本文我们先介绍了强化学习中的价值函数，然后介绍如何训练价值网络来拟合价值函数，以及 Q-learning/DQN 中如何不断地优化 policy，最后介绍了 Q-learning 在实际实现中常用的几个技巧。

深度学习编译MLIR初步深度模型的推理引擎目前深度模型的推理引擎按照实现方式大体分为两类：解释型推理引擎和编译型推理引擎。解释型推理引擎一般包含模型解析器，模型解释器，模型优化器。模型解析器负责读取和解析模型文件，转换为适用于解释器处理的内存格式；模型优化器负责将原始模型变换为等价的、但具有更快的推理速度的模型；模型解释器分析内存格式的模型并接受模型的输入数据，然后根据模型的结构依次执行相应的模型

Docker容器中使用Nvidia GPU报错 docker: Error response from daemon: could not select device driver “” with capabilities: [[gpu]].问题出现我们知道，想要在 docker19 及之后的版本中使用 nvidia gpu 已经不需要单独安装 nvidia-docker 了，这已经被集成到了 d

深度学习三大谜团：集成、知识蒸馏和自蒸馏

多模态论文串讲笔记

杨宏宇：腾讯多模态内容理解技术及应用分享嘉宾：杨宇鸿 腾讯 内容理解高级工程师编辑整理：吴祺尧出品平台：DataFunTalk导读： 搜索内容的理解贯穿了整个搜索系统。我们需要从多个粒度理解搜索内容，包括语义分块、核心要素提取、页面渲染等。多模态内容理解技术在其中扮演了重要角色，它可以从内容解析、内容质量检验、内容关系的挖掘以及内容属性的提取方面对候选内容进行更好的筛选与排序。今天分享的主题是多模

图解自监督学习（CV）译自：https://amitness.com/2020/02/illustrated-self-supervised-learning/作者：Amit Chaudhary注：译者在某些地方对原文的表述做了调整，使其适合汉语的阅读习惯，并在某几处有译者自己的理解。大家有能力的话可以看一下英文原文。在 Yann Lecun 的一次演讲中，作者首次了解到了自监督学习，他在那里介绍

以学习 prompt 的方式来进行少样本学习，性能提升的同时还能保持 CLIP 模型本身参数不动。挺有用的一篇工作，虽然这种 prompt 的方式在 NLP 中早就有了，但应用到多模态 CLIP 中还是有一些意义的。

利用opencv-python绘制多边形框或（半透明）区域填充（可用于分割任务mask可视化）本文主要就少opencv中两个函数polylines和fillPoly分别用于绘制多边形框或区域填充，并会会以常见用途分割任务mask（还是笔者的猪仔数据集^^）可视化举例示范。cv2.polylines()以下是摘自Ref的函数介绍，笔者将在下面结合例子解释其中的参数。cv2.polylines() m

机器学习中的概率模型