51CTO首頁(yè)

AI.x社區(qū)

博客

學(xué)堂

精品班

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

深度學(xué)習(xí)

1694內(nèi)容??

關(guān)注

涵蓋深度學(xué)習(xí)相關(guān)模型、框架、開(kāi)發(fā)與應(yīng)用知識(shí)。

文章博文課程

共 163 條

『小浣熊家族 AI 辦公助手』一遇數(shù)據(jù)分析就犯難？“別怕” 快讓小浣熊幫你一鍵搞定數(shù)據(jù)分析！

數(shù)據(jù)分析一直是一個(gè)熱門(mén)話題，不管是公司的業(yè)務(wù)員，業(yè)務(wù)主管，又或電商店鋪經(jīng)營(yíng)都需要對(duì)自己的銷(xiāo)售情況去做數(shù)據(jù)分析，來(lái)去分析自己每段時(shí)間的銷(xiāo)售情況。而使用Excel進(jìn)行數(shù)據(jù)分析來(lái)制作各種圖表使用起來(lái)往往一整頭大，BI分析又需要IT從業(yè)者來(lái)配合靈活性低，那么在當(dāng)今大數(shù)據(jù)和人工智能時(shí)代有沒(méi)有更高效簡(jiǎn)單的辦公利器呢？

2024-12-27 17:56:17

數(shù)據(jù)分析數(shù)據(jù)數(shù)據(jù)清洗

【文心智能體】旅游攻略版，手把手教你調(diào)用插件實(shí)現(xiàn)智能體，絕對(duì)的干貨滿滿！

2024-10-08 12:04:12

開(kāi)發(fā)者智能體人工智能

基于TensorFlow2的mnist數(shù)據(jù)集手寫(xiě)字體識(shí)別

2024-03-12 21:05:24

tensorflow

MoE模型性能還能更上一層樓？一次QLoRA微調(diào)實(shí)踐

Fine-Tuning?Mixtral?8x7B?with?QLoRA：Enhancing?Model?Performance??編者按：最近，混合專家(Mixture?of?Experts,MoE)這種模型設(shè)計(jì)策略展現(xiàn)出了卓越的語(yǔ)言理解能力，如何在此基礎(chǔ)上進(jìn)一步提升?MoE?模型的性能成

2024-01-10 16:25:04

AI 深度學(xué)習(xí)人工智能

深度解析 PyTorch Autograd：從原理到實(shí)踐

本文深入探討了 PyTorch 中 Autograd 的核心原理和功能。從基本概念、Tensor 與 Autograd 的交互，到計(jì)算圖的構(gòu)建和管理，再到反向傳播和梯度計(jì)算的細(xì)節(jié)，最后涵蓋了 Autograd 的高級(jí)特性。關(guān)注TechLead，分享AI全維度知識(shí)。作者擁有10+年互聯(lián)網(wǎng)服務(wù)架構(gòu)、AI產(chǎn)品研發(fā)經(jīng)驗(yàn)、團(tuán)隊(duì)管理經(jīng)驗(yàn)，同濟(jì)本復(fù)旦碩，復(fù)旦機(jī)器人智能實(shí)驗(yàn)室成員，阿里云認(rèn)證的資深架構(gòu)師，

2024-01-04 12:04:26

人工智能深度學(xué)習(xí)機(jī)器學(xué)習(xí)

使用 RecyclerView 和 BaseMultiItemQuickAdapter 實(shí)現(xiàn)固定列表

盤(pán)古大模型致力于深耕行業(yè)，打造金融、政務(wù)、制造、礦山、氣象、鐵路等領(lǐng)域行業(yè)大模型和能力集，將行業(yè)知識(shí)know-how與大模型能力相結(jié)合，重塑千行百業(yè)，成為各組織、企業(yè)、個(gè)人的專家助手。

