大厂技术实现 | 图像检索及其在高德的应用 @计算机视觉系列
图像检索任务指的是，给定查询图像，从图像数据库中找到包含相同或相似实例的图像。本文研究的是高德地图POI信息更新，即根据自有图像源，将每个新增或调整的POI及时制作成数据。这是非常典型的图像检索垂直应用，整套方便背后也包含大量CV技术。本篇我们结合资深CV工程师章鱼的分享，一起研究『高德地图POI信息更新』这一业务背景中，应用到的计算机视觉技术。
Spark—GraphX编程指南
GraphX 是新的图形和图像并行计算的Spark API。从整理上看，GraphX 通过引入 弹性分布式属性图(Resilient Distributed Property Graph)继承了Spark RDD：一个将有效信息放在顶点和边的有向多重图。为了支持图形计算，GraphX 公开了一组基本的运算（例如，subgraph，joinVertices和mapReduceTriplets），以及在一个优化后的 PregelAPI的变形。此外，GraphX 包括越来越多的图算法和 builder 构造器，以简化图形分析任务。
用户留存建模实践
在流量分析型产品的用户分析模块中，留存、互访、新老客构成等数据都是有效衡量用户粘性与促活召回的关键性指标；但是，我们发现在很多流量运营的业务场景中，留存分析建模都显著存在着设计和计算上的诸多问题。本文将针对用户留存建模实践进行讨论。
TuGraph Analytics图计算快速上手之K-core算法
K-Core算法是一种用来在图中找出符合指定核心度的紧密关联的子图结构，在K-Core的结果子图中，每个顶点至少具有k的度数，且所有顶点都至少与该子图中的 k 个其他节点相连。K-Core通常用来对一个图进行子图划分，通过去除不重要的顶点，将符合逾期的子图暴露出来进行进一步分析。K-Core图算法常用来识别和提取图中的紧密连通群组，因具有较低的时间复杂度（线性）及较好的直观可解释性，广泛应用于金融风控、社交网络和生物学等研究领域。
Pytorch自动求导机制详解
在深度学习中，我们通常需要训练一个模型来最小化损失函数。这个过程可以通过梯度下降等优化算法来实现。梯度是函数在某一点上的变化率，可以告诉我们如何调整模型的参数以使损失函数最小化。自动求导是一种计算梯度的技术，它允许我们在定义模型时不需要手动推导梯度计算公式。PyTorch 提供了自动求导的功能，使得梯度的计算变得非常简单和高效。
