Google产品分析Zlatan Kremonic分享了参加Kaggle竞赛的经验

论智 2018-08-10 09:02 次阅读

编者按:Google产品分析Zlatan Kremonic分享了参加Kaggle竞赛的经验。

问题

Kaggle房价竞赛要求参赛者预测2006年至2010年美国爱荷华州埃姆斯市的房价。数据集中包含79个变量,包括许多房屋属性。你可以在Kaggle网站上了解更多细节:https://www.kaggle.com/c/house-prices-advanced-regression-techniques

方法

由于我们的目标变量是连续值(售价),因此这是一个典型的回归问题,让人联想起波斯顿房价数据集。评估标准为预测和实际售价的接近程度(预测值的对数与观测到的售价的对数的均方根误差)。

数据集中包括大量变量,其中许多是类别变量,因此特征选取是这一问题的关键部分。特征选取的两种常用方法:

直接使用scikit-learn中的SelectKBest方法。

LASSO回归。

我在分析中尝试了这两种方法,发现LASSO回归的结果要好一些。

另外,我们将使用XGBoost,并在结果中融合LASSO的输出,以提升模型的精确度。我们的最终结果不错,位于排行榜的前10%(撰写本文时)。

探索性数据分析

因为变量很多,为了节约篇幅,我不会详细演示所有探索性数据分析(我在文末列出了GitHub仓库的链接,如果你对探索性数据分析的细节感兴趣,可以查看其中的EDA.ipynb)。相反,我将直接给出我的主要观察,这些观察给特征工程提供了信息。

我们有大量的类别属性,需要进行独热编码。

一些数值列有null值,需要填充。

许多数值列的分布比较扭曲,需要处理。

如前所述,为了节约篇幅,这里仅仅给出导入库、加载数据的代码,不包括探索性数据分析部分的代码。

import os

import pandas as pd

import numpy as np

from scipy.stats import skew

from sklearn.model_selection importGridSearchCV

from sklearn.linear_model importLasso

from sklearn.metrics import mean_squared_error

from xgboost.sklearn importXGBClassifier

import xgboost as xgb

import matplotlib.pyplot as plt

%matplotlib inline

train = pd.read_csv(os.path.join('data', 'train.csv'))

test = pd.read_csv(os.path.join('data', 'test.csv'))

y = train.iloc[:, -1]

train = train.iloc[:, 1:-1]

test = test.iloc[:, 1:]

submission = test.iloc[:, 0]

特征工程

首先,我们将MSSubClass变量(表示建筑分类编码)从数值转为字符串,因为这些编码只是无序的类别。

def mssubclass(train, test, cols=['MSSubClass']):

for i in (train, test):

for z in cols:

i[z] = i[z].apply(lambda x: str(x))

return train, test

接着,我们将对所有数值特征取对数,包括因变量。由于数值特征包含很多零值,我们使用log1p,在取对数前先加一。

def log(train, test, y):

numeric_feats = train.dtypes[train.dtypes != "object"].index

for i in (train, test):

i[numeric_feats] = np.log1p(i[numeric_feats])

y = np.log1p(y)

return train, test, y

我们将用每列的均值填充null值:

def impute_mean(train, test):

for i in (train, test):

for s in [k for k in i.dtypes[i.dtypes != "object"].index if sum(pd.isnull(i[k])>0)]:

i[s] = i[s].fillna(i[s].mean())

return train, test

独热编码时,同样需要填充null值:

def dummies(train, test):

columns = [i for i in train.columns if type(train[i].iloc[1]) == str or type(train[i].iloc[1]) == float]

for column in columns:

train[column].fillna('NULL', inplace = True)

good_cols = [column+'_'+i for i in train[column].unique()[1:] if i in test[column].unique()]

train = pd.concat((train, pd.get_dummies(train[column], prefix = column)[good_cols]), axis = 1)

test = pd.concat((test, pd.get_dummies(test[column], prefix = column)[good_cols]), axis = 1)

del train[column]

del test[column]

return train, test

整个特征工程流程:

train, test = mssubclass(train, test)

train, test, y = log(train, test, y)

train, test = lotfrontage(train, test)

train, test = garageyrblt(train, test)

train, test = impute_mean(train, test)

train, test = dummies(train, test)