2023-08-03 16:17:52

科學(xué)計(jì)算數(shù)據(jù)自然語(yǔ)言處理

YOLOX目標(biāo)檢測(cè)實(shí)戰(zhàn)：LabVIEW+YOLOX ONNX模型實(shí)現(xiàn)推理檢測(cè)（含源碼）

2023-07-13 13:31:04

LabVIEW python yolo

使用LabVIEW實(shí)現(xiàn) DeepLabv3+ 語(yǔ)義分割含源碼

使用LabVIEW實(shí)現(xiàn) DeepLab 語(yǔ)義分割含源碼

2023-07-11 16:17:06

LabVIEW 深度學(xué)習(xí)圖像分割

手把手教你使用LabVIEW實(shí)現(xiàn)Mask R-CNN圖像實(shí)例分割（含源碼）

使用LabVIEW實(shí)現(xiàn)Mask R-CNN圖像實(shí)例分割

2023-03-21 13:25:04

LabVIEW 深度學(xué)習(xí)人工智能

深度學(xué)習(xí)模型訓(xùn)練和關(guān)鍵參數(shù)調(diào)優(yōu)詳解

本文將通過(guò)針對(duì)特定場(chǎng)景任務(wù)從模型選擇、模型訓(xùn)練、超參優(yōu)化、效果展示這四個(gè)方面與各位讀者分享模型開(kāi)發(fā)的一些心得。參考資料：??最實(shí)用的項(xiàng)目開(kāi)發(fā)全流程!從自建數(shù)據(jù)集到模型部署,其實(shí)沒(méi)有這么難!????神經(jīng)網(wǎng)絡(luò)前向傳播原理詳解????寫(xiě)給小白的入門(mén)筆記，神經(jīng)網(wǎng)絡(luò)梯度下降原理詳解????使用飛槳可解釋性算法庫(kù)InterpretDL解析人臉識(shí)別模型??一、模型選擇從任務(wù)類型出發(fā)，選擇最合適的模型。1.回歸任

2023-03-16 21:19:10

paddle 數(shù)據(jù)集模型庫(kù)

【2023-Pytorch-檢測(cè)教程】手把手教你使用YOLOV5做電線絕緣子缺陷檢測(cè)

隨著社會(huì)和經(jīng)濟(jì)的持續(xù)發(fā)展，電力系統(tǒng)的投資與建設(shè)也日益加速。在電力系統(tǒng)中，輸電線路作為電能傳輸?shù)妮d體，是最為關(guān)鍵的環(huán)節(jié)之一。而絕緣子作為輸電環(huán)節(jié)中的重要設(shè)備，在支撐固定導(dǎo)線，保障絕緣距離的方面有著重要作用。大多數(shù)高壓輸電線路主要架設(shè)在非城市內(nèi)地區(qū)，絕緣子在輸電線路中由于數(shù)量眾多、跨區(qū)分布，且長(zhǎng)期暴露在空氣中，受惡劣自然環(huán)境的影響，十分容易發(fā)生故障。隨著大量輸電工程的快速建設(shè)，傳統(tǒng)依靠人工巡檢的模式，

2023-03-15 17:17:43

虛擬環(huán)境數(shù)據(jù)集無(wú)人機(jī)

GPT-4重磅發(fā)布，迄今為止最強(qiáng)大的模型

3月14日，萬(wàn)眾期待的GPT-4終于發(fā)布啦！千呼萬(wàn)喚始出來(lái)！ GPT-4重磅發(fā)布，它究竟厲害在哪？ GPT4是迄今為止最強(qiáng)大的模型 GPT-4（Generative Pre-trained Transformer 4）是由OpenAI創(chuàng)建的多模態(tài)大型語(yǔ)言模型，是GPT系列的一員。官方說(shuō)明，GPT-4將通過(guò) API 和 ChatGPT Plus 向用戶提供服務(wù)。 OpenAI 在宣布 GPT-4 的

2023-03-15 15:03:24

多模態(tài)GPT4 超大語(yǔ)言模型

Python TensorFlow實(shí)現(xiàn)Sequential深度神經(jīng)網(wǎng)絡(luò)回歸

本文介紹基于Python語(yǔ)言中TensorFlow的Keras接口，實(shí)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)回歸的方法~

2023-03-15 12:19:16

Python TensorFlow 機(jī)器學(xué)習(xí)

高端局來(lái)了！元宇宙第一股Roblox融合AI，打開(kāi)游戲新世界大門(mén)

生成式AI也需要多年的發(fā)展，它只是未來(lái)世界的一個(gè)選項(xiàng)

