自拍偷在线精品自拍偷,亚洲欧美中文日韩v在线观看不卡

<ruby id="kt66s"></ruby>

<acronym id="kt66s"><p id="kt66s"></p></acronym>

<sub id="kt66s"></sub>

<kbd id="kt66s"></kbd>

<em id="kt66s"><tt id="kt66s"></tt></em>

51CTO首頁(yè)

AI.x社區(qū)

軟考社區(qū)

免費(fèi)課

企業(yè)培訓(xùn)

鴻蒙開(kāi)發(fā)者社區(qū)

WOT技術(shù)大會(huì)

公眾號(hào)矩陣

移動(dòng)端

視頻課免費(fèi)課排行榜短視頻直播課軟考學(xué)堂

全部課程軟考華為認(rèn)證廠商認(rèn)證 IT技術(shù)PMP項(xiàng)目管理免費(fèi)題庫(kù)

在線學(xué)習(xí)

文章資源問(wèn)答課堂專欄直播

51CTO

鴻蒙開(kāi)發(fā)者社區(qū)

51CTO技術(shù)棧

51CTO官微

51CTO學(xué)堂

51CTO博客

CTO訓(xùn)練營(yíng)

鴻蒙開(kāi)發(fā)者社區(qū)訂閱號(hào)

51CTO軟考

51CTO學(xué)堂APP

51CTO學(xué)堂企業(yè)版APP

鴻蒙開(kāi)發(fā)者社區(qū)視頻號(hào)

51CTO軟考題庫(kù)

賬號(hào)設(shè)置退出

人工智能

3.0w內(nèi)容??

關(guān)注

聚合人工智能話題下，包括機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等領(lǐng)域的新聞資訊、前沿理論、技術(shù)知識(shí)、應(yīng)用案例。

文章博文帖子課程

共 163 條

“眾里尋他千百度”-深度學(xué)習(xí)的本質(zhì)?

介紹深度學(xué)習(xí)的基本概念、深度學(xué)習(xí)的常見(jiàn)任務(wù)和回歸任務(wù)的實(shí)例分析。最后，以一個(gè)案例的形式，介紹訓(xùn)練一個(gè)模型的完整流程。

2022-12-31 12:25:54

機(jī)器學(xué)習(xí)損失函數(shù)深度學(xué)習(xí)

萬(wàn)字長(zhǎng)文詳解 YOLOv1-v5 系列模型

yolov1 作者提出了一種新的目標(biāo)檢測(cè)方法 YOLO，之前的目標(biāo)檢測(cè)工作都是重新利用分類器來(lái)執(zhí)行檢測(cè)。作者的神經(jīng)網(wǎng)絡(luò)模型是端到端的檢測(cè)，一次運(yùn)行即可同時(shí)得到所有目標(biāo)的邊界框和類別概率。YOLO 架構(gòu)的速度是非?？斓模琤ase 版本實(shí)時(shí)幀率為 45 幀，smaller 版本能達(dá)到每秒 155 幀，性能由于 DPM 和 R-CNN 等檢測(cè)方法。

2022-12-30 17:22:31

cmbn YOLOv2 yolov5

一階段目標(biāo)檢測(cè)網(wǎng)絡(luò)-RetinaNet 詳解

作者深入分析了極度不平衡的正負(fù)（前景背景）樣本比例導(dǎo)致 one-stage 檢測(cè)器精度低于 two-stage 檢測(cè)器，基于上述分析，提出了一種簡(jiǎn)單但是非常實(shí)用的 Focal Loss 焦點(diǎn)損失函數(shù)，并且 Loss 設(shè)計(jì)思想可以推廣到其他領(lǐng)域，同時(shí)針對(duì)目標(biāo)檢測(cè)領(lǐng)域特定問(wèn)題，設(shè)計(jì)了 RetinaNet 網(wǎng)絡(luò)，結(jié)合 Focal Loss 使得 one-stage 檢測(cè)器在精度上能夠達(dá)到乃至超過(guò) two-stage 檢測(cè)器。

2022-12-30 17:19:46

損失函數(shù)focal loss fpn網(wǎng)絡(luò)

