- 08. 线程属性（了解） 8.1 概述Linux下线程的属性是可以根据实际项目需要，进行设置，之前我们讨论的线程都是采用线程的默认属性，默认属性已经可以解决绝大多数开发时遇到的问题。如我们对程序的性能提出更高的要求那么需要设置线程属性，比如可以通过设置线程栈的大小来降低内存的使用，增加最大线程个数。typedef struct{ int etachstate;... 08. 线程属性（了解） 8.1 概述Linux下线程的属性是可以根据实际项目需要，进行设置，之前我们讨论的线程都是采用线程的默认属性，默认属性已经可以解决绝大多数开发时遇到的问题。如我们对程序的性能提出更高的要求那么需要设置线程属性，比如可以通过设置线程栈的大小来降低内存的使用，增加最大线程个数。typedef struct{ int etachstate;...
- 机器学习：线性判别分析从理论到公式推导（LDA） 数据定义DataSet X：=(xi,yi)i=1N,令X的每个观测值xi∈Rp{(x_i,y_i)}_{i=1}^N,令X的每个观测值xi \in R^p(xi,yi)i=1N,令X的每个观测值xi∈Rp，Y的每个元素yi∈Ry_i\in Ryi∈R，我们继续化简，X=Y=其中yi为+1的输入C1类别，yi为−1的输入C2y_i为+... 机器学习：线性判别分析从理论到公式推导（LDA） 数据定义DataSet X：=(xi,yi)i=1N,令X的每个观测值xi∈Rp{(x_i,y_i)}_{i=1}^N,令X的每个观测值xi \in R^p(xi,yi)i=1N,令X的每个观测值xi∈Rp，Y的每个元素yi∈Ry_i\in Ryi∈R，我们继续化简，X=Y=其中yi为+1的输入C1类别，yi为−1的输入C2y_i为+...
- 今天给大家推荐一篇文章，是我们常见的影像条带修复的文章。 本文的主要内容是：随着云计算的发展，利用谷歌地球引擎（GEE）平台，利用长时间序列的Landsat图像进行水反演、自然灾害监测、土地利用变化等研究也逐渐成为主流。Landsat图像是目前遥感反演的最重要的图像数据源之一。由于单视角图像的时间和天气条件的变化，获得的图像辐射率也不尽相同；因此，使用月或年的时间尺度对多视角图像进行镶嵌，... 今天给大家推荐一篇文章，是我们常见的影像条带修复的文章。 本文的主要内容是：随着云计算的发展，利用谷歌地球引擎（GEE）平台，利用长时间序列的Landsat图像进行水反演、自然灾害监测、土地利用变化等研究也逐渐成为主流。Landsat图像是目前遥感反演的最重要的图像数据源之一。由于单视角图像的时间和天气条件的变化，获得的图像辐射率也不尽相同；因此，使用月或年的时间尺度对多视角图像进行镶嵌，...
- 前言本文阅读需要您对python有一点基础，如果有不懂得概念，请善用搜索引擎。本人官方博客地址：www.zacarx.com 导入我们有多种导入方法不过，我比较推荐的是：import numpy as np这样，我们就完成了导入工作 数组对象及其索引我们引入两个数组a = [1,2,3,4]b = [2,3,4,5]如果我们需要将a的元素相加，我们可以使用for语句如果我们让a,b对应元素... 前言本文阅读需要您对python有一点基础，如果有不懂得概念，请善用搜索引擎。本人官方博客地址：www.zacarx.com 导入我们有多种导入方法不过，我比较推荐的是：import numpy as np这样，我们就完成了导入工作 数组对象及其索引我们引入两个数组a = [1,2,3,4]b = [2,3,4,5]如果我们需要将a的元素相加，我们可以使用for语句如果我们让a,b对应元素...
- 1 很高兴今天能有机会和大家讨论我对“AI工程能力”的一些理解。2 这次的分享内容主要包括三部分，首先是举例说明“人工智能是什么？搞人工智能/机器学习/深度学习的人工作都在做什么？”，然后是以高频词举例，从几个方面介绍做人工智能的工程技术能力，最后说明一个牵涉到深度学习网络的算法从提出需求到工程化的过程。我分享的胶片一共有12页，不会牵涉太多技术细节，预计持续30min。3 ... 1 很高兴今天能有机会和大家讨论我对“AI工程能力”的一些理解。2 这次的分享内容主要包括三部分，首先是举例说明“人工智能是什么？搞人工智能/机器学习/深度学习的人工作都在做什么？”，然后是以高频词举例，从几个方面介绍做人工智能的工程技术能力，最后说明一个牵涉到深度学习网络的算法从提出需求到工程化的过程。我分享的胶片一共有12页，不会牵涉太多技术细节，预计持续30min。3 ...
