对于购买了一加手机的用户来说，虽然一加在配置一向有着不俗的表现，但对比其他手机总感觉还缺点什么。作为只发布旗舰手机的一加来说，其手机在硬件配置上与真正旗舰缺少的可能就是无线充电及防水防尘功能。但在系统应用层面，虽然其氢氧OS以简洁著称，但如果能有一个语音助手那将会增色不少。诸如小米小爱、三星Bixby、苹果Siri等都已经融合到了系统当中，在一些特殊的场景中提供给用户方便快捷的体验。
而就在去年的一加7T发布会上，一加展示了其将搭载语音助手—Breeno，熟悉手机的人都知道，这个语音助手并不是一加开发的，而是属于OPPO，而OPPO与一加的关系自然不必详述。
一加也是宣称与Breeno合作打造属于自家手机系统的智能语音助手，并且在发布会上一加发言人也是介绍了其语音助手的侧重点，那就是倾向于不能用手操作手机的应用场景—驾驶。然而对于大多数用户来说，这一场景下的语音助手并不是很必要，大家关注更多的应该是对辅助手机的整体体验，比如可以在不操作手机的情况下打电话、发微信甚至制定工作计划等。
遗憾的是，虽然一加去年就公布了语音助手的出现，但直到现在仍然没有集成到稳定的系统版本中，我们可以从开发版本中进行体验，或者下载安装包到手机中体验并不完备的功能。而以下体验就是以软件安装体验为主。
安装
拥有一加的用户可能还不知道如何安装Breeno（小布），在论坛中已经有分享提取的安装包，我们只需在安装后开放所有权限就可以实现在系统中召唤小布，但需要注意的是依靠安装的小布并不支持语音唤醒，但支持快捷手势唤出，一般是在手机的左下角和右下角边缘滑动就能召唤出来。
应用界面
在进行功能体验前，有必要介绍一下小布语音助手的应用界面。这里与小爱同学的应用界面进行了对比，可以看到小布的应用界面简单的过分了，连操作设置都找不到，只有简单的几个召唤词显示，就算点击到用户界面也没有相关的语音助手操作介绍。所以但从这个界面来说，想知道还有哪些功能只能靠猜了，但并不是没有操作介绍，而是需要一定的方式才能进入。
功能体验
如其他语音助手一般，小布在一加手机上也能实现一些基础功能，比如问天气、讲笑话等。而一些系统层级的语音命令也能执行，比如打开应用和手机清理等。但是在应用双开后，并不能打开，只会出现两个应用图标，也不会再次问你选择哪一个。但对于有相同名字但不同的应用来说，它会给你选择的余地，在应用打开前它会提示你打开哪一个。而打电话时如果是双卡也会出现选择提示。
既然已经支持到系统层面了，但令人疑惑的是，它竟然不支持定闹钟，而第三方语音助手小爱同学就可以语音设置。但另一方面，它又支持创建待办事项，会自动添加到日历中。另一个被称作彩蛋的惊喜是它能够召唤小冰，但在体验中，除了打嘴炮，也无是实际用处。而且它也不是独家，小爱同学也支持召唤小冰。
就像前面所说，小布的应用界面并不会出现详细的操作指引或介绍，但我们可以通过语音命令的形式召唤出来，在问小布"你能做什么"的时候，它会弹出一些召唤词，点击更多便能进入以上界面，所有功能都展示出来并作好了分类。可以浏览获得自己想要的语音技能。
声音与识别准确率
小布并不支持更换声音，只有女声，但还算悦耳。不过识别的准确率及速度有些飘忽不定，有时说很长一句话都能准确快速的识别出来，但有时又连几个字的命令在说完之后还在转圈，甚至识别错误。而且语音识别出的内容只要不在指令之内都会自动打开浏览器百度搜索相关信息。
尾巴
语音助手相对于手机来说就是一个披着AI外衣的辅助工具，但我们也可以看到那些手机大厂极力宣传着自家的语音助手功能，其目的是为了建立生态，以手机设备为终端，语音助手为连接，控制一些智能设备，从而形成自己的硬件及软件生态。而对于作为小厂的一加来讲，目前还是以手机为主，并没有生态可言，所以对于语音助手的开发多是以提升用户对手机的使用体验为主。也因此一加或许并没有发太多精力在语音助手的开发上，就算是借用"大哥"的Breeno，也是迟迟不集成在手机上，只能通过测试版或者安装软件的形式进行体验。而语音助手对于一加手机的用户来说，尚在路上，也不值得期待。
Original: https://blog.csdn.net/weixin_36087895/article/details/112220309
Author: Can Li
Title: 一加七语音唤醒_一加语音助手小布体验：还有很长的路要走
相关阅读1
Title: #gStore-weekly | gStore应用之应急指挥知识图谱服务平台