詳解網(wǎng)絡(luò)層-網(wǎng)絡(luò)層概述和編址【王道計(jì)算機(jī)網(wǎng)絡(luò)筆記】

@toc主要任務(wù)是把分組從源端傳到目的端，為分組交換網(wǎng)上的不同主機(jī)提供通信服務(wù)。網(wǎng)絡(luò)層的傳輸單位是數(shù)據(jù)報(bào)，數(shù)據(jù)報(bào)是一個(gè)比較長(zhǎng)的數(shù)據(jù)，分組是對(duì)數(shù)據(jù)報(bào)進(jìn)行切割得到的一部分功能：路由選擇與分組轉(zhuǎn)發(fā)（最佳路徑）異構(gòu)網(wǎng)絡(luò)互聯(lián)。4G，wifi，校園網(wǎng)等網(wǎng)絡(luò)之間可以通信擁塞控制。如果所有結(jié)點(diǎn)都來(lái)不及接收分組，而要丟棄大量分組的話，網(wǎng)絡(luò)就處于擁塞狀態(tài)，因此要采取一定措施，緩解這種擁塞IP數(shù)據(jù)報(bào)格式!!\\附件/P

2022-12-29 22:24:44

子網(wǎng)掩碼 IP 子網(wǎng)

詳解數(shù)據(jù)鏈路層-局域網(wǎng)&廣域網(wǎng)【王道計(jì)算機(jī)網(wǎng)絡(luò)筆記】

@toc局域網(wǎng)局域網(wǎng)（LocalAreaNetwork）：簡(jiǎn)稱LAN，是指在某一區(qū)域內(nèi)由多態(tài)計(jì)算機(jī)互聯(lián)成的計(jì)算機(jī)組，使用廣播信道特點(diǎn)覆蓋的地理范圍較小，只在一個(gè)相對(duì)獨(dú)立的局部范圍內(nèi)聯(lián)，如一座或集中的建筑群內(nèi)只用專門鋪設(shè)的傳輸介質(zhì)（雙絞線、同軸電纜）進(jìn)行聯(lián)網(wǎng)，數(shù)據(jù)傳輸速率高（10Mb/s10Gb/s）通信延遲時(shí)間短，誤碼率低，可靠性較高各站為平等關(guān)系，共享傳輸信道多采用分布式控制和廣播式信道，能進(jìn)行

2022-12-28 23:14:48

鏈路網(wǎng)絡(luò)層字段

詳解數(shù)據(jù)鏈路層-介質(zhì)訪問(wèn)控制【王道計(jì)算機(jī)網(wǎng)絡(luò)筆記】

@toc數(shù)據(jù)傳輸使用的兩種鏈路點(diǎn)對(duì)點(diǎn)鏈路：兩個(gè)相鄰結(jié)點(diǎn)通過(guò)一個(gè)鏈路相連，沒(méi)有第三者。應(yīng)用：PPP協(xié)議，常用于廣域網(wǎng)。例如打電話廣播式鏈路：所有主機(jī)共享通信介質(zhì)。應(yīng)用：早期總線以太網(wǎng)、無(wú)線局域網(wǎng)，常用于局域網(wǎng)。例如同一個(gè)頻道的對(duì)講機(jī)典型拓?fù)浣Y(jié)構(gòu)：總線型、星型（邏輯總線型）類似廣播式鏈路的對(duì)講機(jī)，很容易出現(xiàn)對(duì)話沖突的情況，也就是兩個(gè)人想同時(shí)說(shuō)話，但是對(duì)講機(jī)只能讓一個(gè)人說(shuō)完，另一個(gè)人才能再說(shuō)介質(zhì)訪問(wèn)控制

2022-12-27 22:28:03

重傳時(shí)隙數(shù)據(jù)

基于U-Net網(wǎng)絡(luò)的圖像分割的MindStudio實(shí)踐

本實(shí)踐是基于Windows版MindStudio 5.0.RC3，遠(yuǎn)程連接ECS服務(wù)器使用，ECS是基于官方分享的CANN6.0.RC1_MindX_Vision3.0.RC3鏡像創(chuàng)建的。

2022-12-26 11:37:29

U-Net網(wǎng)絡(luò)圖像分割 MindStudio

圖計(jì)算引擎分析 ——Gemini

作者：京東科技王軍前言Gemini 是目前 state-of-art 的分布式內(nèi)存圖計(jì)算引擎，由清華陳文光團(tuán)隊(duì)的朱曉偉博士于 2016 年發(fā)表的分布式靜態(tài)數(shù)據(jù)分析引擎。Gemini 使用以計(jì)算為中心的共享內(nèi)存圖分布式 HPC 引擎。通過(guò)自適應(yīng)選擇雙模式更新（pull/push），實(shí)現(xiàn)通信與計(jì)算負(fù)載均衡 [?1]。圖計(jì)算研究的圖是數(shù)據(jù)結(jié)構(gòu)中的圖，非圖片。實(shí)際應(yīng)用中遇到的圖，如社交網(wǎng)絡(luò)中的好友關(guān)系、

