关键点1.强化学习的发展历程2.马尔可夫决策过程3.动态规划4.无模型预测学习5.无模型控制学习6.价值函数逼近7.策略梯度方法8.深度强化学习DQN算法系列9.深度策略梯度DDPG,PPO等第一天9:0012:0014:0017:00一、强化学习概述1.强化学习介绍2.强化学习与其它机器学习的不同3.强化学习发展历史4.强化学习典

本文作者：李杰TF计算图从逻辑层来讲，由op与tensor构成。op是项点代表计算单元，tensor是边代表op之间流动的数据内容，两者配合以数据流图的形式来表达计算图。那么op对应的物理层实现是什么？TF中有哪些op，以及各自的适用场景是

importorg.apache.spark.SparkConf;importorg.apache.spark.api.java.JavaPairRDD;importorg.apache.spark.api.java.JavaSparkContext;importorg.apache.spark.api.java.function.VoidF

概述Pytorch多GPU训练本质上是数据并行，每个GPU上拥有整个模型的参数，将一个batch的数据均分成N份，每个GPU处理一份数据，然后将每个GPU上的梯度进行整合得到整个batch的梯度，用整合后的梯度更新所有GPU上的参数，完成一次迭代。其中多gpu训练的方案有两种，一种是利用nn.DataParallel实现，这种方法是最早引入

最近有一个需求是测试单独算子在CPU、Caffe使用的GPU、cuDNN上的性能，一个是使用caffe的time问题，还有一个是使用单独的test功能。time选项的使用，大家都比较熟悉，单独的test功能，需要专门设置一下。上次编译Caffe的博客中提到https://www.cnblogs.com/jourluohua/p/9191322.htm

  本篇博客将介绍SparkRDD的Map系算子的基本用法。  1、map    map将RDD的元素一个个传入call方法，经过call方法的计算之后，逐个返回，生成新的RDD，计算之后，记录数不会缩减。示例代码，将每个数字加10之后再打印出来， 代码如下importjava.util.Arrays;im

1、图像锐化理论基础1、锐化的概念 　　图像锐化的目的是使模糊的图像变得清晰起来，主要用于增强图像的灰度跳变部分，这一点与图像平滑对灰度跳变的抑制正好相反。而且从算子可以看出来，平滑是基于对图像领域的加权求和或者说积分运算的，而锐化则是通过其逆运算导数（梯度）或者说有限差分来实现的。2、图像的一阶微分和二阶

!(https://static.oschina.net/uploads/space/2020/0702/190947_Fixv_4501957.jpg)GBDT(GradientBoostingDecisionTree，梯度提升决策树)是工业界广泛应用的机器学习算法，而XGBoost则是著名华人学者陈天奇发起并被工业界广泛应用的开源GBDT工

process算子：处理每个keyBy（分区）输入到窗口的批量数据流（为KeyedStream类型数据流）示例环境java.version:1.8.xflink.version:1.11.1示例数据源（项目码云下载）Flink系例之搭建开发环境与数据(https://my.oschina.net/u/43

Halcon:机器视觉行业里知名的商业视觉库,非开源的,在国内市场份额处于第一,其提供了1500个多个API算子供开发人员使用,有些编程基础的都可以轻松的入门,其调试也是很方便的，断点单步运行，图像变化随时可以看到。Halcon算子可以被C,VB,C,Delphi等开发语言调用,同时算子也提供COM版,原则上,支持COM的所有语言都是可以调用H

图像梯度可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导OpenCV提供了三种不同的梯度滤波器，或者说高通滤波器：Sobel，Scharr和Lapacian。Sobel，Scharr其实就是求一阶或二阶导。Scharr是对Sobel的部分优化。Laplacian是求二阶导。python实现importcv2i

maxBy聚合：获取一组数据流算子中最大的记录行（和max的区别，max是返回计算字段的最大值）示例环境java.version:1.8.xflink.version:1.11.1 示例数据源（项目码云下载）Flink系例之搭建开发环境与数据(https://my.oschina.net/u/437309

TiDBSQL查询优化器重构更好的支持TopN查询支持Join算子根据代价自动选择更完善的ProjectionEliminationSchema版本检查区分Table，避免DDL干扰其他正在执行的事务支持BatchIndexJoin

此基础知识仅为个人学习记录，如有错误或遗漏之处，还请各位同行给个提示。概述TFLite主要含有如下内容：（1）TFLite提供一系列针对移动平台的核心算子，包括量化和浮点运算。另外，TFLite也支持在模型中使用自定义算子。（2）TFLite基于FlatBuffers定义了一种新的模型文件格式。FlatBuffers类似于protoco

资料获取地址见文末或评论！一、预备知识微积分（偏导数、梯度等等）概率论与数理统计（例如极大似然估计、中央极限定理、大数法则等等）最优化方法（比如梯度下降、牛顿拉普什方法、变分法（欧拉拉格朗日方程）、凸优化等等）二、路线1（基于普通最小二乘法的）简单线性回归线性回归中的新进展（岭回归和LASSO回归）(此处可以插入Bagging和AdaBoost的内容

深度学习与图神经网络学习分享：CNN经典网络之ResNetresnet又叫深度残差网络图像识别准确率很高，主要作者是国人哦深度网络的退化问题深度网络难以训练，梯度消失，梯度爆炸，老生常谈，不多说!深度网络的退化问题(htt

MindStudio精度对比简介原因:训练场景下，迁移原始网络(如TensorFlow、PyTorch)，用于NPU上执行训练，网络迁移可能会造成自有实现的算子运算结果与用原生标准算子运算结果存在偏差。推理场景下，ATC模型转换过

简介专家系统(MindstudioAdvisor)是用于聚焦模型和算子的性能调优Top问题，识别性能瓶颈，重点构建瓶颈分析、优化推荐模型，支撑开发效率提升的工具。专家系统当前已经支持针对推理、训练、算子场景的瓶颈分析模型，包括内部团队开发的模型&

ClickHouse索引采用唯一聚簇索引的方式，即Part内数据按照orderbykeys有序，在整个查询计划中，如果算子能够有效利用输入数据的有序性，对算子的执行性能将有巨大的提升。本文讨论ClickHouse基于索引的查询算子优化方式。在整个查询计划中