- KNN算法–基本分类和回归方法。是什么给定一个训练数据集(test_set)对新的输入实例在训练集(train_set)中找到与该实例距离最近的k个数据集这k个数据集的大多数属于哪个类型的，那么这个实例就是那个分类。 如图一所示举一个不恰当的例子：如果你的身边都是百万富翁，那你的资产大概率也不少。k值的选取以及影响2.1 k值过小，导致过拟合如图所示,当k值选择最小为1时，五边形直接属于黑... KNN算法–基本分类和回归方法。是什么给定一个训练数据集(test_set)对新的输入实例在训练集(train_set)中找到与该实例距离最近的k个数据集这k个数据集的大多数属于哪个类型的，那么这个实例就是那个分类。 如图一所示举一个不恰当的例子：如果你的身边都是百万富翁，那你的资产大概率也不少。k值的选取以及影响2.1 k值过小，导致过拟合如图所示,当k值选择最小为1时，五边形直接属于黑...
- 传统语义分割将研究重点定位于提高模型的分割表和评价指标，而不考虑摸型的计算效率，因此不利于模型被部署于自动驾驶、盲人视觉辅助等实时性要求极高的环境感知应用。实时语义分割对比非实时语义分割，如下图所示：红色虚线右侧代表实时语义分割模型，横坐标代表每秒的运算帧数，纵坐标代表模型在Cityscape测试集上的表现指标。实时语义分割随着ENet 的问世而得到了广泛研究。实时语义分割研究方案主要分... 传统语义分割将研究重点定位于提高模型的分割表和评价指标，而不考虑摸型的计算效率，因此不利于模型被部署于自动驾驶、盲人视觉辅助等实时性要求极高的环境感知应用。实时语义分割对比非实时语义分割，如下图所示：红色虚线右侧代表实时语义分割模型，横坐标代表每秒的运算帧数，纵坐标代表模型在Cityscape测试集上的表现指标。实时语义分割随着ENet 的问世而得到了广泛研究。实时语义分割研究方案主要分...
- 人工智能、机器学习和数据工程 InfoQ 趋势报告 - 2021 年 8 月每年，InfoQ 的编辑们都会讨论 AI、ML 和数据工程的最新状态，以确定作为软件工程师、架构师或数据科学家应该关注的趋势。我们将其整理成科技采用曲线（Technology adoption curve），并附有具有支持性的评论，以帮助您了解这些事物的发展方式。我们还探讨了我们认为您应该考虑作为路线图和技能发展的一... 人工智能、机器学习和数据工程 InfoQ 趋势报告 - 2021 年 8 月每年，InfoQ 的编辑们都会讨论 AI、ML 和数据工程的最新状态，以确定作为软件工程师、架构师或数据科学家应该关注的趋势。我们将其整理成科技采用曲线（Technology adoption curve），并附有具有支持性的评论，以帮助您了解这些事物的发展方式。我们还探讨了我们认为您应该考虑作为路线图和技能发展的一...
- 早期的PTMs技术的目标是学习好的词嵌入。由于下游任务不再需要使用这些模型，因此它们在计算效率方面通常非常低，如Skip-Gram和GloVe。虽然这些预先训练的词向量可以捕获单词的语义含义，但它们是上下文无关的，不能捕获文本的高级概念，如语法和语义等。从 2016年开始，大多数的研究都开始重视长时的上下文语义在词嵌入中的作用和语言模型在大规模语料上提前预训练这两个核心观点。Dai和Le 使... 早期的PTMs技术的目标是学习好的词嵌入。由于下游任务不再需要使用这些模型，因此它们在计算效率方面通常非常低，如Skip-Gram和GloVe。虽然这些预先训练的词向量可以捕获单词的语义含义，但它们是上下文无关的，不能捕获文本的高级概念，如语法和语义等。从 2016年开始，大多数的研究都开始重视长时的上下文语义在词嵌入中的作用和语言模型在大规模语料上提前预训练这两个核心观点。Dai和Le 使...