2022-12-26 09:58:42

數(shù)據(jù)任務(wù)調(diào)度存儲(chǔ)空間

深度學(xué)習(xí)煉丹-數(shù)據(jù)增強(qiáng)

在工業(yè)界，數(shù)據(jù)預(yù)處理步驟對(duì)模型精度的提高的發(fā)揮著重要作用。對(duì)于機(jī)器學(xué)習(xí)任務(wù)來(lái)說(shuō)，廣泛的數(shù)據(jù)預(yù)處理一般有四個(gè)階段（視覺(jué)任務(wù)一般只需 Data Transformation）: 數(shù)據(jù)清洗(Data Cleaning)、數(shù)據(jù)整合(Data Integration)、數(shù)據(jù)轉(zhuǎn)換(Data Transformation)和數(shù)據(jù)縮減(Data Reduction)。

2022-12-22 15:21:00

圖像的幾何變換 imgaug 數(shù)據(jù)增強(qiáng)

兩個(gè)視角給你解讀熵、交叉熵、KL散度

本文從兩方面進(jìn)行解釋：數(shù)學(xué)和編碼方面?？傆幸粋€(gè)角度能讓你更好理解。數(shù)學(xué)解釋熵Entropy熵用于計(jì)算一個(gè)離散隨機(jī)變量的信息量。對(duì)于一個(gè)概率分布X，X的熵就是它的不確定性。用大白話來(lái)說(shuō)，假設(shè)你預(yù)測(cè)一個(gè)東西，有時(shí)候結(jié)果會(huì)出乎意料，熵就表示出乎意料的程度。熵越大你越不容易預(yù)測(cè)對(duì)，事情就越容易出乎意料。離散型概率分布X的熵定義為自信息的平均值：H(X)=E_{p(x)}I(x)=\sum_{x}p(x)\

2022-12-16 10:03:09

整除插入圖片哈夫曼編碼

CLIP打通文本圖像壁壘，為AI圖像生成打下基礎(chǔ)

本文有5230字，閱讀大概需要10分鐘。10分鐘你肯定看不完，老老實(shí)實(shí)看吧。碎碎念事情是這樣的，前兩天晚上我嵩突然發(fā)了DreamStudio(https://beta.dreamstudio.ai/dream)讓我們玩一下。!image.png(https://s2.51cto.com/images/blog/202212/10162452_63944254b4f0236295.png?xossp

2022-12-12 09:35:38

數(shù)據(jù)集數(shù)據(jù)編碼器

labelme 安裝使用及常見(jiàn)問(wèn)題解決

@toc(目錄)寫在前面，本文為作者本人在學(xué)習(xí)使用labelme過(guò)程中遇到的各種問(wèn)題，記錄于此，希望對(duì)其他同學(xué)有所幫助。1.labelme安裝labelme是麻省理工（MIT）的計(jì)算機(jī)科學(xué)和人工智能實(shí)驗(yàn)室（CSAIL）研發(fā)的圖像標(biāo)注工具，人們可以使用該工具創(chuàng)建定制化標(biāo)注任務(wù)或執(zhí)行圖像標(biāo)注。1.1Anaconda安裝Anaconda可以理解為是用來(lái)管理python各種庫(kù)的，不同的程序需要庫(kù)的版本和類

2022-12-08 13:13:03

json python 虛擬環(huán)境

進(jìn)來(lái)學(xué)VAE，VAE都不懂還想懂?dāng)U散模型？ | Variational Auto-Encoder

AE自編碼器，無(wú)監(jiān)督的特征學(xué)習(xí)，其目的是利用無(wú)標(biāo)簽數(shù)據(jù)找到一個(gè)有效低維的特征提取器。!(https://s2.51cto.com/images/blog/202212/07092657_638febe1b1c9049170.png?xossprocess=image/watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_

2022-12-08 09:38:48

編碼器正態(tài)分布高斯混合模型

深度學(xué)習(xí)煉丹-不平衡樣本的處理

數(shù)據(jù)層面的處理方法總的來(lái)說(shuō)分為數(shù)據(jù)擴(kuò)充和數(shù)據(jù)采樣法，數(shù)據(jù)擴(kuò)充會(huì)直接改變數(shù)據(jù)樣本的數(shù)量和豐富度，采樣法的本質(zhì)是使得輸入到模型的訓(xùn)練集樣本趨向于平衡，即各類樣本的數(shù)目趨向于一致。