gStore及生态产品由于完善的功能和卓越的性能已应用于金融、医疗、政府大数据、公安、纪检、应急指挥、军工、智能问答等多个领域，在多个互联网和人工智能公司的图数据和知识图谱项目进行了部署，已产生了良好的社会和经济效益。今天我们介绍gStore在应急指挥方面的应用：
1.1 问题描述
近年来，我国极端气象灾害多发频发，对应急处置尤其是支撑能力方面提出更高要求。目前电网在各省市相继成立了应急指挥中心，实时采集、处理、汇聚应急信息，快速响应突发情况，并构建了相应的应急指挥系统和应急预案，但不同地市、不同公司都有相应的应急响应预案，这些信息往往是相互独立的、零散的，亟需进行信息整合。此外应急预案信息往往是存储在pdf、word等文本文档中，其格式是非结构化的、需要人工梳理和理解。
因此亟需建设新一代应急指挥系统，并以此为抓手，加强专业基础管理，提升应急管理水平。
1.2 解决方案
我们采用大数据、深度学习、自然语言处理等技术对应急预案、工作手册等规范化文件进行识别与解析，抽取其应急预案中涉及的主体、事项等信息，并转化成RDF知识图谱数据，最终构建应急指挥知识图谱。并通过知识图谱的关联分析，直观展示各个部门在面对某个自然灾害时，其处置方案和处置流程等，从而使得应急预案更直观。
1.2.1 设计应急预案知识图谱架构
构建应急预案知识图谱首先需要对知识图谱架构（Schema）进行设计，本应用构建了基于"事项-阶段-部门"为核心的知识图谱基本架构，知识图谱Schema如下图所示。
1.2.2 面向应急预案的知识抽取方法
应急预案大多以pdf、word等方式存储，其数据为以篇章为主的非结构化文本数据，但应急预案与其他的非结构化数据不同的是，其结构具有一定的规律，且行文方式比较规范，因此本应用采取"规则+机器学习"相结合的方式进行知识抽取，具体而言分为如下五个步骤：
- 主题判定
首先需要对输入的文档内容判断其所属主题，主题判定后，根据系统预设的主题模型获取要解析的关键文本内容。我们采用的主题识别方法是基于特定域的关键字匹配技术来识别主题。具体技术如下。
首先我们设计主题关键字模型，主题关键字主要用来匹配主题，具体包含信息为关键字和特定域，如关键字为"台风"，特定域为"标题"，则当文档输入时，系统将获取文档标题域并匹配关键字，如果匹配命中，则将该文档分为所定义主题。区分主题的目的在于，不同主题所对应的段落结构不同，确定好主题后就可以根据相应的段落结构来对需要抽取的语句进行抽取，可以大大提高程序运行的效率和准确率。
- 智能分段
智能分段主要是对文档进行主题分类后，主题模型中将包含各段落以及段落关键词，根据段落关键词对文档的文本内容信息进行切分，从而划分出段落。借助段落定位，我们不仅可以提取到每个段落关键词所对应的正文，还可以提取到当前段落的默认词。默认词可以用于之后的智能补全功能，提高准确性和运行效率。一个段落不仅仅只在一页PDF的情况（即跨页），我们对于这种情况也进行了处理。
- 智能分句
主要是对分好的段落进行分句，采用百度中文依存句法分析工具(DDParser），分析句子中词与词之间的依存关系（如主谓关系指主语与谓语间的关系），并根据依存关系以及标点符号进行自动切分。切分后，还要再判断句子中是否存在并列关系或连谓结构，这样的句子一般是在同一事项当中，所以再对相应句子进行合并。
- 中文分词
将基于结巴分词中的paddle.cut进行分词，一方面可以实现中文分词(包括停用词)，另一方面可以对词进行词性和语义标注（paddle模型默认可以分出20多种词性tag出来）。但是在实践中发现jieba分词会将句子中的词查分的十分细碎，所以需要再进行词与词之间的结合，如紧邻的名词，名词间存在代词的情况。这样可以更准确的提取主语。
- 知识抽取
系统将构建规则库，详细描述各关键词出现的逻辑关系，以及满足该规则时对应的处理逻辑或语义信息。我们将采用规则和机器学习模型相结合的方式进行知识抽取。对知识抽取的结果结合Schema信息，进行映射和转化，并最终形成RDF数据。
例如"及时向南平局台风、洪涝等灾害处置领导小组办公室汇报"，通过"向"词在同一语句中查找汇报对象，并通过实体识别模型，识别出"南平局台风、洪涝等灾害处置领导小组办公室"是一个机构实体，再结合Schema和关系抽取模型，最终找到"南平局台风、洪涝等灾害处置领导小组办公室"是谓词"汇报对象"的属性值/对象,并对其结果进行进一步修饰，最后形成如下json片段：
