- 问题描述 最近FJ为他的奶牛们开设了数学分析课，FJ知道若要学好这门课，必须有一个好的三角函数基本功。所以他准备和奶牛们做一个“Sine之舞”的游戏，寓教于乐，提高奶牛们的计算能力。不妨设： An=sin(1–sin(2+sin(3–sin(4+…sin(n))…) Sn=(…(A1+n)A2+n-1)A3+…+2)An+1 FJ想让奶牛们计算Sn的值，请你帮助FJ打... 问题描述 最近FJ为他的奶牛们开设了数学分析课，FJ知道若要学好这门课，必须有一个好的三角函数基本功。所以他准备和奶牛们做一个“Sine之舞”的游戏，寓教于乐，提高奶牛们的计算能力。不妨设： An=sin(1–sin(2+sin(3–sin(4+…sin(n))…) Sn=(…(A1+n)A2+n-1)A3+…+2)An+1 FJ想让奶牛们计算Sn的值，请你帮助FJ打...
- 编译 | 周珍冉 审稿 | 杨慧丹 今天介绍来自西交利物浦大学和福建医科大学的Zitao Song, Daiyun Huang等人六月份发表在Nature Communication的文章“Attention-based multi-label neural networks for integrated prediction and interpr... 编译 | 周珍冉 审稿 | 杨慧丹 今天介绍来自西交利物浦大学和福建医科大学的Zitao Song, Daiyun Huang等人六月份发表在Nature Communication的文章“Attention-based multi-label neural networks for integrated prediction and interpr...
- 文章来源 ： 中国科学杂志社药物研发是一个漫长的过程，传统的药物研发需要投入大量的研发人员，并且花费十到十五年，数十亿美元的研发经费才能使一个药物走向上市。近些年来，随着AI、大数据和 云计算 等技术的发展，越来越多的制药公司和科技巨头把目光投到这一领域。然而AI药物研发面临着一系列困难和挑战，AI模型需要大量的数据进行建模，而药物研发数据的高壁垒、高成本、高机密性影响到了制药公司数据贡献的... 文章来源 ： 中国科学杂志社药物研发是一个漫长的过程，传统的药物研发需要投入大量的研发人员，并且花费十到十五年，数十亿美元的研发经费才能使一个药物走向上市。近些年来，随着AI、大数据和 云计算 等技术的发展，越来越多的制药公司和科技巨头把目光投到这一领域。然而AI药物研发面临着一系列困难和挑战，AI模型需要大量的数据进行建模，而药物研发数据的高壁垒、高成本、高机密性影响到了制药公司数据贡献的...
- 因为最近尝试在modelarts中，使用常用框架（这里是TF）来自己开发算法和训练模型、部署模型等，在“常用框架”的示例中，在训练结束后保存模型时，是这样用的对这一块呢，我很陌生，所以在网上查找资料时，找到一篇对此讲解很不错的文章，特转载如下。原文地址saved_model模块主要用于TensorFlow Serving。TF Serving是一个将训练好的模型部署至生产环境的系统，主要的优... 因为最近尝试在modelarts中，使用常用框架（这里是TF）来自己开发算法和训练模型、部署模型等，在“常用框架”的示例中，在训练结束后保存模型时，是这样用的对这一块呢，我很陌生，所以在网上查找资料时，找到一篇对此讲解很不错的文章，特转载如下。原文地址saved_model模块主要用于TensorFlow Serving。TF Serving是一个将训练好的模型部署至生产环境的系统，主要的优...
- Pandas是一个强大的分析结构化数据的工具集，用于数据挖掘和数据分析，同时也提供数据清洗功能。学习Pandas最好的方法就是看官方文档。 不过英文版读起来稍显吃力，所以向大家推荐Pandas官方文档中文版！ 如果你想获得完整PDF可以通过以下方式获得 获得方式： 1. 关注【菜J学Python】公众号???? 2. 在【菜J学Python】后台回复&... Pandas是一个强大的分析结构化数据的工具集，用于数据挖掘和数据分析，同时也提供数据清洗功能。学习Pandas最好的方法就是看官方文档。 不过英文版读起来稍显吃力，所以向大家推荐Pandas官方文档中文版！ 如果你想获得完整PDF可以通过以下方式获得 获得方式： 1. 关注【菜J学Python】公众号???? 2. 在【菜J学Python】后台回复&...
- Dataset：数据集集合(综合性)——机器学习、深度学习算法中常用数据集大集合(建议收藏，持续更新) 目录 常规数据集 各大方向分类数据集汇总 具体数据集分类 相关文章DL：关于深度学习常用数据集的权重文件集合下载地址 常规数据集 StatLib---Datasets Archive If you have ... Dataset：数据集集合(综合性)——机器学习、深度学习算法中常用数据集大集合(建议收藏，持续更新) 目录 常规数据集 各大方向分类数据集汇总 具体数据集分类 相关文章DL：关于深度学习常用数据集的权重文件集合下载地址 常规数据集 StatLib---Datasets Archive If you have ...
- 你可能已经接触过编程，并开发过一两款程序。同时你可能读过关于深度学习或者机器学习的铺天盖地的报道，尽管很多时候它们被赋予了更广义的名字：人工智能。实际上，或者说幸运的是，大部分程序并不需要深度学习或者是更广义上的人工智能技术。例如，如果我们要为一台微波炉编写一个用户界面，只需要一点儿工夫我们便能设计出十几个按钮以及一系列能精确描述微波炉在各种情况下的表现的规则。再比如，假设我们要编写一个电子... 你可能已经接触过编程，并开发过一两款程序。同时你可能读过关于深度学习或者机器学习的铺天盖地的报道，尽管很多时候它们被赋予了更广义的名字：人工智能。实际上，或者说幸运的是，大部分程序并不需要深度学习或者是更广义上的人工智能技术。例如，如果我们要为一台微波炉编写一个用户界面，只需要一点儿工夫我们便能设计出十几个按钮以及一系列能精确描述微波炉在各种情况下的表现的规则。再比如，假设我们要编写一个电子...