2022-12-07 22:09:09

深度學(xué)習(xí)pytorch 樣本不平衡

快來(lái)給你的寵物視頻加個(gè)表情特效吧

我們將給貓貼一張卡通臉，給 Elon Musk 貼上小胡子，給小狗貼上馴鹿角！

2022-12-07 10:28:31

ide GAN 監(jiān)督學(xué)習(xí)

【翻譯】圖解自注意力機(jī)制

這是我翻譯這位大佬的第二篇文章了。這篇文章是受到大佬認(rèn)證的了。他的原文中有翻譯鏈接，直接指向我。!image.png(https://s2.51cto.com/images/blog/202212/02144329_63899e914b11017979.png?xossprocess=image/watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFF

2022-12-07 09:21:59

自注意力注意力機(jī)制 self-attent

突然火起來(lái)的diffusion model是什么？

模型起源2015年的時(shí)候，有幾位大佬基于非平衡熱力學(xué)提出了一個(gè)純數(shù)學(xué)的生成模型(SohlDicksteinetal.,2015(https://arxiv.org/abs/1503.03585))。不過(guò)那個(gè)時(shí)候他們沒(méi)有用代碼實(shí)現(xiàn)，所以這篇工作并沒(méi)有火起來(lái)。直到后來(lái)斯坦福大學(xué)(Songetal.,2019(https://arxiv.org/abs/1907.05600))和谷歌大腦(Hoetal.

2022-12-05 21:32:04

神經(jīng)網(wǎng)絡(luò)方差概率分布

是什么讓人工智能突然開(kāi)始畫畫了？

封面圖就是用擴(kuò)散模型畫的。這是最近兩個(gè)大火的模型，直接沖到抱抱臉的首頁(yè)。最先火起來(lái)的是圖二。因?yàn)镈ALLE2出來(lái)了，由于DALLE2只對(duì)部分大佬開(kāi)放，因此它的替代品DALLEmini就火了起來(lái)。之后沒(méi)幾天stablediffusion出來(lái)了！最最重要的一點(diǎn)是stablediffusion已經(jīng)向公眾開(kāi)放了（當(dāng)然是付費(fèi)的）。今天就來(lái)說(shuō)一下這幾個(gè)模型背后的東西。!1661335781636.png(ht

2022-12-05 21:31:25

生成模型圖像合成

MegPeak—讓你更懂你的處理器

為了更懂我們的處理器，MegEngine 團(tuán)隊(duì)開(kāi)發(fā)了一個(gè)工具 MegPeak，可以幫助開(kāi)發(fā)人員進(jìn)行性能評(píng)估，開(kāi)發(fā)指導(dǎo)等，目前已經(jīng)開(kāi)源到 GitHub。

2022-12-05 15:42:55

開(kāi)源 MegEngine MegPeak

SVD解決詞分布式表示稀疏性

這篇文章是接著一文拿捏點(diǎn)互信息（PMI）解決詞分布式表示稀疏性問(wèn)題(https://blog.51cto.com/Lolitann/5908497)寫的。解決分布式表示稀疏性問(wèn)題另一個(gè)方法是使用奇異值分解（SingularValueDecomposition，SVD）。我把例子搬過(guò)來(lái)了。還是原來(lái)的三個(gè)句子及其共現(xiàn)矩陣M。我喜歡自然語(yǔ)言處理。我愛(ài)深度學(xué)習(xí)。我喜歡機(jī)器學(xué)習(xí)。\begin{array}{

2022-12-03 19:02:51

奇異值分解 ci 矩陣分解

Time-Series Representation Learning via Temporal and Contextual Contrasting

【論文導(dǎo)讀】Time-Series Representation Learning via Temporal and Contextual Contrasting（時(shí)間和上下文對(duì)比的時(shí)間序列表示學(xué)習(xí)）

2022-12-03 17:21:29

時(shí)間序列深度學(xué)習(xí)表示學(xué)習(xí)

一文拿捏點(diǎn)互信息（PMI）解決詞分布式表示稀疏性問(wèn)題

前饋知識(shí)之前在淺談wordembedding(https://juejin.cn/post/7063875212881690638heading12)里淺淺的說(shuō)了一下onehot是怎么向詞向量表示發(fā)展的，大家可以回顧一下。接下來(lái)我補(bǔ)充一下，接說(shuō)二者之間還有一個(gè)階段，詞的分布式表示。詞的分布式表示理論分布式表示的發(fā)展英國(guó)語(yǔ)言學(xué)家JohnRupertFirth在1957年的《Asynopsisofli

