开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

全局/局部环境影响Haskell的标准基准测试结果

全局/局部环境影响Haskell的标准基准测试结果是指在不同的环境下运行Haskell程序时，环境因素对程序性能的影响。下面是对这个问题的完善且全面的答案：

Haskell是一种纯函数式编程语言，它具有强大的静态类型系统和高度抽象的编程模型。在进行Haskell程序的标准基准测试时，全局和局部环境因素都可能对测试结果产生影响。

全局环境影响：

硬件配置：不同的硬件配置会对Haskell程序的性能产生影响。例如，处理器的核心数、内存大小和硬盘速度等因素都会影响程序的运行速度和资源利用率。
操作系统：不同的操作系统对Haskell程序的运行有一定的影响。例如，不同的操作系统可能具有不同的调度策略和资源管理机制，这可能会导致程序在不同操作系统下的性能差异。
编译器版本：Haskell有多个编译器可供选择，例如GHC、Hugs等。不同的编译器版本可能会对程序的性能产生影响，因为编译器的优化策略和代码生成方式可能会有所不同。

局部环境影响：

程序依赖：Haskell程序可能依赖于其他库或框架。不同的库或框架在不同的环境下可能会有不同的性能表现，因此程序的性能可能会受到这些依赖的影响。
网络通信：如果Haskell程序涉及到网络通信，网络环境的稳定性和带宽等因素都可能对程序的性能产生影响。
数据规模：Haskell程序的性能通常与输入数据的规模相关。不同规模的输入数据可能会导致程序在不同环境下的性能差异。

为了获得准确的标准基准测试结果，可以采取以下措施：

在相同的硬件配置下进行测试，以消除硬件因素对结果的影响。
在相同的操作系统下进行测试，以消除操作系统因素对结果的影响。
使用相同版本的编译器进行测试，以消除编译器版本因素对结果的影响。
确保程序的依赖库和框架在不同环境下的性能表现一致。
在测试中使用不同规模的输入数据，以评估程序在不同数据规模下的性能。

腾讯云相关产品和产品介绍链接地址：

云服务器（ECS）：提供弹性计算能力，支持多种操作系统和应用场景。详情请参考：https://cloud.tencent.com/product/cvm
云函数（SCF）：无服务器计算服务，可按需运行代码，无需管理服务器。详情请参考：https://cloud.tencent.com/product/scf
云数据库MySQL版（CDB）：提供高性能、可扩展的MySQL数据库服务。详情请参考：https://cloud.tencent.com/product/cdb_mysql
人工智能平台（AI Lab）：提供丰富的人工智能开发工具和服务，支持深度学习、自然语言处理等。详情请参考：https://cloud.tencent.com/product/ailab
物联网套件（IoT Hub）：提供物联网设备接入、数据管理和应用开发的一站式解决方案。详情请参考：https://cloud.tencent.com/product/iothub
移动推送（Push）：提供消息推送服务，支持多种推送方式和场景。详情请参考：https://cloud.tencent.com/product/tpns
对象存储（COS）：提供高可靠、低成本的云存储服务，适用于各种数据存储需求。详情请参考：https://cloud.tencent.com/product/cos
区块链服务（BCS）：提供一站式区块链解决方案，支持快速搭建和管理区块链网络。详情请参考：https://cloud.tencent.com/product/bcs

请注意，以上链接仅为示例，具体的产品选择应根据实际需求和情况进行评估。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

3D点云识别安全吗? 密歇根大学等提出稳健性分析数据集应对严重失真

机器之心专栏机器之心编辑部来自密歇根大学等机构的研究者提出了一个新颖且全面的数据集 ModelNet40-C ，以系统地测试以及进一步提高点云识别模型对于失真的稳健性。 3D 点云广泛应用于 3D 识别技术中。一些特别的应用领域往往对 3D 点云识别的安全性有更高的要求，如自动驾驶、医疗图像处理等。学界目前对点云安全性的研究集中在对抗攻击的稳健性。与对抗性攻击相比, 自然的失真和扰动在现实世界中更为常见。然而目前还没有关于 3D 点云针对失真的稳健性的系统性研究。论文地址: https://arxiv