2023-03-14 14:44:30

Roblox 生成式AI

多模態(tài)深度學(xué)習(xí)方法綜述

多模態(tài)方法種類多模態(tài)深度學(xué)習(xí)是指將來(lái)自不同感知模態(tài)的信息（如圖像、文本、語(yǔ)音等）融合到一個(gè)深度學(xué)習(xí)模型中，以實(shí)現(xiàn)更豐富的信息表達(dá)和更準(zhǔn)確的預(yù)測(cè)。在多模態(tài)深度學(xué)習(xí)中，模型之間的融合通常有以下三種方法：模態(tài)聯(lián)合學(xué)習(xí)（Multimodal Joint Learning）：模態(tài)聯(lián)合學(xué)習(xí)是一種聯(lián)合訓(xùn)練的方法，將來(lái)自不同模態(tài)的數(shù)據(jù)輸入到一個(gè)模型中，模型可以同時(shí)學(xué)習(xí)到多個(gè)模態(tài)的特征表示，并將這些特征表示融合在一

2023-03-14 14:24:12

模態(tài)paddle 數(shù)據(jù)

手把手教你使用LabVIEW OpenCV dnn實(shí)現(xiàn)物體識(shí)別（Object Detection）含源碼

今天和大家一起分享如何使用LabVIEW調(diào)用pb模型實(shí)現(xiàn)物體識(shí)別

2023-03-14 12:57:07

深度學(xué)習(xí)機(jī)器視覺(jué)目標(biāo)檢測(cè)

手把手教你使用LabVIEW OpenCV dnn實(shí)現(xiàn)圖像分類（含源碼）

使用LabVIEW OpenCV dnn實(shí)現(xiàn)圖像分類

2023-03-09 13:59:56

圖像分類深度學(xué)習(xí)人工智能

手把手教你使用LabVIEW OpenCV DNN實(shí)現(xiàn)手寫(xiě)數(shù)字識(shí)別（含源碼）

在LabVIEW中如何使用OpenCV DNN模塊實(shí)現(xiàn)手寫(xiě)數(shù)字識(shí)別

2023-03-08 16:13:30

DNN OpenCV 深度學(xué)習(xí)

基于輕量級(jí)YOLOv5開(kāi)發(fā)構(gòu)建漢字檢測(cè)識(shí)別分析系統(tǒng)

2023-03-08 13:17:47

數(shù)據(jù)集 Database 目標(biāo)檢測(cè)

喜馬拉雅基于DeepRec構(gòu)建AI平臺(tái)實(shí)踐

快速落地大模型訓(xùn)練和推理能力，帶來(lái)業(yè)務(wù)指標(biāo)和后續(xù)算法優(yōu)化空間的顯著提升。

2023-03-08 10:24:26

深度學(xué)習(xí)稀疏學(xué)習(xí)推理

手把手教你用python寫(xiě)游戲

引言最近python語(yǔ)言大火，除了在科學(xué)計(jì)算領(lǐng)域python有用武之地之外，在游戲、后臺(tái)等方面，python也大放異彩，本篇博文將按照正規(guī)的項(xiàng)目開(kāi)發(fā)流程，手把手教大家寫(xiě)個(gè)python小游戲,項(xiàng)目來(lái)自《Python編程從入門(mén)到實(shí)踐》（本文將原項(xiàng)目中的部分錯(cuò)誤進(jìn)行修改完善，PS:強(qiáng)烈推薦這本書(shū)，真的很贊），來(lái)感受下其中的有趣之處。本次開(kāi)發(fā)的游戲叫做alien invasion。安裝pygame...

2023-03-07 12:56:22

python game 加載

Holt-Winters模型原理分析及代碼實(shí)現(xiàn)（python)

引言最近實(shí)驗(yàn)室老師讓我去預(yù)測(cè)景區(qū)內(nèi)代步車(chē)輛的投放量，于是乎，本著“一心一意地輸出年富力強(qiáng)的勞動(dòng)力”這份初心，我就屁顛屁顛地去找資料，然后發(fā)現(xiàn)了Holt-Winters模型 , 感覺(jué)這個(gè)模型可以有，于是就去研究一番，并總結(jié)成這篇博客了。原理分析移動(dòng)平均（The simple moving average (SMA)）直觀上，最簡(jiǎn)單的平滑時(shí)間序列的方法是實(shí)現(xiàn)一個(gè)無(wú)權(quán)重的移動(dòng)平均，目前已知的方法是用窗口函

2023-03-07 12:47:42

數(shù)據(jù)挖掘機(jī)器學(xué)習(xí)數(shù)據(jù)

Linux（Centos7）下rpm方式安裝MySQL

1. 卸載已有MySQL1.1. 查看是否已安裝mysqlrpm -qa |grep -i mysql如果系統(tǒng)已安裝，請(qǐng)卸載刪除。1.2. 刪除MySQL刪除命令：rpm -e --nodeps 包名rpm -ev mysql-libs-5.1.73-8.el6_8.x86_64如果提示依賴包錯(cuò)誤，則使用以下命令嘗試（個(gè)人建議）：rpm -ev mysql-libs-5.1.73-8.el6_8.x86_64 --nodeps如果提示錯(cuò)誤：error: %preun(xxxxx.

