RustBelt - Rust 的形式化语义模型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 own0 码力 | 21 页 | 2.63 MB | 2 年前3
李欣宜 扩展Python的语法和语义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 ` matched for {}".format(a)) if_: print("case not matched") 我预期的语法(及语义) 扩展系统: 4. 可以自定义扩展并注册 5. 在这套系统下,有很多简单的自定义扩展可供练手 。 ## 科普:语义版本号(semantic versioning)系统 • 软件行业记录版本迭代普遍采用的是一套所谓的语义版本号系统,英文简称 semver。 - 通常他的格式是三个用点分隔开来的十进制数字:. . • 例如:1.2.0,0.6.8,18.11.0 • major 称为主版本号,出现功能重大变更,以至于和旧 API API 不兼容的时候会增加该号。 • minor 称为次版本号,功能有所变更或增加,但依然和旧的 API 兼容时会增加该号。 • patch 称为补丁版号,功能没有改变,只是修复了一些 bug 就重新发布时会增加该号。 - 也有的软件不拘一格(例如我们的 zeno),索性用发布的日期作为版本号的三个数字,例如 2022.11.2。不论采用哪种编号方案,都是几个用点分开的数字,并且数字越大越新,且 优先比较靠前面的数字。因此为了通用,CMake 支持最多四个点分开的版本号: . . . 。并且如果你写 0.6.8 他会自动帮你把多余的 tweak 默认为 0,也就是说 0.6.8 == 0.6.8.0,1.2 == 1.2.0 == 1.2.0.0。 • 比较版本号时,可以用 if ( $ {XXX\_VERSION} $ VERSION\_LESS 0 码力 | 56 页 | 6.87 MB | 2 年前3
3 Thautwarm 解放python的表达力 性能和安全性 语法和语义扩展 JIT 静态检查Thautwarm 目录 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 > 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 < 42)` matched for {}".format(a)) if_: print("case not matched") 我预期的语法(及语义) 扩展系统: 5. 在这套系统下,有很多简单的自定义扩展可供练手 : https://vagrantcloud.com/laravel/homestead 接下来,将该目录下手动添加到 Vagrant 盒子目录 0 重命名此次安装盒子版本号 8.1.0,再回到 Homestead 目录运行 vagrant up 命令。Vagrant 将会启动虚拟机并自动配置共享文件夹以及 Nginx 站点,初次启动需要花费一点时间进行初始化: ## 本文档由学院君提供 release 这些命令会从 Github 拉取最新的 Homestead 仓库代码到本地,包括最新的标签,然后检出最新的标签版本(比如 v9.1.0)。你可以在 Github 版本发布页面查看最新的稳定版本号。 如果你是通过 Composer 在指定 Laravel 项目中安装的 Homestead,需要确保 composer.json 中包含 了 "laravel/homestead":0 码力 | 1442 页 | 14.66 MB | 2 年前3
Spring Boot 1.2.0.RELEASE Reference Documentation 0 码力 | 218 页 | 1.14 MB | 2 年前3
Qcon北京2018-《深度学习在视频搜索领域的实践》-刘尚堃pdf2、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|0 码力 | 24 页 | 9.60 MB | 2 年前3
深度学习在百度搜索中的工程实践-百度-曹皓总结 ## 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+00 码力 | 40 页 | 29.46 MB | 2 年前3
共 514 条
- 1
- 2
- 3
- 4
- 5
- 6
- 52