01

3D点云识别安全吗? 学界提出健壮性分析数据集：ModelNet40-C

论文：Benchmarking Robustness of 3D Point Cloud Recognition Against Common Corruptions

02

激光雷达深度补全

对于自动驾驶汽车和机器人，使用激光雷达是必不可少的，以实现精确的深度预测。许多应用程序依赖于周围环境的意识，并使用深度信息来推理和做出相应的反应。一方面，单目深度预测方法无法生成绝对和精确的深度图。另一方面，双目立体匹配方法仍然明显优于基于LiDAR的方法。深度补全任务的目标是从稀疏和不规则点云生成密集的深度预测，然后将预测的深度信息映射到2D平面。最近有一些优秀的工作，提出了一种精确完成RGB图像引导的稀疏LiDAR图的新方法。

03

加速多图向量搜索

如我们之前所述， Lucene 以及 Elasticsearch 的近似 kNN 搜索基于在 HNSW 图中搜索每个索引段并组合所有段的结果来查找全局 k 个最近邻。当最初引入时，多图搜索是在单个线程中顺序执行的，一个接一个地搜索每个段。这带来了一些性能损失，因为搜索单个图的大小是亚线性的。在Elasticsearch 8.10中，我们并行化了向量搜索，如果线程池中有足够的可用线程，则在 kNN 向量搜索中为每个段分配一个线程。由于这一变化，我们在夜间基准测试中看到查询延迟下降到之前值的一半。

02

每日论文速递 | 邱锡鹏团队新作：In-Memory Learning 智能体声明式学习

摘要：探索agent是否可以在不依赖于人工标记数据的情况下与其环境保持一致，提出了一个有意思的研究课题。从智能生物观察到的对齐过程中汲取灵感，我们提出了一种新颖的学习框架。agent能够熟练地从过去的经验中提炼出见解，完善和更新现有的笔记，以增强它们在环境中的表现。整个过程发生在内存组件中，并通过自然语言实现，因此我们将这个框架描述为内存学习(In-Memory Learning)。我们还深入探讨了用于评估自我改进过程的基准测试的关键特性。通过系统实验，我们证明了我们框架的有效性，并提供了解决这个问题的见解。

01

学界 | Hinton提出的经典防过拟合方法Dropout，只是SDR的特例

作者：Noah Frazier-Logue、Stephen José Hanson

02

学界 | Hinton提出的经典防过拟合方法Dropout，只是SDR的特例

作者：Noah Frazier-Logue、Stephen José Hanson

04

Nature Methods | 单细胞基因组图谱数据集成的基准测试

本文介绍由德国计算生物学研究所的M. Colomé-Tatché和Fabian J. Theis共同通讯发表在 Nature Methods 的研究成果：作者对来自23篇出版物的85批基因表达、染色质可及性和模拟数据的68种方法和预处理组合进行了基准测试，总共代表了分布在13个图谱集成任务中的超过120万个细胞。作者使用14个评估指标，根据可伸缩性、可用性及其在保留生物变异的同时消除批次效应的能力对方法进行评估。研究表明，高度可变的基因选择提高了数据集成方法的性能，而数据缩放推动方法优先考虑批次去除而不是保留生物变异。总体而言，scANVI、Scanorama、scVI 和 scGen 表现良好，尤其是在复杂的集成任务上，而单细胞 ATAC 测序集成性能受特征空间选择的影响很大。该文免费提供的 Python 模块和基准测试管道可以为新数据确定最佳的数据集成方法，还能对新开发的方法进行基准测试。

01

视觉/视觉惯性SLAM最新综述：领域进展、方法分类与实验对比

Visual and Visual-Inertial SLAM: State of the Art, Classification,and Experimental Benchmarking

