Facebook messenger架构介绍-覃超 facebook## FB Messenger 架构介绍 - 覃超 ## Agenda Today 1 Self introduction 2 Facebook & Messenger status 3 Evolution of Messenger architecture 4 Whatsapp?? ## Self introduction 2015 – Now: FreeS Tech partner0 码力 | 51 页 | 4.39 MB | 2 年前3- Istio 依然是那个少年 宋净超第二期·北京站 ## Istio——依然是那个少年 ——Istio 的历史回顾及最近动向 宋净超 Tetrate 布道师 云原生社区创始人 ## 关于我   宋净超（Jimmy Song） 云原生社区创始人 企业级服务网格公司 Tetrate 布道师 CNCF Ambassador https://jimmysong.io  ## 看得更清，看得更懂 ## 目录 1. 夜景增强 2. 图像视频去模糊 3. 视频超分辨率 ### 1. 夜景图像增强 photos ## I mage Enhancement ## Taking photos is easy  Our result ### 2. 视频超分辨率 ## Motivation ## Old and Fundamental Several decades ago [Huang et al, 1984] → near recent Many Applications 快，团队能力又跟不上 团队成员技能水平不一， 难以一“敌”百人需求 寻求外部培训，奈何价更高且集中式学习 学习效果难以统计，产生不良循环 VS VS VS VS 从基础到进阶，超100+一线实战 技术专家带你系统化学习成长 解决从小白到资深技术人所遇到80%的问题 多样、灵活的学习方式，包括音频、图文和视频 获取员工学习报告，查看学习进度，形成闭环  ### 2. 优化算法 01 小批量梯度下降 ## 02 优化算法 03 超参数调整和BatchNorm 04 Softmax ## 伦敦温度的例子 $$ \theta_{1}=40^{\circ}\mathrm{F} $$ $$ \theta_{2}=49^{\circ}\mathrm{F} a=\frac{1}{1+decayrate*epoch-num}a_{0} $ (decay-rate称为衰减率，epoch-num为代数， $ \alpha_{0} $ 为初始学习率) ## Pytorch的优化器 # 超参数 LR = 0.01 opt_SGD = torch.optim.SGD(net_SGD.parameters(), lr=LR) opt_Momentum = torch.optim.SGD(net_Momentum0 码力 | 31 页 | 2.03 MB | 2 年前3
- 动手学深度学习 v2.0量化学习大量样本。 然而，并不是所有的数据都可以用“固定长度”的向量表示。以图像数据为例，如果它们全部来自标准显微镜设备，那么“固定长度”是可取的；但是如果图像数据来自互联网，它们很难具有相同的分辨率或形状。这时，将图像裁剪成标准尺寸是一种方法，但这种办法很局限，有丢失信息的风险。此外，文本数据更不符合“固定长度”的要求。比如，对于亚马逊等电子商务网站上的客户评论，有些文本数据很简短（比如“好极 的挑战。首先，问题的难度可能取决于图像的分辨率。 图2.6.1: 不同分辨率的图像 $ (10 \times 10, 20 \times 20, 40 \times 40, 80 \times 80 $ , 和 $ 160 \times 160 $ pixels) 如图2.6.1所示，虽然人类很容易以 $ 160\times160 $ 像素的分辨率识别猫和狗，但它在 $ 40\times40 40\times40 $ 像素上变得具有挑战性，而且在 $ 10\times10 $ 像素下几乎是不可能的。换句话说，我们在很远的距离（从而降低分辨率）区分猫和狗的能力可能会变为猜测。概率给了我们一种正式的途径来说明我们的确定性水平。如果我们完全肯定图像是一只猫，我们说标签y是“猫”的概率，表示为 $ P(y=\text{猫}) $ 等于1。如果我们没有证据表明y=“猫”或y=“狗”，那么我们可以说这两种可能性是相等的，即0 码力 | 797 页 | 29.45 MB | 2 年前3
共 456 条
- 1
- 2
- 3
- 4
- 5
- 6
- 46