- 华为云提供了一站式AI开发平台ModelArts，可以低门槛、低成本的上手AI，并且提供ModelArts社区、《ModelArts人工智能应用开发指南》等书籍，解决学习AI过程的以上三个难点。 华为云提供了一站式AI开发平台ModelArts，可以低门槛、低成本的上手AI，并且提供ModelArts社区、《ModelArts人工智能应用开发指南》等书籍，解决学习AI过程的以上三个难点。
- 5G云化机器视觉检测厉害了 5G云化机器视觉检测厉害了
- 上期简要介绍了一种基于STL分解的带季节性的时序数据的预测算法。STL分解将时序信号分为了季节性、趋势性和残差的加和，同时在预测趋势性分量的时候，可以使用ARIMA算法。ARIMA算法作为一种简单有效的时序预测的算法，通过建立自回归差分移动平均模型，可以对时间序列进行预测。由于STL分解无法处理节假日等特殊事件，以及ARIMA算法需要通过手动将不稳定时间序列通过差分法转化为稳定序列，在实际使用时存 上期简要介绍了一种基于STL分解的带季节性的时序数据的预测算法。STL分解将时序信号分为了季节性、趋势性和残差的加和，同时在预测趋势性分量的时候，可以使用ARIMA算法。ARIMA算法作为一种简单有效的时序预测的算法，通过建立自回归差分移动平均模型，可以对时间序列进行预测。由于STL分解无法处理节假日等特殊事件，以及ARIMA算法需要通过手动将不稳定时间序列通过差分法转化为稳定序列，在实际使用时存
- 1、基于PCA的识别算法 主要有特征脸（Eigenface）算法和FisherFace算法。 特征脸算法进行人脸识别的主要思想是将输入的人脸图像描述为“特征脸”的线性组合，不同的人脸特性用构成该种线性组合的系数来描述，其关键技术就是主成分分析----PCA。 人脸识别中用于描述人脸图像的向量维数都比较高，因此牛人就想到了用PCA进行降维。PCA算法简单有效，目前依然是人脸... 1、基于PCA的识别算法 主要有特征脸（Eigenface）算法和FisherFace算法。 特征脸算法进行人脸识别的主要思想是将输入的人脸图像描述为“特征脸”的线性组合，不同的人脸特性用构成该种线性组合的系数来描述，其关键技术就是主成分分析----PCA。 人脸识别中用于描述人脸图像的向量维数都比较高，因此牛人就想到了用PCA进行降维。PCA算法简单有效，目前依然是人脸...
- 人脸识别的应用在日常生活中已经很常见，你知道它是如何做到如此智能吗？下面，我们就带大家了解人脸识别涉及的十个关键技术。1、人脸检测（Face Detection）：是检测出图像中人脸所在位置的一项技术。人脸检测算法的输入是一张图片，输出是人脸框坐标序列(0个人脸框或1个人脸框或多个人脸框)。一般情况下，输出的人脸坐标框为一个正朝上的正方形。常见的人脸检测算法基本是一个“扫描”加“判别”的过程... 人脸识别的应用在日常生活中已经很常见，你知道它是如何做到如此智能吗？下面，我们就带大家了解人脸识别涉及的十个关键技术。1、人脸检测（Face Detection）：是检测出图像中人脸所在位置的一项技术。人脸检测算法的输入是一张图片，输出是人脸框坐标序列(0个人脸框或1个人脸框或多个人脸框)。一般情况下，输出的人脸坐标框为一个正朝上的正方形。常见的人脸检测算法基本是一个“扫描”加“判别”的过程...
- 1 作业指南对于模型迅雷参数是这么讲的，稍微有点少第二步：生成相关配置项我们定义Config类的子类MyTrainConfig，指定相关的参数，较为关键的参数有：NAME： Config的唯一名称NUM_CLASSES： 分类的数量，COCO中共有80种物体+背景IMAGE_MIN_DIM和IMAGE_MAX_DIM： 图片的最大和最小尺寸，我们生成固定的128x128的图片，因此都设置为1... 1 作业指南对于模型迅雷参数是这么讲的，稍微有点少第二步：生成相关配置项我们定义Config类的子类MyTrainConfig，指定相关的参数，较为关键的参数有：NAME： Config的唯一名称NUM_CLASSES： 分类的数量，COCO中共有80种物体+背景IMAGE_MIN_DIM和IMAGE_MAX_DIM： 图片的最大和最小尺寸，我们生成固定的128x128的图片，因此都设置为1...
- 本案例将详细介绍怎样用ModelArts自动学习基于美食数据集快速构建美食识别应用。ModelArts自动学习具有零代码、零AI背景、泛化能力强的特点，用户无需编码，无需AI背景，就可以使用自动学习快速构建自己的AI应用。准备工作参考此文档，完成ModelArts准备工作。包括注册华为云账号、ModelArts全局配置和OBS相关操作。准备数据下载数据集点击此处下载数据集压缩包至本地，然后解... 本案例将详细介绍怎样用ModelArts自动学习基于美食数据集快速构建美食识别应用。ModelArts自动学习具有零代码、零AI背景、泛化能力强的特点，用户无需编码，无需AI背景，就可以使用自动学习快速构建自己的AI应用。准备工作参考此文档，完成ModelArts准备工作。包括注册华为云账号、ModelArts全局配置和OBS相关操作。准备数据下载数据集点击此处下载数据集压缩包至本地，然后解...
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