02

视觉/视觉惯性SLAM最新综述：领域进展、方法分类与实验对比

Visual and Visual-Inertial SLAM: State of the Art, Classification,and Experimental Benchmarking

03

前车要干吗？对前车微小运动的行为研究

论文：Instantaneous Perception of Moving Objects in 3D

01

字节提出 MammothModa | 超越 LLaVA，集成视觉能力的多模态大型语言模型！

近期，多模态大型语言模型（MLLMs）因其能够理解和生成受视觉输入影响的语言而受到了广泛关注。这些模型融合了视觉和文本数据，使得应用范围涵盖了图像字幕生成、视觉问答和视频分析等众多领域。尽管取得了进展，但许多MLLM在有效结合高分辨率和长时程视觉输入与复杂的语言理解方面，同时保持简洁和高效性方面仍面临挑战。

01

Go：利用CPU缓存的局部性原理优化数据访问模式

在现代计算机系统中，CPU缓存是提高程序性能的关键因素之一。缓存的设计目的是利用局部性原理——即程序在短时间内访问的数据和指令往往集中在一个小范围内，从而提高访问速度。本文将详细探讨如何在Go语言中利用CPU缓存的局部性原理优化数据访问模式，以提升程序性能。

01

60作者的NeuroBench：通过协作、公平和有代表性的基准测试推进神经形态计算

NEUROBENCH: ADVANCING NEUROMORPHIC COMPUTING THROUGH COLLABORATIVE, FAIR AND REPRESENTATIVE BENCHMARKING

02

Meta-MolNet：用于小样本药物发现的跨域元学习基准

今天为大家介绍的是来自北京大学AI4S平台中心主任、信息工程学院陈语谦教授团队提出了一种基于跨域元学习的图注意网络Meta-GAT，它可以在少数样本上可靠地预测分子属性。提议的图注意力网络可以有效地捕获任何原子间的相互作用以及键的边缘信息，以此来捕获原子的局部化学环境，并学习整个分子水平的几何空间结构和连接性。Meta-GAT利用分子数据中有用的未标记信息,并进一步开发有效的学习过程来转移来自源域的元知识。具体来说，Meta-GAT 模型对不同源域的大量类似分子进行先验分析获得元知识。Meta-GAT 受益于元知识，在转移到新的化学空间时降低了样本复杂性的要求。然后Meta-GAT 通过几个样本的内部迭代快速适应目标域中新支架集合的分子。实验表明，Meta-GAT 在多个基准生物活性和生理数据集上实现了最先进的领域泛化性能，并且在低数据约束下稳健地估计了各种分子特性数据集的不确定性。这些优势表明Meta-GAT很有可能成为面向少量样本的虚拟筛选技术的可行选择。

01

分布式PostgreSQL基准测试：Azure Cosmos DB、CockroachDB和YugabyteDB

最近，微软详细介绍了分布式 PostgreSQL 基准测试的结果，比较了 Azure Cosmos DB for PostgreSQL、CockroachDB 与 Yugabyte 的事务处理性能和价格。这几种数据库在实现时做了不同的权衡，测试结果显示，Azure Cosmos DB 的吞吐量更高。同时，他还着重指出了针对分布式数据库进行基准测试所面临的挑战。

