- 所谓深度神经网络的优化算法，即用来更新神经网络参数，并使损失函数最小化的算法。优化算法对于深度学习非常重要，网络参数初始化决定模型是否收敛，而优化算法的性能则直接影响模型的训练效率。 所谓深度神经网络的优化算法，即用来更新神经网络参数，并使损失函数最小化的算法。优化算法对于深度学习非常重要，网络参数初始化决定模型是否收敛，而优化算法的性能则直接影响模型的训练效率。
- 反向传播(backward propagation，简称BP)指的是计算神经网络参数梯度的方法。其原理是基于微积分中的链式规则，按相反的顺序从输出层到输入层遍历网络，依次计算每个中间变量和参数的梯度。 反向传播(backward propagation，简称BP)指的是计算神经网络参数梯度的方法。其原理是基于微积分中的链式规则，按相反的顺序从输出层到输入层遍历网络，依次计算每个中间变量和参数的梯度。
- 欠拟合、过拟合的总结如下:接下来是TensorFlow框架部分，之前有个帖子基于TensorFlow 2建立深度学习的模型 - 快速入门https://bbs.huaweicloud.com/forum/thread-0238972383026220197-1-1.html然后会使用它来建立线性回归模型和神经网络分类模型敬请期待下面用之前的广告数据，来建立线性回归模型，看看tensorflo... 欠拟合、过拟合的总结如下:接下来是TensorFlow框架部分，之前有个帖子基于TensorFlow 2建立深度学习的模型 - 快速入门https://bbs.huaweicloud.com/forum/thread-0238972383026220197-1-1.html然后会使用它来建立线性回归模型和神经网络分类模型敬请期待下面用之前的广告数据，来建立线性回归模型，看看tensorflo...
- 前面说了logistic模型的决策边界是线性的，所以无法很好的完成决策边界是非线性的分类任务。直观上看，一条线不行，用二条线就可以更好的完成这个分类任务，如下：所以，首先建立两个logistic模型，这两个logistic模型的决策边界为图上所示的两条直线。然后以这两个logistic模型的结果作为输入，建立一个logistic回归模型，这个模型用于判断观测点在两条直线中所处的位置。可以写代... 前面说了logistic模型的决策边界是线性的，所以无法很好的完成决策边界是非线性的分类任务。直观上看，一条线不行，用二条线就可以更好的完成这个分类任务，如下：所以，首先建立两个logistic模型，这两个logistic模型的决策边界为图上所示的两条直线。然后以这两个logistic模型的结果作为输入，建立一个logistic回归模型，这个模型用于判断观测点在两条直线中所处的位置。可以写代...
- 原文链接 1 粒子滤波（particle filtering）粒子滤波是对预测粒子进行评价，添加不同的权重，越接近于真实状态的粒子，其权重越大；否则，就加的权重小一些。步骤：（1）初始状态：开始认为x(0)在全状态空间内平均分布。然后将所有采样输入状态转移方程，得到预测粒子。（2）预测阶段：粒子滤波首先根据x(t-1)的概率分布生成大量的采样，这些采样就称之为粒子。那么这些采样在状态空间中的... 原文链接 1 粒子滤波（particle filtering）粒子滤波是对预测粒子进行评价，添加不同的权重，越接近于真实状态的粒子，其权重越大；否则，就加的权重小一些。步骤：（1）初始状态：开始认为x(0)在全状态空间内平均分布。然后将所有采样输入状态转移方程，得到预测粒子。（2）预测阶段：粒子滤波首先根据x(t-1)的概率分布生成大量的采样，这些采样就称之为粒子。那么这些采样在状态空间中的...
- 一、转换为onnx模型在yolov5代码中运行export.py，转换为onnx模型，参数根据自己需要修改。 二、创建转换目录然后在rknn文件夹下，找到onnx2rknn.py、dataset.txt和coco2017数据集，将它们复制到新的文件夹中，作为rknn模型转换目录。将需要转换的onnx模型也放在该目录中。我的目录结构如图所示，其中第一个文件夹是已经转换成功的生成目录。 三、转... 一、转换为onnx模型在yolov5代码中运行export.py，转换为onnx模型，参数根据自己需要修改。 二、创建转换目录然后在rknn文件夹下，找到onnx2rknn.py、dataset.txt和coco2017数据集，将它们复制到新的文件夹中，作为rknn模型转换目录。将需要转换的onnx模型也放在该目录中。我的目录结构如图所示，其中第一个文件夹是已经转换成功的生成目录。 三、转...
- 图学习【参考资料2】-知识补充与node2vec代码注解 图学习【参考资料2】-知识补充与node2vec代码注解
- 快递单信息抽取【三】--五条标注数据提高准确率，仅需五条标注样本，快速完成快递单信息任务 快递单信息抽取【三】--五条标注数据提高准确率，仅需五条标注样本，快速完成快递单信息任务
- 0. 简介在VINS优化中，我们除了对IMU的P（位置）,Q（旋转角）,V（速度）,Ba（加速度偏转角）,Bg（陀螺仪偏转角）以外，我们还需要对相机本身的外参、逆深度、与时差进行优化。其中逆深度最为重要，但是网上的信息没有能够很好的对逆深度进行科学的阐释。所以本文根据自己的理解来讲述一下里程计。 1. 参数化在了解逆深度之前，我们需要了解下为什么需要参数化。参数化作为点、线、面的slam表... 0. 简介在VINS优化中，我们除了对IMU的P（位置）,Q（旋转角）,V（速度）,Ba（加速度偏转角）,Bg（陀螺仪偏转角）以外，我们还需要对相机本身的外参、逆深度、与时差进行优化。其中逆深度最为重要，但是网上的信息没有能够很好的对逆深度进行科学的阐释。所以本文根据自己的理解来讲述一下里程计。 1. 参数化在了解逆深度之前，我们需要了解下为什么需要参数化。参数化作为点、线、面的slam表...