- 随着卷积神经网络（CNNs）的蓬勃发展，目标检测领域取得了很大的进展。许多基于深度卷积网络的目标检测器被提出，它们被广泛应用于现实世界的如自动驾驶、增强现实中的人脸检测、行人和车辆检测等工业任务中。在上述实际场景中，检测框架往往在移动端或嵌入式设备上工作，因此对精度和速度同时具有严格的要求。虽然许多复杂的网络和框架可以实现很高的精度，但这些方法引入了大量额外参数，需要更大的内存开销和更多的推理时间 随着卷积神经网络（CNNs）的蓬勃发展，目标检测领域取得了很大的进展。许多基于深度卷积网络的目标检测器被提出，它们被广泛应用于现实世界的如自动驾驶、增强现实中的人脸检测、行人和车辆检测等工业任务中。在上述实际场景中，检测框架往往在移动端或嵌入式设备上工作，因此对精度和速度同时具有严格的要求。虽然许多复杂的网络和框架可以实现很高的精度，但这些方法引入了大量额外参数，需要更大的内存开销和更多的推理时间
- ⭐本专栏旨在对Python的基础语法进行详解，精炼地总结语法中的重点，详解难点，面向零基础及入门的学习者，通过专栏的学习可以熟练掌握python编程，同时为后续的数据分析，机器学习及深度学习的代码能力打下坚实的基础。🔥本文已收录于Python基础系列专栏： Python基础系列教程 欢迎订阅，持续更新。Python自身提供了比较丰富的生态，拿来即用，可极大的提高开发效率 9.1 tim... ⭐本专栏旨在对Python的基础语法进行详解，精炼地总结语法中的重点，详解难点，面向零基础及入门的学习者，通过专栏的学习可以熟练掌握python编程，同时为后续的数据分析，机器学习及深度学习的代码能力打下坚实的基础。🔥本文已收录于Python基础系列专栏： Python基础系列教程 欢迎订阅，持续更新。Python自身提供了比较丰富的生态，拿来即用，可极大的提高开发效率 9.1 tim...
- 房山区洪涝灾害风险评价这个可以说不是一个APP，要改进的话可以通过UI控件设定来在MAP上完成，剩余的其它部分都可以实现在，这里灾害风险评价时暴露性结果统计与展示、脆弱性结果统计与展示、危险性结果统计与展示以及洪涝灾害风险结果统计与展示。代码的整个流程主要是受埃希纳加载研究区和数据，然后对DEM、slope、降水强度等进行归一化处理，在这里的每一个归一化处理中，都会通过获取min和max然... 房山区洪涝灾害风险评价这个可以说不是一个APP，要改进的话可以通过UI控件设定来在MAP上完成，剩余的其它部分都可以实现在，这里灾害风险评价时暴露性结果统计与展示、脆弱性结果统计与展示、危险性结果统计与展示以及洪涝灾害风险结果统计与展示。代码的整个流程主要是受埃希纳加载研究区和数据，然后对DEM、slope、降水强度等进行归一化处理，在这里的每一个归一化处理中，都会通过获取min和max然...
- 这里我们在完成上一次的遥感生态指数，这里我们采用上一次已经得到的RSEI中，进行一个广东省市级区域RSEI的平均值，这里广东省中的7个地级市的生态遥感指数。ui.Chart.PIEFeature.byFeature(features,xProperty,yProperty)通过制定矢量数据的feature绘制方法参数：- ui(ui.Chart.PIEFeature.byFeature)调... 这里我们在完成上一次的遥感生态指数，这里我们采用上一次已经得到的RSEI中，进行一个广东省市级区域RSEI的平均值，这里广东省中的7个地级市的生态遥感指数。ui.Chart.PIEFeature.byFeature(features,xProperty,yProperty)通过制定矢量数据的feature绘制方法参数：- ui(ui.Chart.PIEFeature.byFeature)调...
