hadoop集群搭建教程：Hadoop集群搭建教程（一）Hadoop集群搭建教程（二）Spark集群官网下载：spark官网这里要注意spark兼容的hadoop版本接着解压：tar -zxvf spark-2.4.3-bin-hadoop2.7.tgz先在你的master节点进行spark的安装和配置，然后直接拷贝到其他节点就可以了。cd /usr/loca/spark/co...

在推荐系统中，向量的最邻近检索是极为关键的一步，特别是在召回流程中。一般常用的如Annoy、faiss都可以满足大部分的需求，今天再来介绍另外一个：MilvusMilvusMilvus不同于Annoy、faiss这类型的向量检索工具，它更是一款开源向量数据库，赋能 AI 应用和向量相似度搜索。涉及的术语Filed：类似表字段，可以是结构化数据，当然还可以是向量；Entity：一组Filed，类似表

核密度估计属于非参数估计，它主要解决的问题就是在对总体样本的分布未知的情况，如何估计样本的概率分布。像平时，我们经常也会用直方图来展示样本数据的分布情况，如下图：但是，直方图有着明显的缺点：非常不平滑，邻近的数据无法体现它们的差别；不同的bins画出的直方图差别非常大；无法计算概率密度值。核密度估计核密度估计就可以很好的解决直方图存在的问题，它的原理其实也很简单：当你需要估计一...

1. 这篇文章我们介绍了Agent这个热门的概念，以及它是如何依托LLM的function call来实现的2. 接着，再展示了借助LangChain的封装来简化这个开发过程，3. 并且还介绍了另外一种不依赖function call的Agent实现。

如标题所见，这篇博客的主题就是基于Seq2Seq模型的机器翻译，它的主要任务就是将一种语言翻译为另一种语言，在这里我们以英语翻译成法语为例子，如I'm a student.---->>>Je suis étudiant.这份数据是公开，可以直接下载的，下载地址为：翻译语料下载地址模型结构首先，我们先了解一下模型的结构：首先，第一部分是编码器Encoder，它接收source se

参考《Distilling the Knowledge in a Neural Network》Hinton等蒸馏的作用首先，什么是蒸馏，可以做什么？正常来说，越复杂的深度学习网络，例如大名鼎鼎的BERT，其拟合效果越好，但伴随着推理（预测）速度越慢。此时，模型蒸馏酒派上用场了，其目的就是为了在尽量减少模型精度的损失的前提下，大大的提升模型的推理速度。实现方法其实，模型蒸馏的思想很简单。第一步，训

TensorFlow Serving简单来说就是一个适合在生产环境中对tensorflow深度学习模型进行部署，然后可以非常方便地通过restful形式的接口进行访问。除此之外，它拥有许多有点：支持配置文件的定期轮询更新（periodically poll for updated），无需重新启动；优秀的模型版本控制；支持并发；支持批处理；基于docker，部署简单。（这些优点我们在下面会逐一提到）

TensorFlow Serving简单来说就是一个适合在生产环境中对tensorflow深度学习模型进行部署，然后可以非常方便地通过restful形式的接口进行访问。除此之外，它拥有许多有点：支持配置文件的定期轮询更新（periodically poll for updated），无需重新启动；优秀的模型版本控制；支持并发；支持批处理；基于docker，部署简单。（这些优点我们在下面会逐一提到）

参考《Distilling the Knowledge in a Neural Network》Hinton等蒸馏的作用首先，什么是蒸馏，可以做什么？正常来说，越复杂的深度学习网络，例如大名鼎鼎的BERT，其拟合效果越好，但伴随着推理（预测）速度越慢。此时，模型蒸馏酒派上用场了，其目的就是为了在尽量减少模型精度的损失的前提下，大大的提升模型的推理速度。实现方法其实，模型蒸馏的思想很简单。第一步，训

Wide&Deep，即同时加入低阶特征组合交互的线性模型-Wide、高阶特征交叉的深度模型（Deep），Wide部分模型提供模型的记忆能力，而Deep部分提供模型的泛化能力。这是Wide&Deep系列模型很重要的一个点。