LASSO回归

LASSO回归同时起到了正则化和特征选取的作用,可以改善模型的预测效果。就我们的情况而言,LASSO回归是完美的算法,因为它有助于降低特征数并缓解过拟合。

LASSO回归中需要调节的超参数主要是正则化因子alpha。我们使用GridSearchCV(网格搜索交叉验证)寻找alpha的最优值。

alpha_ridge = [1e-5, 1e-4, 1e-3, 1e-2, 1, 5, 10, 20]

coeffs = {}

for alpha in alpha_ridge:

r = Lasso(alpha=alpha, normalize=True, max_iter=1000000)

r = r.fit(train, y)

grid_search = GridSearchCV(Lasso(alpha=alpha, normalize=True), scoring='neg_mean_squared_error',

param_grid={'alpha': alpha_ridge}, cv=10, n_jobs=-1)

grid_search.fit(train, y)

最终我们得到alpha的最佳值0.0001。为了更直观地理解alpha的影响,我们可以画出所有alpha值的均方根误差:

alpha = alpha_ridge

rmse = list(np.sqrt(-grid_search.cv_results_['mean_test_score']))

plt.figure(figsize=(6,5))

lasso_cv = pd.Series(rmse, index = alpha)

lasso_cv.plot(title = "Validation - LASSO", logx=True)

plt.xlabel("alpha")

plt.ylabel("rmse")

现在用模型拟合训练数据:

lasso = Lasso(alpha=.0001, normalize=True, max_iter=1e6)

lasso = lasso.fit(train, y)

我们的模型有多少列?

coef = pd.Series(lasso.coef_, index = train.columns)

print("Lasso选中了" + str(sum(coef != 0)) + "个变量,并移除了其他" +  str(sum(coef == 0)) + "个变量")

Lasso选中了103个变量,并移除了其他142个变量

此外,我们可以看到,根据我们的模型,房龄、面积、房屋状况是最重要的变量。这很符合直觉——在创建模型时检查模型是否符合常理总是不错的。

imp_coef = pd.concat([coef.sort_values().head(10),

coef.sort_values().tail(10)])

plt.rcParams['figure.figsize'] = (5.0, 5.0)

imp_coef.plot(kind = "barh")

plt.title("Coefficients in the Lasso Model")

用LASSO模型预测测试数据,我们得到的均方根误差为0.1209,这已经足以在排行榜上取得前25%的名次了。

XGBoost模型

由于XGBoost在数据科学竞赛中的强力表现,从2016年起,这一算法变得家喻户晓了。这一算法的挑战之一是处理大数据集时,调整超参数耗时很久。然而,因为我们的数据集包含不到1500项观测,所以我觉得这是一个尝试XGBoost的好机会。为了节约篇幅,我这里不会披露超参数调整的细节。我主要使用的方法是每次交叉验证一到两个参数,以免给我的机器太大的负担,同时在调整会话的间隔重新计算n_estimators的最优值。

下面是我实现的最终模型。它的得分是0.12278,事实上这比LASSO模型要差。

regr = xgb.XGBRegressor(

colsample_bytree=0.3,

gamma=0.0,

learning_rate=0.01,

max_depth=4,

min_child_weight=1.5,

n_estimators=1668,                                                                  

reg_alpha=1,

reg_lambda=0.6,

subsample=0.2,

seed=42,

silent=1)

regr.fit(train, y)

y_pred_xgb = regr.predict(test)

融合模型结果

最后我们需要组合两个模型的结果。我对两个模型的预测取了加权平均。最终的得分是0.11765,明显比两个模型单独预测的结果要好。这确认了集成学习的首要原则,假定误差率互不相关,集成的误差率低于单个模型。

predictions = np.expm1(.6*lasso_pred + .4*y_pred_xgb)

之前在特征工程时使用了log1p,所以现在用expm1还原原数值。注意这里给LASSO更大的权重(0.6),并不是因为在测试数据上LASSO的表现优于XGBoost,而是因为在训练数据上LASSO的表现优于XGBoost(因为建模的时候不能“偷看”测试数据)。

结语

这项竞赛是一个练习标准回归技术的好机会。我只进行了最少的特征工程就取得了前10%的排名。

除了上面的模型,我也尝试了SelectKBest(搭配Pipeline和网格搜索),将列数缩减至138,并得到了0.13215的分数。然而,将其与其他模型融合时,效果不佳。后来我又试了随机森林回归,得分是0.14377,这不算差,但要在我们的集成中加入这个模型,这个分数显然还不够高。

原文标题:LASSO回归与XGBoost:融合模型预测房价

文章出处:【微信号:jqr_AI,微信公众号:论智】欢迎添加关注!文章转载请注明出处。

收藏 人收藏
分享:

评论

相关推荐

如何将自定义图片输入到TensorFlow的训练模型

对于上述代码中与模型构建相关的代码,请查阅官方《Deep MNIST for Experts》一节的....

