深度学习模型与解释444

预测物品的点击率在计算广告、推荐系统等不同业务系统中都有一定需求，因此业界在这方面进行了不少研究。然而在机器学习领域，书籍出版远远落后于业界知识更新，这就要求每个从业者阅读大量资料和论文才能跟上知识更新的步伐，而这又需要耗费大量的时间和精力。本文是作者对阅读过的大量相关研究文献的小结，作者尝试结合文献与工作实践梳理广告点击率预测、推荐方面相关的技术脉络，希望能对大家有所帮助。在计算广告系统中，一个可以携带广告请求的用户流量到达后台时，系统需要在较短时间（一般要求不超过100ms）内返回一个或多个排序好的广告列表；在广告系统中，一般最后一步的排序score=bid*pct^alpha；其中alp

面向科研和产品化的深度学习和强化学习库（TensorLayer开源中国官方镜像）

MegEngine 是一个快速、可拓展、易于使用且支持自动求导的深度学习框架，具备训练推理一体、超低硬件门槛和全平台高效推理 3 大核心优势，可帮助企业与开发者大幅节省产品从实验室原型到工业部署的流程，真正实现小时级的转化能力。作为旷视新一代 AI 生产力平台 Brain++的最核心组件，MegEngine 在 2020 年 3月正式向全球开发者开源。

AKG(Auto Kernel Generator)对深度神经网络中的算子进行优化，并提供特定模式下的算子自动融合功能。AKG与MindSpore的图算融合功能协同工作，可提升在不同硬件后端上运行网络的性能。AKG由三个基本的优化模块组成：规范化、自动调度和后端优化。规范化： 为了解决polyhedral表达能力的局限性（只能处理静态的线性程序），需要首先对计算公式IR进行规范化。规范化模块中的优化主要包括自动运算符inline、自动循环融合和公共子表达式优化等。自动调度： 自动调度模块基于polyhedral技术，主要包括自动向量化、自动切分、thread/block映射、依赖分析和数据搬移等。后端优化： 后端优化模块的优化主要包括TensorCore使能、双缓冲区、内存展开和同步指令插入等。

Ascend CANN Parser（简称parser）配合TF_Adapter、 ATC工具、IR构图等使用，开发者通过以上工具，借助parser能方便地将第三方框架的算法表示转换成Ascend IR，充分利用昇腾AI处理器卓越的运算能力。

X2Paddle支持将其余深度学习框架训练得到的模型，转换至PaddlePaddle模型。X2Paddle是飞桨生态下的模型转换工具，致力于帮助其它深度学习框架用户快速迁移至飞桨框架。目前支持推理模型的框架转换与PyTorch训练代码迁移，我们还提供了详细的不同框架间API对比文档，降低开发者上手飞桨核心的学习成本。目前已经支持Caffe/TensorFlow/ONNX/PyTorch四大框架的预测模型的转换，PyTorch训练项目的转换，涵盖了目前市面主流深度学习框架。支持的模型丰富丰富，在主流的CV和NLP模型上均支持转换，涵盖了19+个Caffe预测模型转换、27+个TensorFlow预测模型转换、32+个ONNX预测模型转换、27+个PyTorch预测模型转换、2+个PyTorch训练项目转换

Understanding DeepLearning

OpenMLDB是一个开源机器学习数据库，面向机器学习应用提供正确、高效数据供给。OpenMLDB 致力于解决 AI 工程化落地的数据治理难题，并且已经在上百个企业级人工智能场景中得到落地。OpenMLDB 优先开源了特征数据治理能力，依托 SQL 的开发能力，为企业级机器学习应用提供线上线下计算一致、高性能低门槛的生产级特征平台

TF Model building/training/evaluating for simple nlp task just by params configuration, training/evaluating monitor and params configure GUI with streamlit.