• [互动交流] 人脸识别的人员库图片保存是否会额外收存储费用?
    人脸识别的人员库图片保存是否会额外收存储费用?
  • [互动交流] 人脸识别增加人员管理人数要计费吗?
    人脸识别增加人员管理人数要计费吗?
  • [互动交流] 人脸识别同一张照片多次调用接口如何计费?
    人脸识别同一张照片多次调用接口如何计费?
  • [互动交流] 人脸识别账单结算扣费顺序?
    人脸识别账单结算扣费顺序?
  • [互动交流] 人脸识别如何收费?
    人脸识别如何收费?人脸识别如何收费?
  • [分享交流] 【分享交流】大家在做《百模千态》项目的时候,有什么意见和建议,或者问题,欢迎在这里进行讨论
    大家在做《百模千态》项目的时候,有什么意见和建议,或者问题,欢迎在这里进行讨论
  • [其他] 与AIGC合作的基础
    设计基础是我们与AIGC合作的基础,无论使用何种技术和工具,我们都需要运用设计基础的原则与知识来指导生成的内容。准确地引导AIGC生成符合设计要求的内容,而不是完全依赖枧器的判断。如果我们没有了解色彩理论、构图原则和比例规律,我们设计的作品可能会显得杂乱无章,只有在深刻理解设计基础的基本原则和概念的基础上,我们才能更好地运用AIGC,并确保生成的内容符合设计目标和用户需求。色轮是研究颜色相加混合的一种实验仅器:通过一个色盘展示了所有可见光谱颜色的连续循环。色相指的是色彩所呈现出的相貌,在色盘上以循环的色相环表示色盘上的红、绿、蓝色,被称为三原色(RGB),它们的组合可以产生其他颜色。另外,色彩模型中还有一组基本颜色,称为色料三原色(CMYK),包括青、品红、黄和黑。互补色是位于色盘上彼此相对的两种颜色,对比色是在色彩上形成鲜明对比的两种颜色。暖色调〔如红、橙、黄〕常常被认为是温暖活泼的:而冷色调(如蓝、绿、紫)则被认为是冷静和安静的。中性色包括黑色、白色、灰色、棕色。它们通常与更明亮的强调色结合使用,但也可以在设计中单独使用。中性色的含义和带给人们的感觉更多地取决于它们周围的颜色。对比度是指两种颜色之间的明暗或饱和度的差异程度。高对比度可以产生强烈的视觉效果,而低对比度则会营造柔和与和谐的氛围。合理运用色彩对比度可以突出重点和提高可读性。色彩平衡是指整体色彩的均衡和协调。涌过合理分配主导色和辅助色的比例,以及不同颜色的分布,可以实现整体作品的视觉平衡。色彩在空间中的运用可以影响人们对物体大小、距离和深度的感知。冷色调可以使物体看起来更远、更大:而暖色调则会营造近距离和亲近感。善于利用色彩的空间感可以增设计的立体感和视觉层次。
  • [其他] AIGC在设计领域的使用和挑战
    在这个信息爆炸和数字化时代,设计师面临着前所未有的挑战和机遇。用户期望获得个性化、定制化的体验,而传统的设计方法已经难以满足这种需求。在这个背景下,AIGC作为一款强有力的工具,可帮助我们以创新的方式解决设计问题,并开拓前所未有的设计领域。AIGC不仅仅是一个技术,还代表了设计和人工智能的交叉点,它结合了机器学习、自然语言处理、计算机视觉等领域的技术,使机器能够像人类一样理解和生成创造性的内容。通过AIGC,我们可以实现自动化的设计任务、个性化的用户体验、创意的增强和设计过程的优化。然而,AIGC也带来了一些挑战。设计师需要了解如何与AIGC进行有效协作,如何设计合适的提示词、引导和约束,以确保生成的内容符合设计目标和用户期望。同时,我们也需要关注AIGC的道德和伦理问题,确保它被正确使用,并避免产生负面影响。上面一段说的不错,一项新技术,最早得到运用的往往是一些灰色行业,并且在这其中,技术也得到了发展。
  • [其他] 人工智能干货合集(2023年11月)
    1. AI开发平台ModelArts新功能11月的ModelArts新功能零零散散还是挺多的。其中有些功能改善了用户体验。Notebook cache盘容量使用监控和告警当前开发环境的cache盘使用时,没有容量告警,在使用时很容易超过限制,并直接重启Notebook实例。重启后多种配置重置,会导致用户数据丢弃,环境丢失,造成很不好的使用体验。因此提供了cache盘使用情况的监控和告警,并将数据上报至AOM平台。TFServing框架迁移到推理自定义引擎的指导当从TFServing迁移到使用ModelArts推理的AI应用管理和服务管理时,需要对原生TFServing镜像的构建方式做一定的改造,以使用ModelArts推理平台的模型版本管理能力和动态加载模型的部署能力。