2023-03-06 17:43:02

mysql linux java

OpenAI官方發(fā)布ChatGPT API接口gpt-3.5-turbo

2023-03-03 17:19:39

自動(dòng)更新 HTML chatgpt3.5

手把手教你使用LabVIEW人工智能視覺(jué)工具包快速實(shí)現(xiàn)傳統(tǒng)Opencv算子的調(diào)用(含源碼)

使用LabVIEW AI視覺(jué)工具包快速實(shí)現(xiàn)圖像的濾波與增強(qiáng)；圖像灰度處理；閾值處理與設(shè)定；二值化處理；邊緣提取與特征提取等基本操作。

2023-03-03 13:33:07

LabVIEW 人工智能深度學(xué)習(xí)

Backbone 網(wǎng)絡(luò)-ResNet 網(wǎng)絡(luò)詳解

殘差網(wǎng)絡(luò)(ResNet)的提出是為了解決深度神經(jīng)網(wǎng)絡(luò)的“退化”（優(yōu)化）問(wèn)題。ResNet 通過(guò)設(shè)計(jì)殘差塊結(jié)構(gòu)，調(diào)整模型結(jié)構(gòu)，讓更深的模型能夠有效訓(xùn)練更訓(xùn)練。

2023-02-24 19:04:29

卷積神經(jīng)網(wǎng)絡(luò)擬合

基于pytorch實(shí)現(xiàn)模型剪枝

所謂模型剪枝，其實(shí)是一種從神經(jīng)網(wǎng)絡(luò)中移除"不必要"權(quán)重或偏差（weigths/bias）的模型壓縮技術(shù)。本文深入描述了 pytorch 框架的幾種剪枝 API，包括函數(shù)功能和參數(shù)定義，并給出示例代碼。

2023-02-23 23:41:06

結(jié)構(gòu)化剪枝非結(jié)構(gòu)化剪枝局部剪枝

模型壓縮-剪枝算法詳解

近年來(lái)主流的模型壓縮方法包括：數(shù)值量化（Data Quantization，也叫模型量化），模型稀疏化（Model sparsification，也叫模型剪枝 Model Pruning），知識(shí)蒸餾（Knowledge Distillation），輕量化網(wǎng)絡(luò)設(shè)計(jì)（Lightweight Network Design）和張量分解（Tensor Decomposition）。其中模型剪枝是一種應(yīng)用非常廣的模型壓縮方法，其可以直接減少模型中的參數(shù)量。本文會(huì)對(duì)模型剪枝的定義、發(fā)展歷程、分類以及算法原理進(jìn)行詳細(xì)的介紹。

2023-02-22 03:02:58

模型剪枝數(shù)值量化結(jié)構(gòu)化稀疏

神經(jīng)網(wǎng)絡(luò)基礎(chǔ)部件-卷積層詳解

本文深度講解了卷積計(jì)算的原理，并詳細(xì)介紹了構(gòu)成所有卷積網(wǎng)絡(luò)主干的基本元素，包括卷積層本身、填充(padding)和步幅 (stride)的基本細(xì)節(jié)、用于在相鄰區(qū)域匯聚信息的匯聚層(pooling)，最后給出卷積層和匯聚層的代碼示例和CNN框架結(jié)構(gòu)圖。

2023-02-16 03:08:44

卷積卷積核匯聚層

基于文心大模型套件ERNIEKit實(shí)現(xiàn)文本匹配算法，模塊化方便應(yīng)用落地

文心大模型開(kāi)發(fā)套件ERNIEKit，面向NLP工程師，提供全流程大模型開(kāi)發(fā)與部署工具集，端到端、全方位發(fā)揮大模型效能。

