在线甘特图|横道图|项目管理|计划管理 zz-plan
人员、任务、进度、工时、周期、依赖关系 一目了然。无论项目大小、简单复杂都能轻松管理
论文阅读：MHA、MQA、GQA的差异与共性
MHA、MQA、GQA差异
MHA：Multi-Head Attention，QKV 三部分有相同数量的头，且一一对应。每次做 Attention，head_i 的 QKV 做好自己的运算就可以，输出时各个头加起来就行。
MQA：Multi-Query Attention，让 Q 仍然保持原来的头数，但 K 和 V 只有一个头，相当于所有的 Q 头共享一组 K 和 V 头，所以叫做 Multi-Query 了。
实现改变了会不会影响效果呢？确实会影响，但相对它
论文阅读：点击率预估之长序列建模Clustering based Behavior Sampling
SIGIR 2022 Clustering based Behavior Sampling with Long Sequential Data for CTR Prediction paper reading分享时记录的笔记。
背景
对当前target item预估时，序列建模要解决的两个主要问题：
用户行为序列中存在很多噪声：First, there is a lot of noise in such long histories, which can seri
搜索系统：视频搜索离线指标与在线指标
背景
搜索是一个以相关性为基础，辅助消费、权威、质量、时鲜等多目标的复杂系统。
各位看官在搜索引擎输入一个Query=“如何在mate 40上连接wifi”，我们优先考虑的是排序的doc是否与Query相关，根据相关的程度，可以有不一样的定义：
doc内容
相关性得分
解释
doc内容就是在介绍华为mate 40怎么连接wifi
3
用户输入Quer
C++漫谈：继承、dynamic_cast、纯虚函数、protected，一场多态之旅
背景
做算法策略过程中，常常会存在这样一种情形：由于业务压力或者岗位性质的缘故，做算法、策略的同学（也包括我自己），对于一些工程上的实现，往往只追求尽快实现、拿到收益，而忽略了实现过程中，代码的复用性、可读性。
举个例子，某模型AB版本不断迭代，当模型特征输入、推理、业务发生小的差异时，为了追求尽快实现拿到收益，会出现很多的冗余代码，代码量急剧膨胀，可行性也变得比较差，推高维护成本。比如在实际中遇到的一个例子：
class NNPredict {
bool Re
C++漫谈：为C++实现的功能提供Python API接口-Pybind11
兴趣与业余时间开发的CVTK项目，除了继续完善和添加算法到CVTK外，还计划提供Python API，便于Python调用。在为CVTK添加Python API支持的过程中，调研了下C++/Python绑定库的情况。目前支持C++/Python绑定库，比较主流的有四大流行库，分别是：
Pybind11
Boost.Python
SWIG
Cython
关于Pybind11、Boost.Python、Cython、SWIG（Faiss的Python接口，
C++漫谈：从std::move到移动构造函数
半年之前，写到的一个代码（示例）：
vector<string> vc;
vc.push_back(string_value);
因为在搜素场景，耗时毫秒必争。cr的时候，review的同学建议改成：
vector<float> vc;
vc.push_back(move(string_value));
这样修改后的好处：
C++ 标准库使用比如vector::push_back等这类函数时，会对参数的对象进行复制，连数据也会复制.
读书笔记：如何了解一个新行业—读《碳中和：从绿到金》
周末读《碳中和：从绿到金（2021年第5期）》时候，发现这是一本好书，让大白菜了解了代码之外的另一个世界—碳中和行业发展基本情况、以及该行业龙头企业在做的事情和布局。在读的过程中，有比尔·盖茨写的一篇「气候经济的五大关键问题」文章，里面比尔·盖茨讲的他怎么研究气候变化这一全球性课题的思考方法，讲得特别有启发性，当你试着去了解一个不熟悉行业的时候。
用比尔·盖茨自己的话说，这套思维框架对他大有助益：先试着掌握了整体情况，因为这可以让我获得相关的背景知识，便于我理解新的信息。另
量化索引：Scalar Quantization标量量化
本篇是对之前写过的几篇涉及到向量索引博文的系统整理和补充，分别为：
向量索引
Asymmetry Problem in Computer Vision
再叙ANN Search
十亿规模的深度描述子如何有效索引
基于内容的图像检索技术
背景
在工作中遇到这样一个场景：通过多模态学习到的64维video embedding，在搜索精排的时候，需要实时取到前K（K>=300）个结果对应的video embeddin
视频检索：Videntifier与NV Tree
在视频多帧排序里，大白菜有提到过Videntifier这家做图像、视频检索的公司，在这篇博文里，详细介绍下这家公司以及该公司的主要检索技术。
Videntifier概况
Videntifier科技公司是一家冰岛的软件公司（员工大概17个），成立于2007年9月，该公司起源于雷克雅未克大学的数据库实验室，Herwig Lejsek从2007年到2019年任CEO（卸任后任董事会成员），在博士期间就从事这方面的研究。Videntifier主要构建于两项专利技术——视觉指纹技术
机器视觉：All about Sequence Matching
十年饮冰，难凉热血。
6月22日，在内部分享关于序列匹配一些总结与感想，并以SuperGlue为例，介绍了序列匹配典型方法。对序列匹配感兴趣的同学，可以在这里下载到对应的slides：all-about-sequence-matching-and-alignment-2020622.pdf。