- 摘要：动态世界训练数据（Dynamic World Training Data ）是一个由超过 50 亿像素的人工标注欧空局哨兵-2 卫星图像组成的数据集，分布在从世界各地收集的 24000 块瓷砖上。该数据集旨在训练和验证自动土地利用和土地覆被制图算法。分辨率为 10 米的 5.1km x 5.1km 瓦片采用十类分类模式进行了密集标注，显示了一般土地利用土地覆被类别。该数据集创建于 ... 摘要：动态世界训练数据（Dynamic World Training Data ）是一个由超过 50 亿像素的人工标注欧空局哨兵-2 卫星图像组成的数据集，分布在从世界各地收集的 24000 块瓷砖上。该数据集旨在训练和验证自动土地利用和土地覆被制图算法。分辨率为 10 米的 5.1km x 5.1km 瓦片采用十类分类模式进行了密集标注，显示了一般土地利用土地覆被类别。该数据集创建于 ...
- 详解Smooth L1 Loss函数的计算方式在深度学习中，Smooth L1 Loss函数是一种用于回归任务的损失函数。它在一定程度上克服了均方误差（MSE）损失函数的局限性，特别适用于处理离群值。简介Smooth L1 Loss函数是Huber Loss的一种近似形式。它通过引入平滑因子，使损失函数在离群值附近呈现鲁棒性。相比于MSE损失函数，它在离群值附近不敏感。计算方式Smooth ... 详解Smooth L1 Loss函数的计算方式在深度学习中，Smooth L1 Loss函数是一种用于回归任务的损失函数。它在一定程度上克服了均方误差（MSE）损失函数的局限性，特别适用于处理离群值。简介Smooth L1 Loss函数是Huber Loss的一种近似形式。它通过引入平滑因子，使损失函数在离群值附近呈现鲁棒性。相比于MSE损失函数，它在离群值附近不敏感。计算方式Smooth ...
- @[toc] 摘要人工智能术语翻译第六部分，包括U、V、W、X、Y、Z开头的词汇！ U英文术语中文翻译常用缩写备注Ugly Duckling Theorem丑小鸭定理Unbiased无偏Unbiased Estimate无偏估计Unbiased Sample Variance无偏样本方差Unconstrained Optimization无约束优化Undercomplete欠完备Underd... @[toc] 摘要人工智能术语翻译第六部分，包括U、V、W、X、Y、Z开头的词汇！ U英文术语中文翻译常用缩写备注Ugly Duckling Theorem丑小鸭定理Unbiased无偏Unbiased Estimate无偏估计Unbiased Sample Variance无偏样本方差Unconstrained Optimization无约束优化Undercomplete欠完备Underd...
- @[toc] 摘要人工智能术语翻译第五部分，包括Q、R、S、T开头的词汇！ Q英文术语中文翻译常用缩写备注Q FunctionQ函数Q-LearningQ学习Q-NetworkQ网络Quadratic Loss Function平方损失函数Quadratic Programming二次规划Quadrature Pair象限对Quantized Neural Network量子化神经网络QNN... @[toc] 摘要人工智能术语翻译第五部分，包括Q、R、S、T开头的词汇！ Q英文术语中文翻译常用缩写备注Q FunctionQ函数Q-LearningQ学习Q-NetworkQ网络Quadratic Loss Function平方损失函数Quadratic Programming二次规划Quadrature Pair象限对Quantized Neural Network量子化神经网络QNN...
- @[toc] 摘要人工智能术语翻译第四部分，包括M、N、O、P开头的词汇！ M英文术语中文翻译常用缩写备注Machine Learning Model机器学习模型Machine Learning机器学习ML机器学习Machine Translation机器翻译MTMacro Average宏平均Macro-F1宏F1Macro-P宏查准率Macron-R宏查全率Mahalanobis Dis... @[toc] 摘要人工智能术语翻译第四部分，包括M、N、O、P开头的词汇！ M英文术语中文翻译常用缩写备注Machine Learning Model机器学习模型Machine Learning机器学习ML机器学习Machine Translation机器翻译MTMacro Average宏平均Macro-F1宏F1Macro-P宏查准率Macron-R宏查全率Mahalanobis Dis...
