \B 2.2.3. (?=p) 和 (?!p) 2.3. 位置的特性 位置的特性 2.4. 相关案例 2.4.1. 不匹配任何东西的正则 2.4.2 数字的千位分隔符表示法 2.4.3. 验证密码问题 2.5. 本章小结 3. 第三章 正则表达式括号的作用 3.1. 分组和分支结构 3.1.1. 分组 3.1.2. 分支结构 3.2. 分组引用 3.2.1. 提取数据 3.2.2. 替换 ..... 29 3.3. 反向引用

Laravel 5.8 的基础上继续进行优化，包括引入语义化版本、兼容 Laravel Vapor、优化授权响应、支持任务中间件、新增懒集合、优化数据库子查询、将前端脚手架提取到独立的 Composer 包 laravel/ui、以及多个 bug 修复和可用性的提升。 ## 语义化版本 Laravel 框架包 Laravel/framework 现在遵循语义化版本标准。这使得框架得以和其他已经遵循该版本标准的 Laravel 中，传递关联数组参数到 route 辅助函数或者 URL::route 方法生成指定路由（包含可选参数）对应 URL 时偶尔会出现将这些参数作为 URI 值的现象，即使传递参数值在路由路径中没有匹配键。从 Laravel 6.0 开始，这些值会被追加到查询字符串中，如下所示： Route::get('/profile/{location？}', function ($location APP_ENV 变量决定，你可以通过 App 门面上的 environment() 方法来访问其值： 你也可以向 environment() 方法传递参数来判断当前环境是否匹配给定值，如果需要的话你甚至可以传递多个值。如果当前环境与给定值匹配，该方法返回 true: if (App::environment('local')) { // The environment is local

列表亦是泛型类型：List[<类型>] - 整型的列表类型为 List[Int] • 字符串的列表类型为 List[String] - 浮点数的列表类型为 List[Double] ## 模式匹配 我们可以通过模式匹配来分情况查看列表的内部结构 match <表达式> { <模式1> => <表达式> <模式2> => <表达式> Nil => None 4. Cons(head, tail) => Some(head) 5. } 6. } ## 模式匹配结果的化简 • 简化待匹配的表达式 • 从上到下依次匹配模式 • 匹配成功后，根据模式定义替换表达式中的标识符 • 简化表达式 1. fn head_opt(list: List[Int]) -> Option[Int] Cons(2, Nil))) ## 模式匹配结果的化简 1. head_opt(Cons(1, Cons(2, Nil))) (替换函数内的标识符) 1. match Cons(1, Cons(2, Nil)) { 2. Nil => None 3. Cons(head, tail) => Some(head) 4. } → Some(1)（匹配并根据模式定义替换表达式中的标识符）

2、深度学习在视频内容理解中的应用——召回 3、深度学习在语义搜索中的应用——语义表征 4、深度学习在排序中的应用——个性化表征 ## 视频搜索的挑战 1、非结构化/无组织——召回难度 2、短文本/信息不充分——语义难度 3、海量短视频——用户选择困难 优酷视频搜索深度学习应用领域： 1、基于视频内容理解的召回 2、语义模型/语义表征 3、个性化表征 ## 内容理解——基于视频内容的召回 ## 内容理解——总结 知识图谱 内容画像 业务闭环反馈 标签 人工运营辅助 分类 质量 文本 ASR/OCR 用户画像 图像 Embedding 全网数据 ## 语义模型 - 测试集：语义人工标注ground truth - 目前最高NDCG : 0.9x 固定数据尝试不同模型： - 双向LSTM+Attention 0.9x • BiGRU dropout 0.8x 9f2bb1c0f9c7ff9fb33f39a12c8a/p12_1.jpg) - 标注集：针对多次人工check标注QU（训练集测试集比例7：3）加入语义特征后：NDCG 提升1%绝对值。 - 特征重要度仅次于匹配度特征。 ## 语义模型——初始化方式fasttext |original\_id|new\_version|old\_version| |---|---|---| |黑科技|VR|Vive|

自动获得各类地物的类型，比如车辆，行人，楼房等 ## DEEPMAP 应用 语义图像分割 (Semantic Image Segmentation) 道路边线检测(Lane line Segmentation) 路牌、信号灯检测 (Sign Detection) 车辆检测(Car Detection) 3D点云车辆检测 ## DEEPMAP ## 语义图像分割 (Semantic Image Segmentation) 3D点云车辆检测 AVOD (Aggregate View Object Detection network)算法 直接使用点云数据和图像来训练模型 用处： 直接去除点云中车辆点 提高点云匹配的准确度 ## DEEPMAP ## 3 D点云车辆检测 难点1：高质量的训练集比较难以获取 时间久 价格高 难点2：精确率(Precision)不如2D图像深度学习结果准确 ## DEEPMAP