新增文档“预置框架启动流程说明”,介绍了Tensorflow、PyTorch等预置训练框架启动原理。这个比较好,让用户了解一些原理,可以更好的实验。比如:单机作业时(即选择的节点数为1),ModelArts只会在一个节点上启动一个训练训练容器,该训练容器独享节点规格的可使用资源。一共新增了12个功能点,这里不一一赘述。2. 人工智能相关直播合集华为云数字人赋能千行百业,共享AIGC新机遇 cid:link_3数字人作为真人沉浸式体验的重要入口和AIGC的关键要素,告诉你数字人将如何带来千行百业的产业变革? 快来看,如何制作自己的一个数字分身人...昇思MindSpore技术公开课·大模型专题(第二期) cid:link_0讲解大模型时代的智能遥感技术的发展与挑战、介绍遥感基础模型的技术路线与典型场景应用。很有意思。比如红外遥测的水和大地,白天和晚上的不同。这个基于传统CV,但又有很大的区别。MoE-LLM:开启大模型终身学习的可能性 cid:link_4多专家系统(Mixture of Experts,MoE)是大模型时代提高模型参数量的重要技术手段,而随着大模型的不断演进发展,怎么样使大模型具备持续终身学习能力,通过持续的数据不断提升大模型也成为了重要问题。MoE技术和持续终身学习的碰撞,使大模型具备终身学习成为可能。 这个就像人的终身学习、自我自动迭代。AI要是会这个,有点可怕呀。昇思MindSpore技术公开课·大模型专题(第二期) cid:link_1承接第一讲ChatGLM,在ChatGLM系列模型中进一步深入,讲解ChatGLM2的相关技术、推理部署代码演示,以及介绍最近刚开源的ChatGLM3的相关特性。openGemini全新列存引擎,为您解决时序数据高基数难题 cid:link_5在数据库中,基数是指一列数据中唯一值的个数,高基数即表示该列中唯一值的数量非常大,常见的比如IP地址、电子邮件等。高基数问题长期困扰着众多时序数据库产品,主要表现为索引膨胀,内存资源消耗增加,读写性能下降等openGemini 全新列存引擎,旨为解决高基数问题,性能表现出色。适用于特定的海量数据场景,可以了解一下华为云多模数据库GeminiDB架构与应用实践 cid:link_2 探讨华为云多模数据库GeminiDB的技术架构,及革新当代应用的数据处理方式 也就是原来的GaussDB NoSQL华为云盘古大模型主题论坛·深圳站 cid:link_6这是一个大会,内容丰富,不容错过。 大模型时代,快速构建大模型能力并实现场景化创新,并获得充足可持续的AI算力供给,成为千行万业智能化的刚需。华为云始终践行AI for Industries,2023年陆续发布了盘古大模型、昇腾AI云服务等AI技术及行业实践。 为您介绍盘古大模型、昇腾AI云服务等技术的最新进展,全面阐述盘古大模型生态发展的生态策略,并将重磅发布一系列促进生态合作的方案和计划。同时多位重量级嘉宾分享基于盘古大模型的前沿探索和实践成果。开源的大模型在modelarts可以快速订阅使用。 介绍华为自己的盘古大模型。5个基础大模型。
  • [其他] AI与汽车融合的前沿技术
    随着科技的不断发展,人工智能(AI)在汽车行业的应用正日益深入,推动着车辆的智能化、自动化和互联互通。以下是目前AI与汽车融合的一些具体技术:自动驾驶技术:感知系统: 利用深度学习和计算机视觉技术,汽车能够实时感知周围环境,包括道路、其他车辆、行人和障碍物。决策系统: 基于机器学习算法,车辆能够做出智能决策,选择合适的行驶路线、速度和执行相应的操控动作。语音识别与人机交互:语音助手: 集成自然语言处理技术,驾驶员可以通过语音指令实现控制车辆、调整设置和获取信息。手势识别: 利用摄像头和深度学习,车辆可以识别驾驶员的手势,实现更直观的人机交互。智能交通管理系统:交通流优化: 利用实时数据和预测分析,智能系统可以优化车辆流动,减少交通拥堵。智能信号灯: 基于实时交通情况调整信号灯,提高道路通行效率。车辆诊断与预测性维护:传感器监测: 在车辆各个部件安装传感器,实时监测车辆状态。机器学习预测: 利用历史数据和机器学习算法,预测车辆可能出现的故障并提前进行维护。智能车内体验:人脸识别与情感分析: 识别车内乘客并分析其情绪,调整车内环境以提供更舒适的乘坐体验。个性化推荐: 基于驾驶员和乘客的历史数据,智能系统可以提供个性化的音乐、导航和娱乐推荐。车联网与云计算:实时更新: 通过云端连接,车辆可以实时获取地图数据、软件更新和安全补丁。车辆互联: 实现车辆之间的信息共享,提高交通安全和效率。辅助驾驶系统:盲点检测: 利用雷达和摄像头监测车辆周围的盲点,提醒驾驶员注意。自动泊车: 通过传感器和自动化控制,车辆能够在有限空间内实现自动停车。这些技术的融合使得汽车不仅仅是交通工具,更是智能、安全、舒适的移动空间。然而,随着技术的不断进步,我们还将看到更多创新的AI技术被应用于汽车领域,为未来出行提供更多可能性。