2023-02-15 09:48:11

知識(shí)圖譜實(shí)體對(duì)齊自然語(yǔ)言處理

深度學(xué)習(xí)煉丹-數(shù)據(jù)標(biāo)準(zhǔn)化

當(dāng)數(shù)據(jù)存在多個(gè)屬性但其值具有不同尺度（scale）時(shí)，執(zhí)行 normalization 操作將所有屬性置于相同的尺寸內(nèi)是很有必要的。本文給出了數(shù)據(jù)標(biāo)準(zhǔn)化(Normalization)的定義、常用方法以及為什么要做數(shù)據(jù)標(biāo)準(zhǔn)化，并給出相關(guān)代碼實(shí)現(xiàn)。最后將Normalization概念應(yīng)用于圖像領(lǐng)域，并給出實(shí)現(xiàn)的相關(guān)細(xì)節(jié)以及示例代碼。

2023-02-06 23:14:37

normalizati Min-Max標(biāo)準(zhǔn)化 z-Score標(biāo)準(zhǔn)化

深度學(xué)習(xí)數(shù)學(xué)基礎(chǔ)-概率與信息論

概率論是用于表示不確定性聲明的數(shù)學(xué)框架。它不僅提供了量化不確定性的方法，也提供了用于導(dǎo)出新的不確定性聲明（statement）的公理。概率論的知識(shí)在機(jī)器學(xué)習(xí)和深度學(xué)習(xí)領(lǐng)域都有廣泛應(yīng)用，是學(xué)習(xí)這兩門(mén)學(xué)科的基礎(chǔ)。

2023-02-05 11:05:59

方差概率分布條件概率

深度學(xué)習(xí)基礎(chǔ)-優(yōu)化算法詳解

所謂深度神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法，即用來(lái)更新神經(jīng)網(wǎng)絡(luò)參數(shù)，并使損失函數(shù)最小化的算法。優(yōu)化算法對(duì)于深度學(xué)習(xí)非常重要，如果說(shuō)網(wǎng)絡(luò)參數(shù)初始化（模型迭代的初始點(diǎn)）能夠決定模型是否收斂，那優(yōu)化算法的性能則直接影響模型的訓(xùn)練效率。了解不同優(yōu)化算法的原理及其超參數(shù)的作用將使我們更有效的調(diào)整優(yōu)化器的超參數(shù)，從而提高模型的性能。

2023-02-04 00:41:43

優(yōu)化算法隨機(jī)梯度下降 RMSProp

在地平線X3上部署車(chē)牌識(shí)別系統(tǒng)

在地平線X3上部署車(chē)牌識(shí)別系統(tǒng)一、項(xiàng)目介紹本項(xiàng)目屬于AI達(dá)人創(chuàng)造營(yíng)三期項(xiàng)目，主要探索如何將PaddleOCR訓(xùn)練的車(chē)牌識(shí)別模型部署在地平線X3的板子上，并實(shí)現(xiàn)實(shí)時(shí)推理。項(xiàng)目地址：?https://aistudio.baidu.com/aistudio/projectdetail/4730476??二、技術(shù)要點(diǎn)PaddlePaddle之于Arm對(duì)應(yīng)的平臺(tái)為paddle-lite。paddle-li

2023-02-03 17:58:32

paddle 串口 docker

反向傳播與梯度下降詳解

反向傳播(backward propagation，簡(jiǎn)稱 BP)指的是計(jì)算神經(jīng)網(wǎng)絡(luò)參數(shù)梯度的方法。其原理是基于微積分中的鏈?zhǔn)揭?guī)則，按相反的順序從輸出層到輸入層遍歷網(wǎng)絡(luò)，依次計(jì)算每個(gè)中間變量和參數(shù)的梯度。

2023-02-02 00:09:56

梯度下降迭代隨機(jī)梯度下降

實(shí)戰(zhàn)案例！Python批量識(shí)別銀行卡號(hào)碼并且寫(xiě)入Excel，小白也可以輕松使用~

簡(jiǎn)單！學(xué)起來(lái)

2023-01-27 11:52:25

python ocr 文字識(shí)別

一文搞懂視頻編解碼原理

視頻編解碼算法分為傳統(tǒng)算法和基于深度學(xué)習(xí)的方法，本文主要介紹視頻編解碼技術(shù)的原理，部分內(nèi)容和圖片參考網(wǎng)上技術(shù)博客。