02

【开源】竖亥：实测FPGA平台上HBM的惊人带宽！

随着高带宽内存（HBM）的发展，FPGA正变得越来越强大，HBM 给了FPGA 更多能力去缓解再一些应用中遇到的内存带宽瓶颈和处理更多样的应用。然而，HBM 的性能表现我们了解地还不是特别精准，尤其是在 FPGA 平台上。这篇文章我们将会在HBM 的说明书和它的实际表现之间建立起桥梁。我们使用的是一款非常棒的 FPGA，Xilinx ALveo U280，有一个两层的HBM 子系统。在最后，我们提出了竖亥，一款让我们测试出所有HBM 基础性能的基准测试工具。基于FPGA 的测试平台相较于CPU/GPU 平台来说会更位准确，因为噪声会更少，后者有着复杂的控制逻辑和缓存层次。我们观察到 1）HBM 提供高达425 GB/s 的内存带宽，2）如何使用HBM 会给性能表现带来巨大的影响，这也印证了揭开 HBM 特性的重要性，这可以让我们选择最佳的使用方式。作为对照，我们同样将竖亥应用在DDR4上来展现DDR4 和HBM 的不同。竖亥可以被轻松部署在其他FPGA 板卡上，我们会将竖亥开源，造福社会。

04

中科院提出 DTLLM-VLT | 利用连贯提示框架和大语言模型为视觉语言跟踪提供多粒度语义增强 !

单目标跟踪（SOT）是计算机视觉任务中的关键，专注于在视频序列中跟踪移动目标。研究行人一致观察到，在内容更复杂的长时间视频中，大多数跟踪器的性能有限。此外，仅依赖视觉模态大大限制了这种系统的多功能性。因此，一些研究开始为SOT任务提供语义标注，导致了视觉语言跟踪（VLT）任务的产生。VLT任务的提出帮助SOT研究更接近人类方式，并拓宽了其应用前景。与边界框（BBox）相比，自然语言提供了更用户友好和直观的目标描述方式，允许从空间位置到高级语义细节的精确描述，以提高跟踪性能。在定义VLT任务时，研究行人从两个主要观点整合文本标注：

01

Nat. Mach. Intell. | 深度神经网络中的捷径学习

今天给大家介绍来自德国蒂宾根大学的Robert Geirhos和加拿大多伦多大学的Claudio Michaelis等人发表在Nature Machine Intelligence的文章“Shortcut learning in deep neural networks”。文章认为有很多种深度学习（DL）案例的失败可以看作是同一个问题——捷径学习（Shortcut Learning）的不同表现。捷径学习是在标准基准上性能良好但是在更具挑战性的测试条件上表现较差的决策规则（decision rule）。捷径学习可能是生物和机器学习系统的一个共同特征。基于此，作者提出了一些关于模型解释和基准测试的建议，并且介绍了机器学习（ML）从实验到实际应用提高鲁棒性（robustness）和可移植性（transferability）的最新进展。

04

Python黑客Victor Stinner访谈

Victor是资深的Python黑客，许多Python模块的核心贡献者和作者。他最近撰写了PEP 454（https://www.python.org/dev/peps/pep-0454/），其中提出了一个新的tracemalloc模块，用于在Python中跟踪内存块的分配，并写了一个简单的AST优化器。

03

速度快4倍 | MIT&交大&清华联合提出FlatFormer，一个非常高效的Transformer方法

Transformer已成为自然语言处理（NLP）中的首选模型，作为许多成功的大语言模型（LLMs）的 Backbone 。最近，其影响力进一步扩展到视觉领域，视觉Transformer（ViTs）已在许多视觉模态（例如，图像和视频）中展现出与卷积神经网络（CNNs）相当或甚至更好的性能。然而，3D点云尚未成为其中的一部分。

01

MySQL 基准测试

基准测试 ( benchmark ) 是针对系统设计的一种压力测试，通常的目标是为了掌握系统的行为，但也有其他原因，如重现某个系统状态，或者是做新硬件的可靠性测试。本章将讨论 MySQL 和基于 MySQL 的应用的基准测试的重要性、策略和工具。

02

K8S 网络插件（CNI）超过 10Gbit/s 的基准测试结果

Kubernetes 提供了应用部署、调度、更新、维护的一种机制，但它在 Pod-to-Pod 通信网络上还缺少一个普适的解决方案。在容器部署中，CNI 为容器集群工具（Kubernetes、Mesos、OpenShift 等）提供了一个网络标准。本文将从 Kubernetes 中的六种网络解决方案出发，利用在 10Gbit / s 上进行的基准测试的结果，说明在不同场景下，各种 CNI 解决方案的使用情况。以此帮助开发者在不同集群下更好的部署网络环境。