2022-12-03 10:39:07

草履蟲都能上手用的人工智能模型

前排提示：閱讀本文不需要任何人工智能以及算法相關(guān)的知識(shí)。你會(huì)任何一種編程語(yǔ)言就行，會(huì)python當(dāng)然那更好。僅作為NLP科普，娛樂(lè)，實(shí)際算法工作并非這么簡(jiǎn)單。X：“寶，你搞的是什么算法？”A：“NLP，又叫自然語(yǔ)言處理?！盭：“太抽象了啊”A：“比如聊天機(jī)器人？”X：“emmmmm”A：“算了，你自己試一下吧，上車，坐穩(wěn)了。”接下來(lái)會(huì)分為兩部分：沒(méi)有Python環(huán)境的我會(huì)提供一個(gè)colab，但是c

2022-12-01 22:19:10

python 情感分析

MindStudio模型訓(xùn)練場(chǎng)景精度比對(duì)全流程和結(jié)果分析

MindStudio是一套基于華為昇騰AI處理器開(kāi)發(fā)的AI全棧開(kāi)發(fā)平臺(tái)

2022-11-09 14:15:05

tensorflow 昇騰 MindStudio

Workflow，要不要了解一下

Workflow本質(zhì)是開(kāi)發(fā)者基于實(shí)際業(yè)務(wù)場(chǎng)景開(kāi)發(fā)用于部署模型或應(yīng)用的流水線工具。

2022-10-31 16:53:36

服務(wù)部署 Workflow 流水線

【計(jì)算機(jī)視覺(jué)（CV）】基于k-means實(shí)現(xiàn)鳶尾花聚類

【計(jì)算機(jī)視覺(jué)（CV）】基于k-means實(shí)現(xiàn)鳶尾花聚類，基于百度飛槳開(kāi)發(fā)，參考于《機(jī)器學(xué)習(xí)實(shí)踐》所作。

2022-10-29 20:13:08

paddle 計(jì)算機(jī)視覺(jué)k-means

【計(jì)算機(jī)視覺(jué)（CV）】基于高層API實(shí)現(xiàn)寶石分類

【計(jì)算機(jī)視覺(jué)（CV）】基于高層API實(shí)現(xiàn)寶石分類，基于百度飛槳開(kāi)發(fā)，參考于《機(jī)器學(xué)習(xí)實(shí)踐》所作。

2022-10-27 11:15:21

paddle 計(jì)算機(jī)視覺(jué)高層API

【計(jì)算機(jī)視覺(jué)（CV）】基于全連接網(wǎng)絡(luò)實(shí)現(xiàn)寶石分類

【計(jì)算機(jī)視覺(jué)（CV）】基于全連接神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)寶石分類，基于百度飛槳開(kāi)發(fā)，參考于《機(jī)器學(xué)習(xí)實(shí)踐》所作。

2022-10-26 09:58:13

paddle 計(jì)算機(jī)視覺(jué)全連接神經(jīng)網(wǎng)絡(luò)

Opencv 圖像處理：圖像基礎(chǔ)操作與灰度轉(zhuǎn)化

本文已收錄于Opencv系列專欄： ??深入淺出OpenCV?? ，專欄旨在詳解Python版本的Opencv，為計(jì)算機(jī)視覺(jué)的開(kāi)發(fā)與研究打下堅(jiān)實(shí)基礎(chǔ)。免費(fèi)訂閱，持續(xù)更新。圖像屬性1.圖像格式圖像壓縮比: 通過(guò)編碼器壓縮后的圖象數(shù)字大小和原圖象數(shù)字大小的壓縮比。BMP 格式 Windows系統(tǒng)下的標(biāo)準(zhǔn)位圖格式，未經(jīng)過(guò)壓縮，一般圖像文件會(huì)比較大。在很多軟件中被廣泛應(yīng)用。JPEG 格式也是應(yīng)用最廣泛的

2022-10-25 09:22:05

參數(shù)說(shuō)明灰度灰度圖

Opencv 圖像處理：數(shù)字圖像的必會(huì)知識(shí)

本文已收錄于Opencv系列專欄： ??深入淺出OpenCV?? ，專欄旨在詳解Python版本的Opencv，為計(jì)算機(jī)視覺(jué)的開(kāi)發(fā)與研究打下堅(jiān)實(shí)基礎(chǔ)。免費(fèi)訂閱，持續(xù)更新。數(shù)字圖像1.數(shù)字圖像概念數(shù)字圖像：數(shù)字圖像，又稱數(shù)碼圖像，一幅二維圖像可以由一個(gè)數(shù)組或矩陣表示。數(shù)字圖像可以理解為一個(gè)二維函數(shù)f(x,y), 其中 x 和 y 是空間平面坐標(biāo)，而在任意坐標(biāo)處的值 f 稱為圖像在該點(diǎn)處的強(qiáng)度或灰度。