- @[toc] 摘要人工智能术语翻译第三部分，包括I、J、K、L开头的词汇！ I英文术语中文翻译常用缩写备注I.I.D. Assumption独立同分布假设Identically Distributed同分布的Identifiable可辨认的Identity Function恒等函数Identity Mapping恒等映射Identity Matrix单位矩阵Ill Conditioning病... @[toc] 摘要人工智能术语翻译第三部分，包括I、J、K、L开头的词汇！ I英文术语中文翻译常用缩写备注I.I.D. Assumption独立同分布假设Identically Distributed同分布的Identifiable可辨认的Identity Function恒等函数Identity Mapping恒等映射Identity Matrix单位矩阵Ill Conditioning病...
- @[toc] 摘要人工智能术语翻译第二部分，包括E、F、G、H开头的词汇！ E英文术语中文翻译常用缩写备注Eager Learning急切学习Early Stopping早停Earth-Mover’s Distance推土机距离EMDEcho State Network回声状态网络Edge边Edge Device边缘设备Effective Capacity有效容量Eigendecomposi... @[toc] 摘要人工智能术语翻译第二部分，包括E、F、G、H开头的词汇！ E英文术语中文翻译常用缩写备注Eager Learning急切学习Early Stopping早停Earth-Mover’s Distance推土机距离EMDEcho State Network回声状态网络Edge边Edge Device边缘设备Effective Capacity有效容量Eigendecomposi...
- 详解torch SmoothL1Loss介绍在深度学习中，损失函数是评估模型性能的重要指标之一。SmoothL1Loss是一个常用的损失函数之一，在目标回归问题中，它可以在一定程度上平衡L1 Loss和L2 Loss。SmoothL1Loss的数学定义SmoothL1Loss是一种平滑的损失函数，它对于目标和预测之间的差异进行鲁棒的度量。其数学定义如下：plaintextCopy codeS... 详解torch SmoothL1Loss介绍在深度学习中，损失函数是评估模型性能的重要指标之一。SmoothL1Loss是一个常用的损失函数之一，在目标回归问题中，它可以在一定程度上平衡L1 Loss和L2 Loss。SmoothL1Loss的数学定义SmoothL1Loss是一种平滑的损失函数，它对于目标和预测之间的差异进行鲁棒的度量。其数学定义如下：plaintextCopy codeS...
- Python Scikit-Learn 中级教程：学习曲线学习曲线是一种评估机器学习模型性能的可视化工具，它可以帮助我们理解模型在不同训练数据大小下的表现。在本篇博客中，我们将深入介绍学习曲线的概念，并使用 Scikit-Learn 中的工具绘制学习曲线。 1. 为什么需要学习曲线？学习曲线有助于回答以下问题：模型的性能如何随着训练数据的增加而变化？是否存在过拟合或欠拟合的现象？增加更多的... Python Scikit-Learn 中级教程：学习曲线学习曲线是一种评估机器学习模型性能的可视化工具，它可以帮助我们理解模型在不同训练数据大小下的表现。在本篇博客中，我们将深入介绍学习曲线的概念，并使用 Scikit-Learn 中的工具绘制学习曲线。 1. 为什么需要学习曲线？学习曲线有助于回答以下问题：模型的性能如何随着训练数据的增加而变化？是否存在过拟合或欠拟合的现象？增加更多的...
- Python Scikit-Learn 中级教程：网格搜索和交叉验证在机器学习中，选择合适的模型超参数是提高模型性能的关键一步。Scikit-Learn 提供了网格搜索（Grid Search）和交叉验证（Cross-Validation）等工具，帮助我们找到最佳的超参数组合。本篇博客将深入介绍如何使用 Scikit-Learn 中的网格搜索和交叉验证来优化模型。 1. 网格搜索网格搜索是... Python Scikit-Learn 中级教程：网格搜索和交叉验证在机器学习中，选择合适的模型超参数是提高模型性能的关键一步。Scikit-Learn 提供了网格搜索（Grid Search）和交叉验证（Cross-Validation）等工具，帮助我们找到最佳的超参数组合。本篇博客将深入介绍如何使用 Scikit-Learn 中的网格搜索和交叉验证来优化模型。 1. 网格搜索网格搜索是...