01

ICML 2022丨FedScale：大规模联邦学习基准系统

近日密西根大学安娜堡分校的SymbioticLab 在ICML 2022上发布了机器学习顶会上第一篇关于联邦学习基准测试的文章。通过提供不同规模、任务类别和客户端系统性能的真实数据集，整合部分主流联邦学习算法的实现（例如 Oort [OSDI'21]，HeteroFL[ICLR'21]，FedProx[MLSys'20]），支持更具扩展性的评估平台，FedScale（论文/ 代码见文末）解决了目前联邦学习基准系统中难以真实地、大规模地评估算法和系统性能的问题。在发布的大半年里，已有不少顶会论文（如CVPR

03

Amazon Aurora：云时代的数据库 ( 下）

本文介绍了云数据库在云原生应用中的重要性，并探讨了Aurora在云数据库中的特殊地位。作者通过回顾Aurora的设计、架构、性能和成本优势，以及它在云原生应用和微服务架构中的使用，展示了Aurora在云数据库领域中的领导地位。此外，文章还介绍了Aurora在Google Cloud Platform和Amazon Web Services中的使用情况，以及Aurora未来的发展方向。

00

Go语言中常见100问题-#89 Writing inaccurate benchmarks

我们不要猜测程序性能，在对代码进行优化的时候，可能会有很多因素发挥作用，所以需要综合考虑，进行测试验证准没错。然而，编写benchmark并不是一件简单的事情，很容易因编写错误的benchmark导致做出不正确优化。本章节将列举一系列非正确编写benchmark问题点。

04

前端Tips#4 - 用 process.hrtime 获取纳秒级的计时精度

如果去测试代码运行的时长，你会选择哪个时间函数？一般第一时间想到的函数是 Date.now 或 Date.getTime。

02

使 Elasticsearch 和 Lucene 成为最佳矢量数据库：速度提高 8 倍，效率提高 32 倍

在Elastic，我们的使命是将Apache Lucene打造成最佳的向量数据库，并持续优化Elasticsearch，使其成为搜索和RAG检索平台的最佳选择。我们对Lucene的投入是关键，以确保Elasticsearch的每次发布都带来更快的性能和更大的规模。

01

Kimera实时重建的语义SLAM系统

Kimera是C++实现的一个具有实时度量的语义SLAM系统，使用的传感器有相机与IMU惯导数据来构建环境语义标注的3D网格，Kimera支持ＲＯＳ运行在ＣＰＵ上的高效模块化的开源方案。包含了四个模块：

02

每日学术速递5.9

作者：Basile Van Hoorick, Pavel Tokmakov, Simon Stent, Jie Li, Carl Vondrick

02

分布外泛化，「经验风险最小化ERM」真的是最好的算法么？

机器之心专栏作者：李铠灿、白皓月、叶南阳上海交通大学联合华为诺亚方舟实验室 AI 基础理论团队以及香港科技大学，提出了一种新的面向非独立同分布域泛化问题的评价指标 OoD-Bench，同时对 OoD 领域构建了一个统一的框架。上海交通大学联合华为诺亚方舟实验室 AI 基础理论团队和香港科技大学近期发现：多维度 OoD 现象在多个数据集广泛存在。和之前论文 Domainbed 的研究结论 OoD 算法无法打败 ERM 不同，现有的 OoD 算法大部分只能在一个维度的 OoD 问题上打败 ERM 算法，在