2022-10-24 18:49:30

數(shù)字圖像 python 計(jì)算機(jī)視覺(jué)

如何進(jìn)行超參數(shù)調(diào)整？

大家好，我是小寒。????我們都知道在訓(xùn)練機(jī)器學(xué)習(xí)模型時(shí)，都需要人工指定一組超參數(shù)。例如，邏輯回歸模型具有不同的求解器，用于查找可以為我們提供最佳輸出的系數(shù)。每個(gè)求解器都使用不同的算法來(lái)找到最佳結(jié)果，并且這些算法都沒(méi)有一個(gè)比另一個(gè)更好。除非你嘗試所有這些求解器，否則很難判斷哪個(gè)求解器在你的數(shù)據(jù)集上表現(xiàn)最好。最好的超參數(shù)是主觀的，并且對(duì)于每個(gè)數(shù)據(jù)集都不同。Python 中的 Scikit-l

2022-10-24 17:49:45

python 機(jī)器學(xué)習(xí)人工智能

LMS Virtual.Lab二次開(kāi)發(fā)：聲學(xué)仿真理論基礎(chǔ)準(zhǔn)備（Python）

采用LMS Virtual.Lab Acoustics聲學(xué)軟件，可以直接打開(kāi)CATIA V5的設(shè)計(jì)模型、或者間接導(dǎo)入其它CAD軟件的三維模型，實(shí)現(xiàn)從聲學(xué)模型創(chuàng)建、復(fù)雜邊界條件加載、快速求解計(jì)算，直到計(jì)算結(jié)果評(píng)估、響應(yīng)峰值定位、問(wèn)題根源探究、以及快速修改預(yù)測(cè)的流程化聲學(xué)仿真過(guò)程，為用戶提供最完備的聲學(xué)分析解決方案。

2022-10-10 06:12:14

頻域時(shí)域 matlab

DeepRec 大規(guī)模稀疏模型訓(xùn)練推理引擎

本文將以DeepRec背景、DeepRec功能和DeepRec社區(qū)這三個(gè)方面展開(kāi)敘述

2022-10-08 16:58:11

深度學(xué)習(xí)稀疏模型

【深度學(xué)習(xí)前沿應(yīng)用】圖像分類Fine-Tuning

【深度學(xué)習(xí)前沿應(yīng)用】圖像分類Fine-Tuning

2022-10-07 23:24:43

paddle 人工智能深度學(xué)習(xí)

Python opencv 圖像特效處理

最近處理視覺(jué)相關(guān)的項(xiàng)目，分享一下通過(guò)opencv的圖像特效處理，原圖鎮(zhèn)樓1、灰度處理將cv2.imread()方法的第二參數(shù)設(shè)為0即可得到灰色圖像。import cv2img0 = cv2.imread('1.jpg', 0)img1 = cv2.imread('1.jpg', 1)print(img0.shape)print(img1.shape)cv2.imshow('img0', img0)

2022-10-06 08:12:42

彩色圖像灰度圖像融合

【CV知識(shí)點(diǎn)匯總與解析】|損失函數(shù)篇

【CV知識(shí)點(diǎn)匯總與解析】|損失函數(shù)篇【寫在前面】本系列文章適合Python已經(jīng)入門、有一定的編程基礎(chǔ)的學(xué)生或人士，以及人工智能、算法、機(jī)器學(xué)習(xí)求職的學(xué)生或人士。系列文章包含了深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺(jué)、特征工程等。相信能夠幫助初學(xué)者快速入門深度學(xué)習(xí)，幫助求職者全面了解算法知識(shí)點(diǎn)。1、機(jī)器學(xué)習(xí)中常見(jiàn)的損失函數(shù)及其應(yīng)用場(chǎng)景？用于分類問(wèn)題：0-1損失函數(shù)：0-1損失函數(shù)可以直觀的刻畫分類的錯(cuò)誤率，

2022-10-05 16:47:39

損失函數(shù)權(quán)重相似度

深度學(xué)習(xí)裝機(jī)指南：從GPU到顯示器，全套硬件推薦

前言：硬件設(shè)備，是任何一名深度學(xué)習(xí)er不可或缺的核心裝備。各位初級(jí)調(diào)參魔法師們，你們有沒(méi)有感到缺少那一根命中注定的魔杖？可是，各種CPU、GPU、內(nèi)存條、外設(shè)，那么多品牌種類型號(hào)參數(shù)，到底該怎么選？文章內(nèi)容較長(zhǎng)、耐心差的小伙伴直接拉到最后看結(jié)論即可1、GPU顯卡（GPU）是深度學(xué)習(xí)的重要部件，甚至比CPU更重要。做深度學(xué)習(xí)不用GPU只用CPU顯然是不明智的，慢的如烏龜，跑個(gè)模型等幾天，難熬，但適合