的头像 Imagination Tech 发表于 08-17 15:57 132次 阅读
如何将自定义图片输入到TensorFlow的训练模型

组建一个出色的数据团队都需要哪些角色?

有一点非常重要,作为一名数据分析师,所做出的任何结论都不能脱离数据。这是一种需要专业训练的技能,就如....

的头像 电子发烧友网工程师 发表于 08-16 09:57 231次 阅读
组建一个出色的数据团队都需要哪些角色?

全球规模最大的多类别、病灶级别标注的开放获取临床医疗图像数据集

要设计深度学习算法解决临床问题,“需要对技术和临床实践两方面都拥有深刻的理解,”吕乐博士说:“AI ....

的头像 新智元 发表于 08-16 09:41 246次 阅读
全球规模最大的多类别、病灶级别标注的开放获取临床医疗图像数据集

解决复杂数据最近邻问题的通用方法

为了找到最近邻,通常所用的方法是将数据分成好几份。假设你的数据就像在牧场中吃草的奶牛,给分散在草场中....

的头像 论智 发表于 08-16 09:24 128次 阅读
解决复杂数据最近邻问题的通用方法

Google已经正式发布安卓9.0,看各家手机厂商的跟进速度

第三个变化是提升了系统效率,比如安装应用时间更快,系统运行更为流畅,设备续航更持久等等。而且谷歌还加....

的头像 科技美学 发表于 08-14 16:39 606次 阅读
Google已经正式发布安卓9.0,看各家手机厂商的跟进速度

初代 Pixel已下架 ,Pixel 2系列正式独担大旗

Google Pixel 2 系列自去年 10 月推出以来,虽然是一波三折,但整体评价都算是不错,前....

的头像 39度创意研究所 发表于 08-14 14:15 69次 阅读
初代 Pixel已下架 ,Pixel 2系列正式独担大旗

探索A/B测试的贝叶斯方法背后的理论

但我们如何知晓后验分布呢?答案在“共轭先验”这一概念之中:如果先验概率分布和后验概率分布同属一个家族....

的头像 论智 发表于 08-14 09:40 525次 阅读
探索A/B测试的贝叶斯方法背后的理论

Google重返国内市场 百度有信心再赢一次

近日关于Google想重返中国市场的传言甚嚣尘上,百度(Baidu)创办人暨CEO李彦宏对此表示,欢....

的头像 DIGITIMES 发表于 08-13 18:05 774次 阅读
Google重返国内市场 百度有信心再赢一次

领导决策的计算和神经生物学基础

无论是在自我试次中还是在小组试次中的每一项决策,都要求被试选择是自己做出决定,还是放弃做出选择的权利....

的头像 人工智能学家 发表于 08-13 15:04 125次 阅读
领导决策的计算和神经生物学基础

Android P或将专门针对刘海屏做UI设计?

不管是夏普嘴里的「美人尖」还是大家更习以为常的屏幕「刘海」,总之这一类在显示面板顶端挖洞的零件排布设....

的头像 39度创意研究所 发表于 08-13 14:49 145次 阅读
Android P或将专门针对刘海屏做UI设计?

传Google将在今年秋季推出三款智能手表,都将搭载高通芯片

根据爆料大神 Evan Blass 和德国网站 Winfuture 得到的消息,Google 有可能....

的头像 39度创意研究所 发表于 08-13 14:13 438次 阅读
传Google将在今年秋季推出三款智能手表,都将搭载高通芯片

比较谷歌、微软、亚马逊等公司的鉴定API能力,哪家强呢?

开发、构建上述ML解决方案是一件非常困难的任务,所以像谷歌、微软这样的大型技术公司或Clarifai....

的头像 新智元 发表于 08-13 09:27 1144次 阅读
比较谷歌、微软、亚马逊等公司的鉴定API能力,哪家强呢?