- 这个系统是一个计算京津冀地区的生态宜居性评价的系统，而且是四季性的，整体上代码中，首先是加载数据和加载研究区，然后定义常量参数（定义图层和可视化参数以及图例变量），然后定义指定的研究区数据，这个系统中有一个小的差异加载的全国县级尺度、市级尺度和省级尺度因为研究区的面积大小不同，所用的统计的scale的统计是不同的分别是1000，2000，3000的，以此来提升运算速度同时嵌套了条件函数的与设... 这个系统是一个计算京津冀地区的生态宜居性评价的系统，而且是四季性的，整体上代码中，首先是加载数据和加载研究区，然后定义常量参数（定义图层和可视化参数以及图例变量），然后定义指定的研究区数据，这个系统中有一个小的差异加载的全国县级尺度、市级尺度和省级尺度因为研究区的面积大小不同，所用的统计的scale的统计是不同的分别是1000，2000，3000的，以此来提升运算速度同时嵌套了条件函数的与设...
- 本次我们来查看进行水体处理的分布，我们这里首先对数据进行预处理，先进行NDWI，AWEI、MNDWI等计算函数和去云函数，第二部分市机器学习部分这里有三个机器学习模型，分别是随机森林、贝叶斯和支持向量机NDWI=（Band2-Band4）/（Band2+Band4），式中Band2表示绿光波段的反射率，Band4表示近红外波段的反射率。该方法尽管已经较为古老，但其是最为常用的水体提取方法（... 本次我们来查看进行水体处理的分布，我们这里首先对数据进行预处理，先进行NDWI，AWEI、MNDWI等计算函数和去云函数，第二部分市机器学习部分这里有三个机器学习模型，分别是随机森林、贝叶斯和支持向量机NDWI=（Band2-Band4）/（Band2+Band4），式中Band2表示绿光波段的反射率，Band4表示近红外波段的反射率。该方法尽管已经较为古老，但其是最为常用的水体提取方法（...
- 信源分类 按照信源输出的信号取值分类1.连续（模拟）信源:2.离散（数字）信源:信源输出的信号是随机信号。 按照信源输出信号（符号间)的依赖关系1、无记忆信源:信源先后发出的符号相互统计独立，具有相同的概率分布;2、有记忆信源:信源先后发出的符号相互依赖。连续信源是有记忆信源。 信源数学模型信源：产生随机变量、随机序列和随机过程的信号源。在通信系统中收信者在未收到消息以前对信源发出什么消息... 信源分类 按照信源输出的信号取值分类1.连续（模拟）信源:2.离散（数字）信源:信源输出的信号是随机信号。 按照信源输出信号（符号间)的依赖关系1、无记忆信源:信源先后发出的符号相互统计独立，具有相同的概率分布;2、有记忆信源:信源先后发出的符号相互依赖。连续信源是有记忆信源。 信源数学模型信源：产生随机变量、随机序列和随机过程的信号源。在通信系统中收信者在未收到消息以前对信源发出什么消息...
- 这里水稻面积提取用阈值法进行，这里我们需要用到的是将随机森林和svm支持向量机的监督分类分析的结果用mask去除和提取，这里我们所需要用到几个函数where(condition,value)执行值的有条件替换。方法参数：- image(Image)Image实例。- condition(Image|Double)测试图像。- value(Image|Double)测试不为零时使用的输出值。... 这里水稻面积提取用阈值法进行，这里我们需要用到的是将随机森林和svm支持向量机的监督分类分析的结果用mask去除和提取，这里我们所需要用到几个函数where(condition,value)执行值的有条件替换。方法参数：- image(Image)Image实例。- condition(Image|Double)测试图像。- value(Image|Double)测试不为零时使用的输出值。...
- HCSO ModelArts PyCharm最佳实践 HCSO ModelArts PyCharm最佳实践
- 你能想象一段随手拍视频再配上一张照片就可以秒变科幻影片吗？先来看看效果今天我们借助华为ModelArts和AI算法实现自己的科幻大片。1、打开ModelArts案例页，点击“Run in ModelArts”,首次打开的时候可能会提示授权点击确定就行.https://developer.huaweicloud.com/develop/aigallery/notebook/detail?id=... 你能想象一段随手拍视频再配上一张照片就可以秒变科幻影片吗？先来看看效果今天我们借助华为ModelArts和AI算法实现自己的科幻大片。1、打开ModelArts案例页，点击“Run in ModelArts”,首次打开的时候可能会提示授权点击确定就行.https://developer.huaweicloud.com/develop/aigallery/notebook/detail?id=...
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签