{
“及时汇报”: {
“汇报对象”:”南平局台风、洪涝等灾害处置领导小组办公室”
}
}
1.2.3 知识图谱存储与管理
知识图谱构建完成后，需要对形成的RDF数据进行管理，采用高性能RDF图数据库系统—gStore作为本应用知识图谱存储管理系统。
1.3 核心功能
应急指挥知识图谱现阶段实现了如下两个应用，来发挥知识图谱的价值。
- 知识图谱关联查询
用户可以选择某一个应急事件后，对指定部门或指定阶段（环节）进行关联查询，一方面可以展示某部门在不同阶段需要做的相关事项，另一方面也可以展示某个阶段（环节）有哪些部门参与，各自承担什么角色等信息。
- 知识图谱逐级探索
逐级探索是知识图谱的一种开放式查询方案，用户可以确定某一个实体作为起点，在页面上进行逐级展开，并随时替换查找的起点，从而实现用户随心所欲的探索式查询。
1.4 应用价值
-
将应急指挥中众多PDF、Word等文本数据转化为结构化数据，并进行应急指挥知识图谱自动化构建。
-
通过知识图谱关联查询，针对应急事件快速发现与该事件相关的部门、人员和处置步骤，实现高效的应急指挥和辅助处置决策。
-
基于Page Rank等图分析算法，对应急预案知识图谱进行深度分析，查找出应急处置的关键环节、关键部门，从而分析出处置流程的"瓶颈"流程，通过对瓶颈流程拆分从而优化应急预案。
-
基于环路检测等图分析算法，对应急预案知识图谱中的环路进行检测，如果发现"环路"，则说明该流程存在相互矛盾的环节，从而为流程制定和优化提供数据支撑。
针对gStore有任何问题也可通过加运营同学微信，邀请加入gStore图谱社区咨询。
诚邀大家参加
·gStore-weekly技术文章征集活动·
相关技术文章，包含但不限于以下内容：系统技术解析、案例分享、实践总结、开发心得、客户案例、使用技巧、学习笔记等。文章要求原创。
入选周刊即送 精美礼品~
Original: https://blog.csdn.net/weixin_48167662/article/details/125216466
Author: PKUMOD
Title: #gStore-weekly | gStore应用之应急指挥知识图谱服务平台
相关阅读2
Title: tensorflow的安装
首先提供一个CPU的版本对应图：
其他的可以参考网址https://www.icode9.com/content-4-841102.html
这里我选择安装1.12版本的。打开Anaconda之后创建environment，选择python3.6.13，等待创建完毕之后，打开命令行，执行conda info --envs 得到：
打开anaconda一看：
创建这个tensorflow环境会自动安装一个你选择的版本的python解释器。我打开文件位置，并运行这个python
还真能运行。。
再重新看这创建环境的界面，我突然意识到， 之前创建的环境tensorflow只不过是个名字而已，随便取啥都行， 本质上只是创建了一个独立的 python环境，这点也很好理解。
我想起来，我原本的目的是让我的jupyter能够直接运行tensorflow1.12.0的版本。
好在，我又想起anaconda为我提供了图形化界面，
点击后，相当于整个anaconda切换到了tensorflow环境。而我在HOME里面也就可以重新部署我的应用了。
哎呀呀，真是贴心呢。。。
但是有个问题，jupyter修改了环境之后，原来的库包还能用不？显然不能：
果然我一查：有人跟我遇到一样的问题。。。
后来我安慰自己，至少打开jupyter的时候还能够用快捷方式，并且jupyter里面也能安装包：只要前面加一个感叹号 ！就可以了。
那就不矫情了。。。遇到再装呗。
再提一嘴，一直都很想知道这俩货有什么区别：结合网上说的反正感觉是有powershell的nb一点。
但是，安装tensorflow的时候却出现了
一查发现是pip版本过低，所以需要升级一下：
python -m pip install --upgrade pip
python -m的意思是，将库中的python模块用作脚本去运行（python --help）
之后再从清华镜像里下载对应版本就行了。