  • [其他] 数据集-NLP
    IMDB本身是一家在线收集各种电影信息的网站,与国内的豆瓣较为类似,用户可以在上面发表对电影的评论。IMDB数据集是由斯坦福大学研究院整理的一套用于情感分析的IMDB电影评论二分类数据集,包含25000个训练样本和25000个测试样本,所有影评都被标记为正面或负面两种评价。IMDB数据集在TF中的读取方法与MNIST等数据集较为类似。WikiText英语词库数据(The WikiText Long Term Dependency Language Modeling Dataset)是由Salesforce MetaMind策划的包含1亿个词汇的大型语言建模语料库。这些词汇都是从维基百科一些经典文章中提取得到,包括WikiText-103和WikiText-2两个版本,其中WikiText-2是WikiText-103的一个子集,常用于测试小型数据集的语言模型训练效果。值得一提的是,WikiText保留了产生每个词汇的原始文章,非常适用于长期依赖的大文本建模问题。Amazon reviews数据集是2013年由康奈尔大学发布的、从斯坦福网络分析项目(SNAP)中构建的Amazon评论数据集,分为Full和Polarity两个版本。Full版本每个类别包含600000个训练样本和130000个测试样本,Polarity版本每个类别则包含1800000个训练样本和200000个测试样本。评论的商品包括书籍、电子产品、电影、日常家用产品、衣服、手机、玩具等Sogou news数据集是由SougouCA和SougouCS新闻语料库构成的数据集,其总共包含运动金融、娱乐、汽车和技术5个类别共计2909551篇新闻文章,每个类别均包含90000个训练样本和12000个测试样本。
  • [其他] 数据集-CV篇(续)
    相较于MNIST和Fashion-MNIST的灰度图像,CIFAR-10数据集则由10个类的60000张32*32彩色图像组成(每个类包含6000张图像),分别有50000张训练图像和10000张测试图像。CIFAR-10是由Hinton的学生AIex Krizhevsky(AlexNet的作者)和llya Sutskever整理的一个用于识别普适物体的彩色图像数据集。一共包含10个类别的RGB彩色图片:飞机(airplane)、汽车(automobile)、鸟类(bird)、猫(cat)、鹿(deer)、狗(dog)、蛙类(frog)、马(horse)、船(ship)和卡车(truck)CIFAR-100可以看作是CIFAR-10的扩大版,CIFAR-100将类别扩大到100个类,每个类包含600张图像,分别有500张训练图像和100张测试图像。CIFAR-100的100个类被分为20个大类,每个大类又有一定数量的小类,大类和大类之间区分度较高,但小类之间有些图像具有较高的相似度,这对于分类模型来说会更具挑战性。ImageNet数据集始于2009年,是由斯坦福大学李飞飞教授主导的一个项目形成的数据集。当时李飞飞教授在CVPR2009上发表了一篇名为ImageNet:A LargeGScale Hierarchical Image Database的论文,之后就是基于ImageNet数据集的七届ILSVRC竞赛(从2010年开始),这使得ImageNet极大地推动了深度学习和计算机视觉的发展。目前ImageNet中总共有14197122张图像,分为21841个类别PASCAL VOC(The PASCAL Visual Object Classes)挑战赛是一个世界级的计算机视觉挑战赛,其全称为Pattern Analysis,Statical Modeling and Computational Learning,从2005年开始到2012年结束,PASCAL VOC最初主要用于目标检测,很多经典的目标检测网络都是在PASCAL VOC上训练出来的,如Fast RCNN系列的各种网络。