2023-01-16 16:16:47

視頻編碼 I幀 P幀

深度學(xué)習(xí)基礎(chǔ)-損失函數(shù)詳解

本文總結(jié)分類和回歸任務(wù)的常用損失函數(shù)，比如重點(diǎn)解析了交叉熵?fù)p失函數(shù)的由來(lái)，并給出詳細(xì)計(jì)算公式和、案例分析、代碼，同時(shí)也描述了 `MAE` 和 `MSE` 損失函數(shù)，給出了詳細(xì)的計(jì)算公式、曲線圖及優(yōu)缺點(diǎn)。

2023-01-16 16:06:05

損失函數(shù)多分類交叉熵

ResNetv2 論文解讀

本文的主要貢獻(xiàn)在于通過(guò)理論分析和大量實(shí)驗(yàn)證明使用恒等映射（identity mapping）作為快捷連接（skip connection）對(duì)于殘差塊的重要性。同時(shí)，將 BN/ReLu 這些 activation 操作挪到了 Conv（真正的weights filter操作）之前，提出“預(yù)激活“操作，并通過(guò)與”后激活“操作做對(duì)比實(shí)驗(yàn)，表明對(duì)于多層網(wǎng)絡(luò)，使用了預(yù)激活殘差單元（Pre-activation residual unit）的 resnet v2 都取得了比 resnet v1（或 resnet v1.5）更好的結(jié)果。

2023-01-12 14:17:30

快捷連接恒等映射預(yù)激活

DenseNet 論文解讀

ResNet 的工作表面，只要建立前面層和后面層之間的“短路連接”（shortcut），就能有助于訓(xùn)練過(guò)程中梯度的反向傳播，從而能訓(xùn)練出更“深”的 CNN 網(wǎng)絡(luò)。DenseNet 網(wǎng)絡(luò)的基本思路和 ResNet 一致，但是它建立的是前面所有層與后面層的密集連接（dense connection）。傳統(tǒng)的 LL 層卷積網(wǎng)絡(luò)有 LL 個(gè)連接——每一層與它的前一層和后一層相連—，而 DenseNet 網(wǎng)絡(luò)有 L(L+1)/2L(L+1)/2 個(gè)連接。在 DenseNet 中，讓網(wǎng)絡(luò)中的每一層都直接與其前面層相連，實(shí)現(xiàn)特征的重復(fù)利用；同時(shí)把網(wǎng)絡(luò)的每一層設(shè)計(jì)得特別“窄”（特征圖/濾波器數(shù)量少），即只學(xué)習(xí)非常少的特征圖（最極端情況就是每一層只學(xué)習(xí)一個(gè)特征圖），達(dá)到降低冗余性的目的。

2023-01-11 14:52:16

密集連接 DenseNet shortcut

數(shù)字圖像處理筆記

本文章是對(duì)《數(shù)字圖像處理》書(shū)中知識(shí)概念、定理、公式的總結(jié)知識(shí)，并給出了自己的理解，部分涉及具體應(yīng)用代碼，主要是原理解析和算法總結(jié)。學(xué)習(xí)數(shù)字圖像處理能讓我們更深入理解計(jì)算機(jī)視覺(jué)領(lǐng)域的內(nèi)容。

2023-01-11 14:43:35

灰度變換霍夫曼編碼 RGB 彩色模型

目標(biāo)檢測(cè)模型的評(píng)價(jià)標(biāo)準(zhǔn)-AP與mAP

為了了解模型的泛化能力，即判斷模型的好壞，我們需要用某個(gè)指標(biāo)來(lái)衡量，有了評(píng)價(jià)指標(biāo)，就可以對(duì)比不同模型的優(yōu)劣，并通過(guò)這個(gè)指標(biāo)來(lái)進(jìn)一步調(diào)參優(yōu)化模型。對(duì)于分類和回歸兩類監(jiān)督模型，分別有各自的評(píng)判標(biāo)準(zhǔn)。不同的問(wèn)題和不同的數(shù)據(jù)集都會(huì)有不同的模型評(píng)價(jià)指標(biāo)，比如分類問(wèn)題，數(shù)據(jù)集類別平衡的情況下可以使用準(zhǔn)確率作為評(píng)價(jià)指標(biāo)，但是現(xiàn)實(shí)中的數(shù)據(jù)集幾乎都是類別不平衡的，所以一般都是采用 AP 作為分類的評(píng)價(jià)指標(biāo)，分別計(jì)算每個(gè)類別的 AP，再計(jì)算mAP。

2023-01-09 14:59:02

混淆矩陣精確率和召回率 F1分?jǐn)?shù)

目標(biāo)檢測(cè)模型的基礎(chǔ)