2022-10-05 08:43:12

深度學(xué)習(xí)數(shù)據(jù)插槽

還能這么玩？將Prompt Tuning用于細(xì)粒度的圖像檢索！

還能這么玩？將Prompt Tuning用于細(xì)粒度的圖像檢索！【寫在前面】細(xì)粒度對(duì)象檢索旨在學(xué)習(xí)判別表示以檢索視覺(jué)上相似的對(duì)象。然而，現(xiàn)有的最佳性能作品通常在語(yǔ)義嵌入空間上施加成對(duì)的相似性，以在有限的數(shù)據(jù)體系中不斷調(diào)整整個(gè)模型，從而導(dǎo)致容易收斂到次優(yōu)解。本文提出了細(xì)粒度檢索提示調(diào)優(yōu)算法(FRPT)，該算法從樣本提示和特征自適應(yīng)的角度出發(fā)，利用凍結(jié)的預(yù)訓(xùn)練模型來(lái)執(zhí)行細(xì)粒度檢索任務(wù)。具體地說(shuō)，F(xiàn)RPT

2022-09-29 08:45:47

細(xì)粒度子類權(quán)重

MM2022 | 用StyleGAN進(jìn)行數(shù)據(jù)增強(qiáng)，真的太好用了

MM2022 | 用StyleGAN進(jìn)行數(shù)據(jù)增強(qiáng)，真的太好用了【寫在前面】本文研究了生成文本-圖像對(duì)的開(kāi)放性研究問(wèn)題，以改進(jìn)細(xì)粒度圖像到文本跨模態(tài)檢索任務(wù)的訓(xùn)練，并提出了一種通過(guò)揭示StyleGAN2模型隱藏的語(yǔ)義信息來(lái)增強(qiáng)配對(duì)數(shù)據(jù)的新框架。具體來(lái)說(shuō)，作者首先在給定的數(shù)據(jù)集上訓(xùn)練StyleGAN2模型。然后，將真實(shí)圖像投影回StyleGAN2的潛在空間，以獲得潛在代碼。為了使生成的圖像具有可操作性

2022-09-27 08:56:12

數(shù)據(jù)模態(tài)數(shù)據(jù)集

【深度學(xué)習(xí)前沿應(yīng)用】圖像分類Fine-Tuning

【自然語(yǔ)言處理（NLP）】圖像分類Fine-Tuning，基于百度飛槳開(kāi)發(fā)，參考于《機(jī)器學(xué)習(xí)實(shí)踐》所作。

2022-09-06 17:59:46

paddle 深度學(xué)習(xí)人工智能

Qt實(shí)戰(zhàn)：云曦日歷篇

一款相對(duì)完善的日歷軟件——云曦日歷（YXCalendar）

2022-08-22 20:31:22

人工智能 Qt 日歷

【深度學(xué)習(xí)前沿應(yīng)用】文本分類Fine-Tunning

【自然語(yǔ)言處理（NLP）】基于GRU實(shí)現(xiàn)情感分類，基于百度飛槳開(kāi)發(fā)，參考于《機(jī)器學(xué)習(xí)實(shí)踐》所作。

2022-08-18 16:01:03

paddle 人工智能自然語(yǔ)言處理

如何使用 Keras Function API 進(jìn)行深度學(xué)習(xí)

聽(tīng)說(shuō)過(guò)嗎？Keras中的模型還能拆成塊再拼起來(lái)，搞得跟樂(lè)高一樣，難怪韓國(guó)人寫書時(shí)用樂(lè)高積木舉例子。

2022-08-18 10:30:47

2d 特征提取感知器

【Computer Vision】基于ResNet-50實(shí)現(xiàn)CIFAR10數(shù)據(jù)集分類

【Computer Vision】基于ResNet-50實(shí)現(xiàn)CIFAR10數(shù)據(jù)集分類，基于百度飛槳開(kāi)發(fā)，參考于《機(jī)器學(xué)習(xí)實(shí)踐》所作。

2022-08-16 16:42:26

paddle python 人工智能

【深度學(xué)習(xí)前沿應(yīng)用】圖像風(fēng)格遷移

【深度學(xué)習(xí)前沿應(yīng)用】圖像風(fēng)格遷移，基于百度飛槳開(kāi)發(fā)，參考于《機(jī)器學(xué)習(xí)實(shí)踐》所作。