Google推出新AI实验网站Move Mirror

从AlphaGo到猜画小歌,Google一再向我们展示着人工智能的神通广大,前段时间Google又推....

的头像 AR酱 发表于 08-12 09:44 764次 阅读
Google推出新AI实验网站Move Mirror

谷歌推出第二代App Engine标准runtime,测试版支持Python 3.7

App Engine的原始版本早于Google Cloud Platform,并且它支持现代Web ....

的头像 新智元 发表于 08-10 08:33 575次 阅读
谷歌推出第二代App Engine标准runtime,测试版支持Python 3.7

对AI、以及整个计算领域影响深远的十位算法大师

他是首席算法官,世界上还有如此奇怪的职位?但是对于Amazon乃至Google来说,这一点也不奇怪。....

的头像 新智元 发表于 08-10 08:28 443次 阅读
对AI、以及整个计算领域影响深远的十位算法大师

《人民日报》论“ Google重返中国”李彦宏回应:有信心再赢一次!

8 月 6 日,《人民日报》在它位于 Facebook、Twitter 社交媒体平台的官方账号上发布....

的头像 人工智能 发表于 08-09 11:18 910次 阅读
《人民日报》论“ Google重返中国”李彦宏回应:有信心再赢一次!

亚马逊:这不是人脸识别,如何解读置信分?

结果,吉他手啊,演员啊,画家啊,纷纷与通缉犯高分匹配成功。AI一共完成了17次置信度 (Confid....

的头像 物联网之声 发表于 08-08 17:52 577次 阅读
亚马逊:这不是人脸识别,如何解读置信分?

Google视频搜索结果推出 6 秒预览的功能,从而避免浪费时间观看无关内容

当我们使用 Google 搜索视频时,搜索到的视频只会显示一个静态的缩略图,用户无法像文字搜索结果那....

的头像 39度创意研究所 发表于 08-08 17:20 400次 阅读
Google视频搜索结果推出 6 秒预览的功能,从而避免浪费时间观看无关内容

Android 之父并不只是想做手机,甚至还想改变世界

美国时间 5 月 30 号,「Android 之父」Andy Rubin 创办并担任 CEO 的公司....

的头像 39度创意研究所 发表于 08-08 16:48 668次 阅读
Android 之父并不只是想做手机,甚至还想改变世界

这是什么原理?Google 出了个新玩意儿,没有网络也能搜索东西

Google 出了个新玩意儿,通过它就算没有网络你也能用 Google 搜索东西。这科技黑不黑,好不....

的头像 39度创意研究所 发表于 08-08 16:22 407次 阅读
这是什么原理?Google 出了个新玩意儿,没有网络也能搜索东西

Google重返中国大陆,但必须遵守中国法律

虽然Google并未明确指出攻击账户是中国大陆政府所为,但在一系列“罗生门”事件后,谷歌最终停止了内....

的头像 皇华电子元器件IC供应商 发表于 08-08 14:40 1290次 阅读
Google重返中国大陆,但必须遵守中国法律

谷歌重返中国又有了新的声音,稳定是中国互联网开放的前提

去年11月,谷歌云机器学习与人工智能首席科学家李飞飞在上海宣布了一个大消息:谷歌将在中国组建AI中心....

的头像 新智元 发表于 08-08 10:32 807次 阅读
谷歌重返中国又有了新的声音,稳定是中国互联网开放的前提

究竟是Google想要回归中国,还是大家期望它回来呢?

8 月 6 日,人民日报在社交媒体平台 Twitter、Facebook 上刊登了一篇标题为“Sta....

的头像 电子发烧友网工程师 发表于 08-08 10:28 1334次 阅读
究竟是Google想要回归中国,还是大家期望它回来呢?

一种利用强化学习来设计mobile CNN模型的自动神经结构搜索方法

具体来说,我们提出一种用于设计移动端的CNN模型的自动神经结构搜索方法,称之为Platform-Aw....

的头像 新智元 发表于 08-07 14:10 466次 阅读
一种利用强化学习来设计mobile CNN模型的自动神经结构搜索方法

相隔一年,Android 9.0终要发布

几乎是在明示,Android P将在8月20日发布,安卓9.0终于要修成正果了。巧合的是,安卓8.0....