02

计算机视觉最新理论2021年8月29日到2021年9月4日

由于自然界中对称模式的显著变化和模糊性，反射对称检测的任务仍然具有挑战性。此外，由于需要在反射中匹配局部区域来检测对称模式，标准的卷积网络很难学习这项任务，因为它与旋转和反射不相同。为了解决这个问题，我们引入了一种新的卷积技术，称为极值匹配卷积，它利用了极值特征池、自相似编码和不同角度轴的系统内核设计。提出的高维核卷积网络可以有效地学习从真实图像中发现对称模式，克服了标准卷积的局限性。此外，我们提出了一个新的数据集，并引入了一种利用合成图像增强数据集的自监督学习策略。实验表明，我们的方法在准确性和鲁棒性方面优于目前最先进的方法。

03

一年一总结的NLP年度进展，2021年有哪些研究热点？

2021 年，ML 和 NLP 领域取得了很多激动人心的进展。在 Sebastian Ruder 的最新博客《ML and NLP Research Highlights of 2021》中，他介绍了自己认为最具有启发意义的论文和研究领域。

02

Rust 语言团队内部分享 | 编程心理学

Rust 语言团队邀请嘉宾 Felienne Hermans 来分享编程心理学[1]，通过这个课程来了解一下，语言在设计的时候如何做决策也是不错的。并且对于 Rust 的学习也是有帮助的。

05

Elasticsearch: 简化 K-NN 搜索的入门体验

在这篇博客文章中，我们将深入了解我们为使 K-NN（K-最近邻）搜索的入门体验更加轻松所做的努力！

03

CVPR 2022 | 即插即用！华南理工开源VISTA：双跨视角空间注意力机制实现3D目标检测SOTA

LiDAR (激光雷达)是一种重要的传感器，被广泛用于自动驾驶场景中，以提供物体的精确 3D 信息。因此，基于 LiDAR 的 3D 目标检测引起了广泛关注。许多 3D 目标检测算法通过将无序和不规则的点云进行体素化，随后利用卷积神经网络处理体素数据。然而，3D 卷积算子在计算上效率低下且容易消耗大量内存。为了缓解这些问题，一系列工作利用稀疏 3D 卷积网络作为 3D 骨干网络来提取特征。如图 1 所示，这些工作将 3D 特征图投影到鸟瞰图 (BEV) 或正视图 (RV) 中，并且使用各种方法从这些 2D 特征图生成对象候选 (Object Proposals)。

03

CVPR 2023 | 南洋理工、商汤提出E3DGE：2D图片秒出3D形象

近一两年来，通过使用GAN inversion将真实图片投影到GAN潜在空间，基于2D StyleGAN Inversion的方法在图像语义编辑任务上取得了显著进展。近期出现了一系列 [6,7] 基于StyleGAN结构的3D生成模型研究，然而，相应的通用3D GAN inversion框架仍然缺失，这极大地限制了基于3D GAN模型的重建和编辑相关应用。

03

万字长文！DeepMind科学家总结2021年的15个高能研究

2021年，借助更强大的算力、数据和模型，机器学习和自然语言处理的技术发展依然十分迅速。

01

【愚公系列】软考高级-架构设计师 039-性能评价方法

性能评价方法是一系列用来衡量系统、组件或服务效能的技术和流程。在计算机科学和信息技术领域中，性能评价通常关注于诸如响应时间、吞吐量、可用性、可靠性和伸缩性等关键性能指标。性能评价的目的是为了确定系统是否满足既定的性能需求，以及识别系统的性能瓶颈和改进的机会。

02

聊聊性能测试中的基准测试

在性能测试中有一种测试类型叫做基准测试。这篇文章，就聊聊关于基准测试的一些事儿。。。

01

详解CPU漏洞对机器学习的影响：几乎所有卷积层都受影响，QR分解降速37%

作者 | Mikel Bober-Irizar 翻译 | 刘畅编辑 | Donna （备注：KPTI 在计算机中指 Kernel page-table isolation，是一种Linux内核功能，可以减弱安全漏洞带来的影响） 2018新年伊始，互联网公司发现了两个非常严重的新漏洞。这两个漏洞分别是熔毁（Meltdown）和幽灵（Spectre），它们主要会影响几大处理器供应商。这些漏洞会使攻击者利用处理器在推测性执行时产生的错误，读取（并潜在地执行）其各自进程之外的存储器位置。这意味着，攻击者可以