- 本文提出了一个端到端的MTS预测框架METRO。METRO的核心思想是利用多尺度动态图（Multi- scale temperal graph）建模变量之间的依赖关系，考虑单尺度内信息传递和尺度间信息融合。我们在公开的真实数据集和华为云的在线生产环境上进行了大量实验，结果表明，METRO在预测准确性，运行时间，模型大小上都优于SOTA。 本文提出了一个端到端的MTS预测框架METRO。METRO的核心思想是利用多尺度动态图（Multi- scale temperal graph）建模变量之间的依赖关系，考虑单尺度内信息传递和尺度间信息融合。我们在公开的真实数据集和华为云的在线生产环境上进行了大量实验，结果表明，METRO在预测准确性，运行时间，模型大小上都优于SOTA。
- 学习笔记|感知机（二） 介绍了感知机算法，我们可以用python很容易的实现它。1. 感知机算法原始形式的实现首先，建立原始形式感知机类perception_original，初始化输入为x、y和η，η的默认值为1；输出为self.x、self.y、self.ω、self.b和self.η。class perception_original(object): def __init__(... 学习笔记|感知机（二） 介绍了感知机算法，我们可以用python很容易的实现它。1. 感知机算法原始形式的实现首先，建立原始形式感知机类perception_original，初始化输入为x、y和η，η的默认值为1；输出为self.x、self.y、self.ω、self.b和self.η。class perception_original(object): def __init__(...
- 1 ModelArts介绍AI开发流程一般包含四个主要流程，数据处理，模型训练，模型管理，服务部署ModelArts包含了整个开发流程的所有能力。其中一种场景是云上训练，云下部署。对于这种方式，在云上只需要进行数据处理和模型训练就可可以。下面讲解一下云上训练云下部署需要如何实现。2 数据处理ModelArts标注平台支持图像、音频、视频、文本、表格，5种图像标注。如果输入数... 1 ModelArts介绍AI开发流程一般包含四个主要流程，数据处理，模型训练，模型管理，服务部署ModelArts包含了整个开发流程的所有能力。其中一种场景是云上训练，云下部署。对于这种方式，在云上只需要进行数据处理和模型训练就可可以。下面讲解一下云上训练云下部署需要如何实现。2 数据处理ModelArts标注平台支持图像、音频、视频、文本、表格，5种图像标注。如果输入数...
- 276： 答案为-15277： 答案为-12278： 答案为-3279： 答案为-120.0000280 答案为75281 答案为840000282283284 答案是4285 286 答案是8341~349：BDDCCCABB 276： 答案为-15277： 答案为-12278： 答案为-3279： 答案为-120.0000280 答案为75281 答案为840000282283284 答案是4285 286 答案是8341~349：BDDCCCABB
- 参加数学建模的，以及学习matlab的，都可以参考本篇文章。 参加数学建模的，以及学习matlab的，都可以参考本篇文章。
- 神经网络知识扫盲 神经网络知识扫盲
- 本文介绍多任务学习中目标权重平衡方法。传统多任务目标函数构造的问题：多任务损失函数定义如下：相应的，随机梯度下降的权重更新公式如下：（注释：这里是共享层最后一层的权重，具体和多任务学习的网络构造有关，这里不做具体介绍。）当某一个任务的梯度占据主导地位，或者任务梯度冲突时，权重更新可能并不是最优的。Dynamic Task Prioritization - 动态任务优先 1. 本... 本文介绍多任务学习中目标权重平衡方法。传统多任务目标函数构造的问题：多任务损失函数定义如下：相应的，随机梯度下降的权重更新公式如下：（注释：这里是共享层最后一层的权重，具体和多任务学习的网络构造有关，这里不做具体介绍。）当某一个任务的梯度占据主导地位，或者任务梯度冲突时，权重更新可能并不是最优的。Dynamic Task Prioritization - 动态任务优先 1. 本...