- 1.神经网络基础概念1.1神经元生物神经元<-->人工神经元树突<-->输入信号突触<-->突触权重细胞体<-->求和节点轴突<-->输出信号兴奋性<-->激活函数传导性<-->突触权重感觉神经元<-->输入神经元运动神经元<-->输出神经元联络神经元<-->中间神经元人工神经网络生物神经细胞功能比较简单，需要通过很多神经元一起协作完成复杂功能，通过一定的连接方式或信息传递方式进行协作的神经... 1.神经网络基础概念1.1神经元生物神经元<-->人工神经元树突<-->输入信号突触<-->突触权重细胞体<-->求和节点轴突<-->输出信号兴奋性<-->激活函数传导性<-->突触权重感觉神经元<-->输入神经元运动神经元<-->输出神经元联络神经元<-->中间神经元人工神经网络生物神经细胞功能比较简单，需要通过很多神经元一起协作完成复杂功能，通过一定的连接方式或信息传递方式进行协作的神经...
- 1.激活函数非线性 2.深层网络比浅层网络拥有更强的表达能力 3.三层神经网络可以表示任意函数（足够隐藏单元） 1.激活函数非线性 2.深层网络比浅层网络拥有更强的表达能力 3.三层神经网络可以表示任意函数（足够隐藏单元）
- 链接：https://www.orbeon.com/download在实际项目中，如果需要使用到某些高级功能，比如 The Form Runner JavaScript Embedding API，需要使用 Professional Edition 即 PE 版本。点击 Free trial license：得到 license xml 文件：将该文件放到下面的文件夹内：C:\app\tom... 链接：https://www.orbeon.com/download在实际项目中，如果需要使用到某些高级功能，比如 The Form Runner JavaScript Embedding API，需要使用 Professional Edition 即 PE 版本。点击 Free trial license：得到 license xml 文件：将该文件放到下面的文件夹内：C:\app\tom...
- 首先奉上这个APP的链接：https://eeflux-level1.appspot.com/EEFlux（Earth Engine Evapotranspiration Flux）是在 Google Earth Engine 系统上运行的 METRIC（使用内部校准以高分辨率映射蒸散）的一个版本。EEFlux 由内布拉斯加大学林肯分校、沙漠研究所和爱达荷大学联合开发，并得到谷歌的资助。E... 首先奉上这个APP的链接：https://eeflux-level1.appspot.com/EEFlux（Earth Engine Evapotranspiration Flux）是在 Google Earth Engine 系统上运行的 METRIC（使用内部校准以高分辨率映射蒸散）的一个版本。EEFlux 由内布拉斯加大学林肯分校、沙漠研究所和爱达荷大学联合开发，并得到谷歌的资助。E...
- 目标检测是很多计算机视觉应用的基础，比如实例分割等，它结合了目标分类和定位两个任务。 深度学习用于目标检测的算法从思路上来看，可以分为两大类，一类是two stage的方法，也就是把整个分为两部分，生成候选框和识别框内物体，例如R-CNN系列；另一类是one stage的方法，把整个流程统一在一起，直接给出检测结果，主要包含SSD,YOLO系列。 目标检测的backbone一般基于ImageN 目标检测是很多计算机视觉应用的基础，比如实例分割等，它结合了目标分类和定位两个任务。 深度学习用于目标检测的算法从思路上来看，可以分为两大类，一类是two stage的方法，也就是把整个分为两部分，生成候选框和识别框内物体，例如R-CNN系列；另一类是one stage的方法，把整个流程统一在一起，直接给出检测结果，主要包含SSD,YOLO系列。 目标检测的backbone一般基于ImageN
- Atlas 200DK+CANN 5.1.RC2+MindStudio5.0.RC2+MindX SDK 3.0玩转攻略 Atlas 200DK+CANN 5.1.RC2+MindStudio5.0.RC2+MindX SDK 3.0玩转攻略
上滑加载中
推荐直播
-
华为云码道-AI时代应用开发利器2026/03/18 周三 19:00-20:00
童得力，华为云开发者生态运营总监/姚圣伟，华为云HCDE开发者专家
本次直播由华为专家带你实战应用开发，看华为云码道(CodeArts)代码智能体如何在AI时代让你的创意应用快速落地。更有华为云HCDE开发者专家带你用码道玩转JiuwenClaw，让小艺成为你的AI助理。
回顾中 -
Skill 构建 × 智能创作：基于华为云码道的 AI 内容生产提效方案2026/03/25 周三 19:00-20:00
余伟，华为云软件研发工程师/万邵业（万少），华为云HCDE开发者专家
本次直播带来两大实战：华为云码道 Skill-Creator 手把手搭建专属知识库 Skill；如何用码道提效 OpenClaw 小说文本，打造从大纲到成稿的 AI 原创小说全链路。技术干货 + OPC创作思路，一次讲透！
回顾中 -
码道新技能，AI 新生产力——从自动视频生成到开源项目解析2026/04/08 周三 19:00-21:00
童得力-华为云开发者生态运营总监/何文强-无人机企业AI提效负责人
本次华为云码道 Skill 实战活动，聚焦两大 AI 开发场景：通过实战教学，带你打造 AI 编程自动生成视频 Skill，并实现对 GitHub 热门开源项目的智能知识抽取，手把手掌握 Skill 开发全流程，用 AI 提升研发效率与内容生产力。
回顾中
热门标签