邊界框：在?標(biāo)檢測(cè)領(lǐng)域?，我們通常使?邊界框（bounding box，縮寫(xiě)是 bbox）來(lái)描述?標(biāo)位置。邊界框是?個(gè)矩形框，可以由矩形左上?的 x 和 y 軸坐標(biāo)與右下?的 x 和 y 軸坐標(biāo)確定。

2023-01-09 14:57:18

損失函數(shù)anchor box Focal Loss

深度學(xué)習(xí)背景下的圖像三維重建技術(shù)進(jìn)展綜述

本文主要對(duì)近年來(lái)深度學(xué)習(xí)背景下的圖像三維重建的分類和研究現(xiàn)狀進(jìn)行總結(jié)，整體分為六個(gè)部分：引言、單張圖像三維重建、多張圖像三維重建、數(shù)據(jù)集與實(shí)驗(yàn)對(duì)比、討論與展望、總結(jié)。

2023-01-08 09:52:38

三維重建數(shù)據(jù)集點(diǎn)云

模型壓縮部署概述

深度學(xué)習(xí)和計(jì)算機(jī)視覺(jué)方向除了算法訓(xùn)練/研究，還有兩個(gè)重要的方向: 模型壓縮（模型優(yōu)化、量化）、模型部署（模型轉(zhuǎn)換、后端功能SDK開(kāi)發(fā)）。所謂模型部署，即將算法研究員訓(xùn)練出的模型部署到具體的端邊云芯片平臺(tái)上，并完成特定業(yè)務(wù)的視頻結(jié)構(gòu)化應(yīng)用開(kāi)發(fā)。

2023-01-06 14:15:04

深度學(xué)習(xí)模型轉(zhuǎn)換模型壓縮

大廠必考深度學(xué)習(xí)算法面試題總結(jié)

包含深度學(xué)習(xí)基礎(chǔ)、CNN 模型、機(jī)器學(xué)習(xí)等知識(shí)點(diǎn)的必考算法面試題

2023-01-05 14:27:16

梯度消失梯度爆炸數(shù)據(jù)增強(qiáng)方法

“山外有山比山高”-為什么叫深度學(xué)習(xí)？?

揭示深度學(xué)習(xí)的內(nèi)涵，介紹模型的復(fù)雜表，多元特征的引入，神經(jīng)網(wǎng)路的形成，網(wǎng)絡(luò)的訓(xùn)練過(guò)程以及從神經(jīng)網(wǎng)絡(luò)到深度學(xué)習(xí)的發(fā)展過(guò)程。

2023-01-04 21:56:03

深度學(xué)習(xí)權(quán)重神經(jīng)網(wǎng)絡(luò)

萬(wàn)字長(zhǎng)文解析Scaled YOLOv4模型(YOLO變體模型)

Scaled YOLOv4 模型最主要的貢獻(xiàn)在于通過(guò)理論系統(tǒng)分析和實(shí)驗(yàn)證了模型縮放的原則，進(jìn)一步拓展了 CSPNet 方法，并基于此設(shè)計(jì)了一個(gè)全新的 Scaled-YOLOv4，Scaled-YOLOv4 網(wǎng)絡(luò)的卷積模塊都有使用 CSP?？偟母杏X(jué)就是針對(duì)不同的 GPU 平臺(tái)，根據(jù)作者分析出來(lái)的模型縮放理論，且符合一些原則的情況下，選擇不同的模型寬度和深度參數(shù)，并讓模型更深更寬。

2023-01-04 16:11:22

目標(biāo)檢測(cè)YOLOv4-tiny scaled yolo

GitHub 車(chē)牌檢測(cè)識(shí)別項(xiàng)目調(diào)研

汽車(chē)車(chē)牌檢測(cè)和識(shí)別實(shí)踐指南，提供了算法方案和測(cè)試效果。

2023-01-04 16:06:31

github HyperLPR EasyOCR

經(jīng)典 backbone 總結(jié)

ResNet 模型比 VGG 網(wǎng)絡(luò)具有更少的濾波器數(shù)量和更低的復(fù)雜性。比如 Resnet34 的 FLOPs 為 3.6G，僅為 VGG-19 19.6G 的 18%。

2023-01-04 14:58:23

神經(jīng)網(wǎng)絡(luò)resnet densenet

1 2 3 4 下一頁(yè)

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)

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

深度學(xué)習(xí)