08

Go 高性能系列教程之一：基准测试

要想改进程序的性能，首先要知道程序的当前性能。本节主要关注使用 Go testing 包如何构建有用的基准测试，并且给出一些最佳实践以及常见的陷阱。

01

DeepMind研究科学家：NLP基准测试的现在、过去和未来

随着时间流逝，NLP在遇到诸多挑战的同时，也被寄予更大期望。人们在使用它的过程中收获很多，也在一直不断的改进完善它。

01

聊聊基准测试

基准测试这个单词在工作中相信大家都经常会遇到，在我刚开始工作的时候，看一些文档的时候老是会碰见基准测试，当初以为基准测试就是简单的性能测试。但是随着后面的一些经验，发现基准测试并不是这么的简单，最近也在看一本书叫做《JAVA性能权威指南》，其中也介绍了基准测试相关的一些东西，大家有兴趣的下来也可以去看下，于是我在这这里简单的聊一下基准测试相关的一些东西。

04

2024年6月上半月30篇大语言模型的论文推荐

大语言模型（LLMs）在近年来取得了快速发展。本文总结了2024年6月上半月发布的一些最重要的LLM论文，可以让你及时了解最新进展。

01

SLAM中位姿估计的图优化方法比较

作者：Andela Juric´, Filip Kendeš, Ivan Markovic´, Ivan Petrovic

04

Mini but Mighty | 简直就是微调ViT神器，有了Mimi微调方法，别的不用选了！又稳又快！

在深度学习中，视觉Transformer（ViTs）已成为一种主流的卷积神经网络架构，被广泛应用于计算机视觉领域。预训练的ViT模型通常通过finetuning适应到新的任务，但是fine-tuning需要消耗大量的计算和内存资源。为了减少fine-tuning所需的资源和时间，许多参数高效的迁移学习方法被提出，例如Adapter（adapters）。

01

MLST | GraphINVENT: 基于GNN的分子生成平台

今天给大家介绍的是瑞典知名制药公司阿斯利康，查尔姆斯理工大学等合作开发的一个基于图神经网络的分子生成平台GraphINVENT，GraphINVENT使用分层的深度神经网络架构以一次产生一个单键地方式概率的生成新分子。在GraphINVENT中实现的所有模型都可以快速学习构建类似于训练集分子的分子，而无需对化学规则进行任何明确的编程。该模型已使用基于MOSES平台（分子生成的基准平台）的指标进行了基准测试，显示了GraphINVENT模型与最新的生成模型的比较结果。这项工作是最早的仅利用图神经网络进行分子设计研究工作之一，并且说明了基于GNN的模型如何在未来成为分子发现的有利工具。

03

泛型会让你的 Go 代码运行变慢

Go 1.18 已经到来，很多人期盼已久的首个支持泛型实现的版本也就此落地。之前，泛型一直是个热度很高、但在整个 Go 社区中备受争议的话题。

04

学界 | 利用人脸图片准确识别年龄：上海大学研究者提出「深度回归森林」

选自arXiv 作者：沈为等机器之心编译参与：李泽南、刘晓坤、黄小天根据面部图像评估人物年龄通常被认为是一个非线性回归问题，其主要挑战是关于年龄的面部特征空间是异构的。在上海大学、约翰霍普金斯大学、南开大学与海康威视等机构提交的新论文中，研究人员提出了深度回归森林（Deep Regression Forests/DRFs），一个用于年龄评估的端到端模型。他们在三个标准年龄评估基准上验证了 DRFs，全部取得了当前最优的结果。由于不断增长的法医研究、安全控制、人机交互（HCI）和社交媒体的多种潜在应用

06

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