发表于 08-07 11:34 78次 阅读
相隔一年,Android 9.0终要发布

制定全新标准数据集 促进高性能算法涌现

WIDER Pedestrian提供了专门用于行人检测的大规模数据集。考虑当前行人检测两大热门应用(....

的头像 商汤科技 发表于 08-06 17:30 298次 阅读
制定全新标准数据集 促进高性能算法涌现

Google十年的一个小结,看技术的心态完全不同了

在 Google,有时候工程师很难管理,因为大多数人都想法新、主意多、眼光高、个性强。在 Googl....

的头像 悟空智能科技 发表于 08-06 14:19 983次 阅读
Google十年的一个小结,看技术的心态完全不同了

Google将回归中国?你期待吗?

都说互联网行业十大幻觉之一是Google服务重新入华,现在这一幻觉估计要变成现实了。

的头像 EETOP 发表于 08-05 10:47 783次 阅读
Google将回归中国?你期待吗?

一种新颖而高效的增强校准度量方法用于二值前景图的评估

不难看出IOU是基于局部像素差异的评估方法,缺失了全局信息。如图2所示,(d)中所示不过是噪声图,很....

的头像 新智元 发表于 08-05 10:33 277次 阅读
一种新颖而高效的增强校准度量方法用于二值前景图的评估

尼日利亚的Google Station计划:Google将在尼日利亚提供免费WiFi信号以及Go产品计划

最近,谷歌宣布了一项名为“尼日利亚的Google Station”的计划,将通过WiFi热点为尼日利....

发表于 08-03 15:31 68次 阅读
尼日利亚的Google Station计划:Google将在尼日利亚提供免费WiFi信号以及Go产品计划

Google、Facebook、微软和Twitter合作开发新开源项目,打通不同平台之间的数据传输

来自外媒的多家消息称,Google、Facebook、微软和Twitter四家公司联合宣布了一项名为....

发表于 08-03 11:31 110次 阅读
Google、Facebook、微软和Twitter合作开发新开源项目,打通不同平台之间的数据传输

一款开源机器学习热数据集汇集了10,000多个白天和夜间场景的注释热图像

目前自动驾驶感知一般都用激光雷达(LiDAR)、雷达和摄像头等,这些传感器的感知距离有限,而且对行人....

的头像 智车科技 发表于 08-03 11:24 680次 阅读
一款开源机器学习热数据集汇集了10,000多个白天和夜间场景的注释热图像

基于CNN的方法在代表性的公共数据集上的性能优于其他方法

最近深度学习技术和卷积神经网络的发展为理解位置识别问题提供了另一种方法。AlexNet [ 5 ]显....

的头像 智车科技 发表于 08-03 11:15 360次 阅读
基于CNN的方法在代表性的公共数据集上的性能优于其他方法

一名Android开发工程师的学习之路

最近因为在学习一些新的东西,所以Android的东西没有怎么更新。趁着有些闲工夫,简单说说技术上的学....

的头像 工程师人生 发表于 08-03 09:37 225次 阅读
一名Android开发工程师的学习之路

渐进式神经网络结构搜索技术

我们提出一种学习卷积神经网络(CNN)结构的新方法,该方法比现有的基于强化学习和进化算法的技术更有效....

的头像 新智元 发表于 08-03 09:32 632次 阅读
渐进式神经网络结构搜索技术

围绕以twitter为代表英语文本进行分析

数据预处理是我们面对任何问题时必不可少的一步,在这个任务中,我们要做的是清除和推文情感不怎么相关的各....

的头像 论智 发表于 08-03 09:08 589次 阅读
围绕以twitter为代表英语文本进行分析

Google推出新开源项目 轻松用Go构建云应用

Google 的 Go 语言是当今发展最快的编程语言之一,目前在全球约有 100 万的活跃开发者。

的头像 嵌入式资讯精选 发表于 08-02 17:10 399次 阅读
Google推出新开源项目 轻松用Go构建云应用

4分钟训练好AlexNet,6.6分钟训练好ResNet-50,创造了AI训练世界新纪录

为了充分利用大规模集群算力以达到提升训练速度的目的,人们不断的提升batch size大小,这是因为....

的头像 新智元 发表于 08-02 09:42 479次 阅读
4分钟训练好AlexNet,6.6分钟训练好ResNet-50,创造了AI训练世界新纪录

数据科学作品集应该包括哪些内容?如何提高作品集的吸引力等问题。

很多人意识到了创建项目的价值,但很多人碰到的问题是从哪里得到有趣的数据集,得到之后做什么。Airbn....