pip install tensorflow==1.12.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
之后我的jupyter（tensorflow）就能开心的使用tensorflow了。
。。。。。。
Original: https://blog.csdn.net/weixin_55252589/article/details/122660556
Author: 一碗姜汤
Title: tensorflow的安装
相关阅读3
Title: 基于Tensorflow的神经网络模型搭建——气温预测
基于Tensorflow的神经网络模型搭建
环境：
Anaconda3
python 3.8.10
TensorFlow 2.3.0
numpy 1.22.4
Pycharm 2022.1
文章目录
回归问题预测
- Tensorflow2.x 版本中将使用大量的Keras的简介建模方法
导包
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import datetime
import pandas as pd
from sklearn import preprocessing
from tensorflow.keras import layers
import tensorflow.keras
import warnings
warnings.filterwarnings('ignore')
"""
(348, 1)
"""
测试结果
为了让模型更可靠，我将epoch上调至10000次，并将结果可视化
plt.style.use('fivethirtyeight')
dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in
zip(years, months, days)]
dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in dates]
true_data = pd.DataFrame(data={'date': dates, 'actual': labels})
months = features[:, features_list.index('month')]
days = features[:, features_list.index('day')]
years = features[:, features_list.index('year')]
test_dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in
zip(years, months, days)]
test_dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in test_dates]
predictions_data = pd.DataFrame(data={'date': test_dates, 'prediction': predict.reshape(-1)})
plt.plot(true_data['date'], true_data['actual'], 'b-', label='actual')
plt.plot(predictions_data['date'], predictions_data['prediction'], 'ro', label='prediction')
plt.xticks(rotation='60')
plt.legend()
plt.xlabel('Date')
plt.ylabel('Maximum Temperature (F)')
plt.title('Actual and Predicted Values')
plt.tight_layout(pad=2)
plt.show()
可见结果还是可以接受的，啊。。。。右上角那个点是怎么回事儿？？！！
To be continued...
Original: https://blog.csdn.net/qq_52341302/article/details/125346755
Author: 小叶子．
Title: 基于Tensorflow的神经网络模型搭建——气温预测