- ESPNet是一套基于E2E的开源工具包，可进行语音识别等任务。从另一个角度来说，ESPNet和HTK、Kaldi是一个性质的东西，都是开源的NLP工具；引用论文作者的话：ESPnet是基于一个基于Attention的编码器-解码器网络，另包含部分CTC组件；个人理解：在ESPNet出现之前，已经出现了CTC、Transformer等端到端ASR模型，ESPNet以这两种模型为核心，将这两个... ESPNet是一套基于E2E的开源工具包，可进行语音识别等任务。从另一个角度来说，ESPNet和HTK、Kaldi是一个性质的东西，都是开源的NLP工具；引用论文作者的话：ESPnet是基于一个基于Attention的编码器-解码器网络，另包含部分CTC组件；个人理解：在ESPNet出现之前，已经出现了CTC、Transformer等端到端ASR模型，ESPNet以这两种模型为核心，将这两个...
- 前言 YOLOP能同时处理目标检测、可行驶区域分割、车道线检测 三个视觉感知任务，并速度优异、保持较好精度进行工作，代码开源。它是华中科技大学——王兴刚团队，在全景驾驶感知方面提出的模型，致敬开源精神。论文地址：https://arxiv.org/abs/2108.11250开源代码：https://github.com/hustvl/YOLOP全景驾驶感知系统是自动驾驶的重要组成部分。高精... 前言 YOLOP能同时处理目标检测、可行驶区域分割、车道线检测 三个视觉感知任务，并速度优异、保持较好精度进行工作，代码开源。它是华中科技大学——王兴刚团队，在全景驾驶感知方面提出的模型，致敬开源精神。论文地址：https://arxiv.org/abs/2108.11250开源代码：https://github.com/hustvl/YOLOP全景驾驶感知系统是自动驾驶的重要组成部分。高精...
- Python OpenCV 365 天学习计划，与橡皮擦一起进入图像领域吧。本篇博客是这个系列的第 45 篇。 基础知识铺垫今天咱们对 OpenCV 形态学操作进行一下回顾，在之前的博客中已经进行了首次学习，如果你还没有看到，可以翻阅 本篇博客，当然还有这篇博客后面的那篇博客。 腐蚀与膨胀先上结论，腐蚀就是吃掉边缘，膨胀就是扩展边缘。这次测试前，橡皮擦提前准备了一张图片，测试起来就方便多了，... Python OpenCV 365 天学习计划，与橡皮擦一起进入图像领域吧。本篇博客是这个系列的第 45 篇。 基础知识铺垫今天咱们对 OpenCV 形态学操作进行一下回顾，在之前的博客中已经进行了首次学习，如果你还没有看到，可以翻阅 本篇博客，当然还有这篇博客后面的那篇博客。 腐蚀与膨胀先上结论，腐蚀就是吃掉边缘，膨胀就是扩展边缘。这次测试前，橡皮擦提前准备了一张图片，测试起来就方便多了，...
- 第一章：CANN的一些简介CANN逻辑架构AscendCL应用开发框架介绍计算图引擎GE第二章：Tensorflow训练脚本迁移所需知识：Python脚本编写、Tensorflow基本用法前期准备：Ascend 910环境；能在GPU上跑通的训练脚本；与脚本配套的数据集。Estimator迁移迁移到NPU上：1、 将batch中添加drop_remainder=True；2、 RunConf... 第一章：CANN的一些简介CANN逻辑架构AscendCL应用开发框架介绍计算图引擎GE第二章：Tensorflow训练脚本迁移所需知识：Python脚本编写、Tensorflow基本用法前期准备：Ascend 910环境；能在GPU上跑通的训练脚本；与脚本配套的数据集。Estimator迁移迁移到NPU上：1、 将batch中添加drop_remainder=True；2、 RunConf...
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