的头像 论智 发表于 08-02 09:14 575次 阅读
数据科学作品集应该包括哪些内容?如何提高作品集的吸引力等问题。

Google更新了其最新的Android版本市场份额表

稍稍遗憾的是,这台原型机能进Fastboot却无法开机,开发者称启动信息被谷歌远程擦除了。不过Fas....

的头像 科技美学 发表于 08-01 17:58 993次 阅读
Google更新了其最新的Android版本市场份额表

Google招聘工程师时主要看中哪些方面?

招工程师的过程跟从前大不一样了——有一部分改变是特意设计的。在 Google,我们刻意扩大了校园招聘....

的头像 工程师人生 发表于 08-01 15:21 357次 阅读
Google招聘工程师时主要看中哪些方面?

一种可以超越传统方法捕捉微小的面部表情,并更好的测量人类情绪的机器学习模型

为了解决情感计算中面临的问题,来自麻省理工媒体实验室情感计算研究组提出了一种可以超越传统方法捕捉微小....

的头像 将门创投 发表于 08-01 09:48 304次 阅读
一种可以超越传统方法捕捉微小的面部表情,并更好的测量人类情绪的机器学习模型

一款能使传感器和其他设备更快处理数据的AI专用芯片

Google 进军“定制芯片”市场,是其试图扩大云计算市场份额、与亚马逊和微软加强竞争的一种方式。自....

的头像 电子发烧友网工程师 发表于 07-31 10:17 449次 阅读
一款能使传感器和其他设备更快处理数据的AI专用芯片

Google翻译出现“水逆”,是员工的恶作剧?

在 Reddit 上,有网友截图显示,在 Google 翻译中当某些语种的词汇翻译成英语时,输出的却....

的头像 电子发烧友网工程师 发表于 07-31 08:22 369次 阅读
Google翻译出现“水逆”,是员工的恶作剧?

Google推出了开源项目Go Cloud,为更轻松地使用Go构建云应用

Google 的 Go 语言是当今发展最快的编程语言之一,目前在全球约有 100 万的活跃开发者。但....

的头像 Linux爱好者 发表于 07-30 16:01 348次 阅读
Google推出了开源项目Go Cloud,为更轻松地使用Go构建云应用

Google发布超低功耗的ASIC芯片Edge TPU处理器

Google于美国当地时间周三在Next云端大会,重磅发布了Edge TPU处理器。

的头像 高工智能未来 发表于 07-30 14:11 1027次 阅读
Google发布超低功耗的ASIC芯片Edge TPU处理器

GitHub星数最多的Top 10热门项目

这个GitHub库提供了他们的论文“DARTS: Differentiable Architectu....

的头像 新智元 发表于 07-29 10:10 535次 阅读
GitHub星数最多的Top 10热门项目

一种深度学习模型,根据电影预告片来预测哪些观众最有可能看这部电影

我们对每部电影都从他的预告片中创建一个视频向量。然后一个多层感知器(MLP)经过训练后可以将视频向量....

的头像 论智 发表于 07-29 09:18 673次 阅读
一种深度学习模型,根据电影预告片来预测哪些观众最有可能看这部电影

移动评测联盟正式发布MobileBench移动性能指标2.0版

近日正式发布MobileBench 移动性能指标2.0 版。这是一项可信、公正、准确且不同于一般消费....

的头像 电子发烧友网工程师 发表于 07-29 09:18 376次 阅读
移动评测联盟正式发布MobileBench移动性能指标2.0版

一文解析AddressSanitizer算法及源码

AddressSanitizer是Google用于检测内存各种buffer overflow的一个非....

的头像 Linuxer 发表于 07-28 11:41 414次 阅读
一文解析AddressSanitizer算法及源码

融资大事件 | 寒武纪完成数亿美元B轮融资;Google 向京东投资 5.5 亿美元

全球最大的在线少儿英语品牌VIPKID今日确认完成5亿美金的D+轮融资、寒武纪也宣布完成数亿美元的B轮融资、这周投资界到...

发表于 06-25 11:32 190次 阅读
融资大事件 | 寒武纪完成数亿美元B轮融资;Google 向京东投资 5.5 亿美元