2022-08-12 16:20:19

paddle python 深度學(xué)習(xí)

【CV】圖像數(shù)據(jù)預(yù)處理詳解

【CV】圖像數(shù)據(jù)預(yù)處理，基于百度飛槳開(kāi)發(fā)，參考于《機(jī)器學(xué)習(xí)實(shí)踐》所作。

2022-08-11 10:50:57

python 人工智能圖像處理

【人工智能】機(jī)器學(xué)習(xí)介紹以及機(jī)器學(xué)習(xí)流程

機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí)（Machine Learning，ML）是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。普遍認(rèn)為，機(jī)器學(xué)習(xí)的處理系統(tǒng)和算法是主要通過(guò)找出數(shù)據(jù)里隱藏的模式進(jìn)而做出預(yù)測(cè)的識(shí)別模式，它是人工智能的一個(gè)重要子領(lǐng)域。機(jī)器學(xué)習(xí)分類按照訓(xùn)練樣

2022-08-09 08:26:02

數(shù)據(jù)機(jī)器學(xué)習(xí)數(shù)據(jù)集

【人工智能】機(jī)器學(xué)習(xí)之運(yùn)用特征臉（eigenface）和sklearn.svm.SVC進(jìn)行人臉識(shí)別

運(yùn)用特征臉（eigenface）和sklearn.svm.SVC進(jìn)行人臉識(shí)別。首先需要下載一個(gè)經(jīng)過(guò)預(yù)處理的數(shù)據(jù)集，從數(shù)據(jù)集中找出最有代表性的前5人的預(yù)期結(jié)果第一步，import導(dǎo)入實(shí)驗(yàn)所用到的包import matplotlib.pyplot as pltfrom sklearn.model_selection import train_test_splitfrom sklearn.model_s

2022-07-21 08:45:43

5e 數(shù)據(jù)特征提取

【人工智能】機(jī)器學(xué)習(xí)及與智能數(shù)據(jù)處理Python使用樸素貝葉斯算法對(duì)垃圾短信數(shù)據(jù)集進(jìn)行分類

樸素貝葉斯算法輸入：樣本集合D=｛(x_1,y_1),(x_2,y_2)~(x_m,y_m);待預(yù)測(cè)樣本x; 樣本標(biāo)記的所有可能取值｛c_1,c_2,c_3~c_k｝; 樣本輸入變量X的每個(gè)屬性變量X^i的所有可能取值｛a_i1,a_i2,~,a_iAi｝；輸出：待預(yù)測(cè)樣本x所屬的類別1.計(jì)算標(biāo)記為c_k的樣本出現(xiàn)概率。2.計(jì)算標(biāo)記c_k的樣本，其X^i分量的屬性值為a_ip的概率。3.根據(jù)上面

2022-07-20 09:04:27

數(shù)據(jù)集樸素貝葉斯特征提取

【人工智能】機(jī)器學(xué)習(xí)之用Python使用ID3算法實(shí)例及使用sklearn的決策樹(shù)算法對(duì)葡萄酒數(shù)據(jù)集進(jìn)行分類

???ID3算法實(shí)例??1.使用sklearn的決策樹(shù)算法對(duì)葡萄酒數(shù)據(jù)集進(jìn)行分類，要求：(1)劃分訓(xùn)練集和測(cè)試集（測(cè)試集占20%）(2)對(duì)測(cè)試集的預(yù)測(cè)類別標(biāo)簽和真實(shí)標(biāo)簽進(jìn)行對(duì)比(3)輸出分類的準(zhǔn)確率(4)調(diào)整參數(shù)比較不同算法（ID3， CART）的分類效果。??2. 利用給定ID3算法，畫出下列訓(xùn)練集的決策樹(shù)。???1.葡萄酒分類???(1)劃分訓(xùn)練集和測(cè)試集（測(cè)試集占20%）test_size等

2022-07-19 07:53:49

d3 數(shù)據(jù)集決策樹(shù)

上一頁(yè) 1 2 3 4 下一頁(yè)

點(diǎn)贊

51CTO技術(shù)棧公眾號(hào)

業(yè)務(wù)
速覽

媒體

51CTO CIOAge HC3i

社區(qū)

51CTO博客鴻蒙開(kāi)發(fā)者社區(qū) AI.x社區(qū)

教育

51CTO學(xué)堂精培企業(yè)培訓(xùn) CTO訓(xùn)練營(yíng)

^{<blockquote id="hcrtq"></blockquote>}