- Python Scikit-Learn 中级教程：特征缩放在机器学习中，特征缩放是一个重要的预处理步骤。它用于调整数据中特征的范围，以便模型能够更好地收敛和表现。在本篇博客中，我们将深入介绍 Scikit-Learn 中的特征缩放方法，并通过代码示例说明如何进行特征缩放。 1. 为什么需要特征缩放？在许多机器学习算法中，特征的尺度对算法的性能有着重要的影响。一些机器学习算法，例如支持向量机... Python Scikit-Learn 中级教程：特征缩放在机器学习中，特征缩放是一个重要的预处理步骤。它用于调整数据中特征的范围，以便模型能够更好地收敛和表现。在本篇博客中，我们将深入介绍 Scikit-Learn 中的特征缩放方法，并通过代码示例说明如何进行特征缩放。 1. 为什么需要特征缩放？在许多机器学习算法中，特征的尺度对算法的性能有着重要的影响。一些机器学习算法，例如支持向量机...
- 详解No module named 'sklearn.utils.linear_assignment_'在使用Python中的scikit-learn库时，有时候可能会遇到No module named 'sklearn.utils.linear_assignment_'的错误提示。这个错误通常发生在导入和使用sklearn.utils.linear_assignment_模块时，提示找不到... 详解No module named 'sklearn.utils.linear_assignment_'在使用Python中的scikit-learn库时，有时候可能会遇到No module named 'sklearn.utils.linear_assignment_'的错误提示。这个错误通常发生在导入和使用sklearn.utils.linear_assignment_模块时，提示找不到...
- sklearn中级特征选择教程在机器学习中，特征选择是一个重要的步骤，它可以帮助我们从原始数据中选择出最具预测性能的特征，以提高模型的准确性和效率。在本教程中，我们将学习如何使用scikit-learn（sklearn）库中的特征选择方法来进行特征选择。 什么是特征选择？特征选择是从原始特征集中选择出对目标变量具有最大预测能力的特征子集的过程。通过选择相关特征，我们可以降低模型的复杂性、减... sklearn中级特征选择教程在机器学习中，特征选择是一个重要的步骤，它可以帮助我们从原始数据中选择出最具预测性能的特征，以提高模型的准确性和效率。在本教程中，我们将学习如何使用scikit-learn（sklearn）库中的特征选择方法来进行特征选择。 什么是特征选择？特征选择是从原始特征集中选择出对目标变量具有最大预测能力的特征子集的过程。通过选择相关特征，我们可以降低模型的复杂性、减...
- 解析 grabcut.cpp:380: error: (-215) !bgdSamples.empty() && !fgdSamples.empty() 错误在使用 OpenCV 中的 GrabCut 算法进行图像分割时，你可能会遇到以下错误信息：grabcut.cpp:380: error: (-215) !bgdSamples.empty() && !fgdSamples.empty()... 解析 grabcut.cpp:380: error: (-215) !bgdSamples.empty() && !fgdSamples.empty() 错误在使用 OpenCV 中的 GrabCut 算法进行图像分割时，你可能会遇到以下错误信息：grabcut.cpp:380: error: (-215) !bgdSamples.empty() && !fgdSamples.empty()...
- 数据名称：Sentinel-2_MSI_L1C数据来源：Copernicus时空范围：2022年10月-2023年1月空间范围：全国数据简介：哨兵2号（Sentinel-2）卫星是高分辨率多光谱成像卫星，携带一枚多光谱成像仪（MSI），分为2A和2B两颗卫星，其中一颗卫星的重访周期为10天，两颗互补，重访周期为5天，主要用于包括陆地植被、土壤以及水资源、内河水道和沿海区在内的全球陆地观测。S... 数据名称：Sentinel-2_MSI_L1C数据来源：Copernicus时空范围：2022年10月-2023年1月空间范围：全国数据简介：哨兵2号（Sentinel-2）卫星是高分辨率多光谱成像卫星，携带一枚多光谱成像仪（MSI），分为2A和2B两颗卫星，其中一颗卫星的重访周期为10天，两颗互补，重访周期为5天，主要用于包括陆地植被、土壤以及水资源、内河水道和沿海区在内的全球陆地观测。S...
上滑加载中
推荐直播
-
华为云IoT开源专家实践分享：开源让物联网平台更开放、易用2024/05/14 周二 16:30-18:00
张俭 华为云IoT DTSE技术布道师
作为开发者的你是否也想加入开源社区？本期物联网平台资深“程序猿”，开源专家张俭，为你揭秘华为云IoT如何借助开源构建可靠、开放、易用的物联网平台，并手把手教你玩转开源社区！
去报名
热门标签