目录DNN-HMMDNN-HMM语音识别CD-DNN-HMMCD-DNN-HMM组成CD-DNN-HMM 性能提升DNN训练加速DNN解码加速DNN由于GMMDNN-HMM深度神经网络-隐马尔科夫模型（DNN-HMM）利用DNN的特征学习能力和HMM的序列化建模能力进行语音识别任务的处理，在很多大规模任务中，其性能远优于传统的GMM-HMM混合模型。DNN：特征的学习能力，估计观察特征的概率，预测

目录图像处理的形式图像预处理灰度变换反转对比度增强对比度压缩伽马矫正直方图彩色直方图直方图均衡化直方图规定化空间滤波模板运算均值滤波高斯滤波中值滤波图像锐化边缘检测图像锐化实现坐标转换平移镜像旋转缩放最邻近插值双线性插值仿射变换透视变换彩色图像处理图像预处理技术在深度学习中的应用图像处理的形式（1）单幅图像输入->单幅图像输出（2）多幅图像输入->单幅图像输出（3）单幅图像输入-&gt

为了能够更好的处理大型图数据结构，有时需要将其按照要求进行分解，而k-cores便是其中一种方法。它可以从一个相对较大的图网络得到一个子图，这个子图中的所有节点的度都大于等于k。如下所示：假设以上是一个由节点集VVV，和边集EEE组成的图G=(V,E)G=(V,E)G=(V,E)，外部不同颜色深度的“圈”所包含的子图，代表着计算不同k值时对应得到的子图Gsubgraph,kGsubgraph,k​

目录图基础图的数据类型图的属性图的分区图存储，分布式文件系统与图数据库图的专业术语解释有向图和无向图有环图和无环图有标签的图和无标签的图平行边和环二分图RDF图和属性图邻接矩阵图查询系统SPARQLCypherTinkerpop GremlinGraphX图基础现在图最常用于挖掘社交媒体数据，特别是识别出社交小圈子、推荐新的（社交）连接关系，或推荐产品和广告。这样的社交数据量很大，单机存储能力不够

目录顶点对象与边对象mapping操作三级目录顶点对象与边对象弹性分布式数据集（RDD）是构建Spark程序的基础模块，它提供了灵活、高效、并行化数据处理和容错等特性。在GraphX中，图的基础类为Graph，它包含两个RDD：一个为边RDD，另一个为顶点RDD。与其他图处理系统和图数据库相比，基于图概念和图处理原语的GraphX，它的一大优势在于，既可以将底层数据看作一个完整的图，使用图概念和图

Spark内置支持多种文件格式和数据库。包括JDBC、Hive、Json、ORC、Parquet、MySQL、PostgreSQL。1、内置数据源Spark支持的数据格式每个都有各自的优点，对于何时使用何种格式需要结合具体的场景，内置数据源格式为Json、ORC、Parquet（1）JsonJson格式通常用于web开发，非常常见，简单易用，但是它不是一种有效的永久数据存储格式。（2）ORC优化的

目录知识准备重要度采样优化积分的近似知识准备假设随机变量X的取值：x1,x2,...,xnx_1,x_2,...,x_nx1​,x2​,...,xn​，它对应的概率PPP是：p1,p2,...,pnp_1,p_2,...,p_np1​,p2​,...,pn​，则关于XiX_iXi​的数学期望是：E(X)=∑k=1∞xipkE(X)=\sum_{k=1}^\infty x_ip_kE(X)=k=1∑

目录动态规划（Dynamic Programming，DP）是一类优化方法，在给定一个用马尔可夫决策过程（MDP）描述的完备环境模型的情况下，其可以计算最优的策略。我们假设环境是一个有限MDP。我们假设状态集合S、动作A和收益集合R是有限的，并且整个系统的动态特性由对于任意s∈S、a∈A(s)、r∈R和s’∈S+（S+表示在分幕式任务下S加上一个终止状态）的四参数概率分布p(s’,r|s,a)给出

目录Value-based RL vs Policy-based RLPolicy-based RL的优势与劣势策略函数的类型策略优化Cross-Entropy MethodValue-based RL vs Policy-based RL基于策略函数的强化学习（Policy-based RL）学习的是策略函数，策略函数实际上跟机器学习领域中的分类模型（model）差不多。这跟基于价值函数的强化学

目录DNN-HMMDNN-HMM语音识别CD-DNN-HMMCD-DNN-HMM组成CD-DNN-HMM 性能提升DNN训练加速DNN解码加速DNN由于GMMDNN-HMM深度神经网络-隐马尔科夫模型（DNN-HMM）利用DNN的特征学习能力和HMM的序列化建模能力进行语音识别任务的处理，在很多大规模任务中，其性能远优于传统的GMM-HMM混合模型。DNN：特征的学习能力，估计观察特征的概率，预测