- 日志异常检测的核心是利用人工智能算法自动分析系统日志来发现并定位故障。根据送入检测模型的数据格式，日志异常检测算法模型分为序列模型和频率模型，其中序列模型又可以分为深度模型和聚类模型。自 2017 年 Min Du 等人提出 DeepLog 以来，基于序列的深度学习建模逐渐成为近年来研究的热点。 深度模型的日志异常检测基本流程 深度学习使用神经网络的多层体系结构，从原始输入中逐步提取特... 日志异常检测的核心是利用人工智能算法自动分析系统日志来发现并定位故障。根据送入检测模型的数据格式，日志异常检测算法模型分为序列模型和频率模型，其中序列模型又可以分为深度模型和聚类模型。自 2017 年 Min Du 等人提出 DeepLog 以来，基于序列的深度学习建模逐渐成为近年来研究的热点。 深度模型的日志异常检测基本流程 深度学习使用神经网络的多层体系结构，从原始输入中逐步提取特...
- 数据对象智能运维(AIOps)是通过机器学习等算法分析来自于多种运维工具和设备的大规模数据。智能运维的分析数据对象多源运维数据包括系统运行时数据和历史记录数据，历史记录数据主要包含表单和系统更新文档等。与历史记录数据相比，系统运行时数据能够反映系统的动态特征及系统发生故障时的上下文信息，对未知故障具有更好的探测和表达能力。系统运行时数据主要包含监控数据和日志数据，监控数据记录的是指系统运行状... 数据对象智能运维(AIOps)是通过机器学习等算法分析来自于多种运维工具和设备的大规模数据。智能运维的分析数据对象多源运维数据包括系统运行时数据和历史记录数据，历史记录数据主要包含表单和系统更新文档等。与历史记录数据相比，系统运行时数据能够反映系统的动态特征及系统发生故障时的上下文信息，对未知故障具有更好的探测和表达能力。系统运行时数据主要包含监控数据和日志数据，监控数据记录的是指系统运行状...
- 1. 使用KNN进行电影类型预测： 给定训练样本集合如下：求解：testData={“老友记”: [29, 10, 2, “？片”]}。解题步骤：1.计算一个新样本与数据集中所有数据的距离2.按照距离大小进行递增排序3.选取距离最小的k个样本4.确定前k个样本所在类别出现的频率，并输出出现频率最高的类别import numpy as npdef createDataset(): ''... 1. 使用KNN进行电影类型预测： 给定训练样本集合如下：求解：testData={“老友记”: [29, 10, 2, “？片”]}。解题步骤：1.计算一个新样本与数据集中所有数据的距离2.按照距离大小进行递增排序3.选取距离最小的k个样本4.确定前k个样本所在类别出现的频率，并输出出现频率最高的类别import numpy as npdef createDataset(): ''...
- 写在前面 RepVGG结构 多路模型转单路模型✨✨✨ 1、卷积层和BN层的合并 2、1x1卷积转换为3x3卷积 3、残差模块转换为3x3卷积 卷积的可加性原理 实验结果 写在前面 VGG算是非常经典的网络了，它是由牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司的研究员一起研发的 “直筒型“ 的网络。既然在看这篇文章，想必已经对VG... 写在前面 RepVGG结构 多路模型转单路模型✨✨✨ 1、卷积层和BN层的合并 2、1x1卷积转换为3x3卷积 3、残差模块转换为3x3卷积 卷积的可加性原理 实验结果 写在前面 VGG算是非常经典的网络了，它是由牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司的研究员一起研发的 “直筒型“ 的网络。既然在看这篇文章，想必已经对VG...
- 轻量级神经网络——shuffleNet shuffleNet2 G1：输入输出通道数相同，MAC最小✨✨✨ G2：分组数过大的分组卷积会增加MAC✨✨✨ G3：碎片化操作对并行加速不友好 G4：逐元素操作带来的内存和耗时不可忽略✨✨✨ shuffleNet2 unit✨✨✨ shuffleNet2的网络结构和效果 轻量级神经网络——shuffleNet shuffleNet2 通过对s... 轻量级神经网络——shuffleNet shuffleNet2 G1：输入输出通道数相同，MAC最小✨✨✨ G2：分组数过大的分组卷积会增加MAC✨✨✨ G3：碎片化操作对并行加速不友好 G4：逐元素操作带来的内存和耗时不可忽略✨✨✨ shuffleNet2 unit✨✨✨ shuffleNet2的网络结构和效果 轻量级神经网络——shuffleNet shuffleNet2 通过对s...
- 轻量级神经网络——shuffleNet shuffleNet1 逐点分组卷积(Pointwise group convolution)✨✨✨ 通道重排(channel shuffle)✨✨✨ shuffleNet Unit✨✨✨ shuffleNet1的网络结果和效果 轻量级神经网络——shuffleNet shuffleNet1 在之前，已经讨论过一种轻量级神经网络——MobileNe... 轻量级神经网络——shuffleNet shuffleNet1 逐点分组卷积(Pointwise group convolution)✨✨✨ 通道重排(channel shuffle)✨✨✨ shuffleNet Unit✨✨✨ shuffleNet1的网络结果和效果 轻量级神经网络——shuffleNet shuffleNet1 在之前，已经讨论过一种轻量级神经网络——MobileNe...
- 基于opencv的haar训练自己的识别器【含 opencv_traincascade.exe和opencv_haartraining.exe下载】 基于opencv的haar训练自己的识别器【含 opencv_traincascade.exe和opencv_haartraining.exe下载】
- 深度学习经典网络模型汇总——LeNet、AlexNet、ZFNet、VGGNet、GoogleNet、ResNet【对卷积池化后特征图变化有详细讲解】 深度学习经典网络模型汇总——LeNet、AlexNet、ZFNet、VGGNet、GoogleNet、ResNet【对卷积池化后特征图变化有详细讲解】
- Windows CPU版MindSpore 1.6.1 Windows CPU版MindSpore 1.6.1
- AIRemote AIRemote
- Atlas 200DK+CANN 5.0.4+MindStudio 3.0.4 Atlas 200DK+CANN 5.0.4+MindStudio 3.0.4
- Atlas 200DK+CANN 5.0.4+MindStudio 3.0.4 Atlas 200DK+CANN 5.0.4+MindStudio 3.0.4
- Atlas 200DK+CANN 5.0.4+MindStudio 3.0.4 Atlas 200DK+CANN 5.0.4+MindStudio 3.0.4
- Atlas 200DK+CANN 5.0.4+MindStudio 3.0.4 Atlas 200DK+CANN 5.0.4+MindStudio 3.0.4
- Atlas 200DK+CANN 5.0.4+MindStudio 3.0.4 Atlas 200DK+CANN 5.0.4+MindStudio 3.0.4
上滑加载中
推荐直播
-
智能观测进化论系列沙龙（第一期）2025/02/28 周五 14:00-16:30
华为及外部讲师团
本期直播就智能化可观测技术的融合与创新、落地与实践、瓶颈与未来等业界关心的话题进行深入探讨。
回顾中 -
聚焦Deepseek，洞察开发者生态发展2025/02/28 周五 19:00-20:30
蒋涛 csdn创始人
深入剖析Deepseek爆发后，中国开发者生态潜藏的巨大发展潜能与未来走向，精准提炼出可供大家把握的时代机遇，干货满满，不容错过。
回顾中
热门标签