后来逐渐增加了分类、分割、动作识别和人体布局等比赛。目前PASCAL VOC主要分为VOC2007和VOC2012两个版本的数据集。COCO数据集是微软在ImageNet和PASCAL VOC数据集标注的基础上产生的,主要用于图像分类、检测和分割等任务。COCO全称为Common Objects in Context,2014年微软在ECCV Workshops发表了一篇名为Microsoft COCO: Common Objects in Context的论文。论文中说明了COCO数据集以场景理解为目标,主要是从复杂的日常场景中截取,图像中的目标通过精确的分割进行位置的标定。COCO包括91个类别目标,其中有82个类别的数据量都超过了5000张。除以上这些公开的经典数据集之外,我们也可以通过数据采集和图像标注工具制作数据集。常用的图像标注工具包括Labelme、LabeIImg、Vatic、Sloth、ImageJ、CVAT、Yolo_mark、RectLabel和Labelbox等。
  • [内容拦截申诉] 【论坛】数据集-CV篇
    被拦截了,但很难人工修改:数据集-CV篇 cid:link_0
  • [其他] 数据集-CV篇
    很多人在学习了神经网络和深度学习之后,早已迫不及待地要开始动手实战了。通常第一个遇到的问题就是数据。作为个人学习和实验来说,很难获得像工业界那样较高质量的贴近实际应用的大量数据集,这时一些公开集往往就成了大家通往人工智能(AI)路上的反复摩擦的对象。计算机视觉(CV)方向的经典数据集包括MNIST手写数字数据集、Fashion-MNIST数据集、CIFAR-10和CIFAR-100数据集、ILSVRC竞赛的ImageNet数据集、用于检测和分割的PASCAL VOC和COCO数据集等。而自然语言处理(NLP)方向的经典数据集包括IMDB电影评论数据集、WikiText(维基百科)数据集、Amazon reviews(亚马逊评论)和Sogou news(搜狗新闻)数据集等。MNIST(Mixed National Institute Of Standards and Technology database)数据集相信大家已经耳熟能详。可以说,每个入门深度学习的人都会使用MNIST进行实验。作为领域内最早的一个大型数据集,MNIST于1998年由YannLeCun等人设计构建。MNIST数据集包括60000个示例的训练集及10000个示例的测试集,每个手写数字的大小均为28*28。MNIST在TensorFlow中可以直接导入使用。可能是看到MNIST太"烂大街"了,德国的一家名为Zalando的时尚科技公司提供了Fashion-MNIST来作为MNIST数据集的替代数据集。Fashion-MNIST包含10种类别70000张不同时尚穿戴品的图像,整体数据在结构上与MNIST完全一致。每张图像的尺寸同样是28*28。同样在TensorFlow中可以直接导入使用。
  • [其他] 深度学习计算框架选择-PyTorch
    PyTorch是一款可以媲美于TensorFlow的优秀深度学习计算框架,而且相比于TensorFlow在语法上更具灵活性。PyTorch原生于一款小众语言Lua,而后基于Python版本具备了强大的生命力。作为一款基于Python的深度学习计算库,PyTorch提供了高于Numpy的强大的张量计算能力和兼具灵活度和速度的深度学习研究功能。 2018年10月发布了1.0版本,然后正式走向了稳定可用阶段。在ICLR 2019提交论文中,提及TensorFlow的论文数量从2018年的228上升到了2019年的266,而提及PyTorch的论文数量从2018年的87激增到了252。这也从侧面说明PyTorch的影响力今非昔比。根据2019年各大顶会的研究人员使用情况调查来看,目前TensorFlow已经退守到工业界,学术界和各大顶会的研究人员更多地是使用PyTorch。但TensorFlow、Keras和PyTorch这3种深度学习计算框架我们都要学习,一个好的深度学习项目不能因为使用了不同的框架而使我们错过它们。
总条数:3416 到第 页
上滑加载中