- 图像中文描述 图像中文描述 + 视觉注意力的 PyTorch 实现。 Show, Attend, and Tell 是令人惊叹的工作，这里是作者的原始实现。 这个模型学会了“往哪瞅”：当模型逐词生成标题时，模型的目光在图像上移动以专注于跟下一个词最相关的部分。 依赖 Python 3.5PyTorch 0.4 数据集 使用 AI Chal... 图像中文描述 图像中文描述 + 视觉注意力的 PyTorch 实现。 Show, Attend, and Tell 是令人惊叹的工作，这里是作者的原始实现。 这个模型学会了“往哪瞅”：当模型逐词生成标题时，模型的目光在图像上移动以专注于跟下一个词最相关的部分。 依赖 Python 3.5PyTorch 0.4 数据集 使用 AI Chal...
- 训练样本量少的时候，确实有效果； 勤劳的神经元们事无巨细地干活，花大量时间把不重要的特征都学到了（过拟合），按这种方式去做其他事效率就很低（模型泛化能力差） 训练的时候需要dropout，测试的时候直接去掉。 如果测试时的时候添加了dropout层，测试的时候直接把前一层的特征结果传到下一层： dropout层相当于组合... 训练样本量少的时候，确实有效果； 勤劳的神经元们事无巨细地干活，花大量时间把不重要的特征都学到了（过拟合），按这种方式去做其他事效率就很低（模型泛化能力差） 训练的时候需要dropout，测试的时候直接去掉。 如果测试时的时候添加了dropout层，测试的时候直接把前一层的特征结果传到下一层： dropout层相当于组合...
- #CVPR 2021##全景分割##开放集# 1、Exemplar-Based Open-Set Panoptic Segmentation Network 首尔大学&Adobe Research 先是定义开放集全景分割（OPS）任务，并通过深入分析其固有的挑战，利用合理的假设使其可行。通过重新格式化 COCO 构建一个全新的 O... #CVPR 2021##全景分割##开放集# 1、Exemplar-Based Open-Set Panoptic Segmentation Network 首尔大学&Adobe Research 先是定义开放集全景分割（OPS）任务，并通过深入分析其固有的挑战，利用合理的假设使其可行。通过重新格式化 COCO 构建一个全新的 O...
- 原文：http://www.cnblogs.com/ybjourney/p/4702562.html 机器学习（一）——K-近邻（KNN）算法 最近在看《机器学习实战》这本书，因为自己本身很想深入的了解机器学习算法，加之想学python，就在朋友的推荐之下选择了这本书进行学习。 一 . K... 原文：http://www.cnblogs.com/ybjourney/p/4702562.html 机器学习（一）——K-近邻（KNN）算法 最近在看《机器学习实战》这本书，因为自己本身很想深入的了解机器学习算法，加之想学python，就在朋友的推荐之下选择了这本书进行学习。 一 . K...
- Gaussian YOLOv3 https://github.com/jwchoi384/Gaussian_YOLOv3 预测特征图的属性 RGB3通道图像被输入到yolov3网络。 检测结果在三个不同的尺度下输出，包括目标的坐标位置、目标是正样本还是负样本、目标属于某一类置信度。 对于每个比例尺分支，在每个网格单元中预测三个结果（每个比例尺三个锚）。 结合三个尺度的结... Gaussian YOLOv3 https://github.com/jwchoi384/Gaussian_YOLOv3 预测特征图的属性 RGB3通道图像被输入到yolov3网络。 检测结果在三个不同的尺度下输出，包括目标的坐标位置、目标是正样本还是负样本、目标属于某一类置信度。 对于每个比例尺分支，在每个网格单元中预测三个结果（每个比例尺三个锚）。 结合三个尺度的结...
- 前两天为了加速一段求梯度的代码，用了SSE指令，在实验室PMH大侠的指导下，最终实现了3倍速度提升（极限是4倍，因为4个浮点数一起计算）。在这里写一下心得，欢迎拍砖。 SSE加速的几个关键是 (1) 用于并行计算的数据结构要16字节对齐 (2) 直接写汇编，不要用SSE的Load Store指令 (3) 对于SSE本身不提供的三角函数等指令，可以用查表法，但要用S... 前两天为了加速一段求梯度的代码，用了SSE指令，在实验室PMH大侠的指导下，最终实现了3倍速度提升（极限是4倍，因为4个浮点数一起计算）。在这里写一下心得，欢迎拍砖。 SSE加速的几个关键是 (1) 用于并行计算的数据结构要16字节对齐 (2) 直接写汇编，不要用SSE的Load Store指令 (3) 对于SSE本身不提供的三角函数等指令，可以用查表法，但要用S...
- 形态学可以对着二值图操作，好像也能对着灰度图操作，返回的还是灰度图。 利用morphologyEx这个函数可以方便的对图像进行一系列的膨胀腐蚀组合。 函数讲解 ●函数原型 ○c++ void morphologyEx( InputArray src, OutputArray dst, int op, InputArray kernel, Point a... 形态学可以对着二值图操作，好像也能对着灰度图操作，返回的还是灰度图。 利用morphologyEx这个函数可以方便的对图像进行一系列的膨胀腐蚀组合。 函数讲解 ●函数原型 ○c++ void morphologyEx( InputArray src, OutputArray dst, int op, InputArray kernel, Point a...
- K-means算法、高斯混合模型 简介： 本节介绍STANFORD机器学习公开课中的第12、13集视频中的算法：K-means算法、高斯混合模型（GMM）。（9、10、11集不进行介绍，略过了哈） 一、K-means算法 属于无监督学... K-means算法、高斯混合模型 简介： 本节介绍STANFORD机器学习公开课中的第12、13集视频中的算法：K-means算法、高斯混合模型（GMM）。（9、10、11集不进行介绍，略过了哈） 一、K-means算法 属于无监督学...
- tensorflow 1.0 学习：参数和特征的提取 在tf中，参与训练的参数可用 tf.trainable_variables()提取出来，如： #取出所有参与训练的参数 params=tf.trainable_variables() print("Trainable variables:-----------------------... tensorflow 1.0 学习：参数和特征的提取 在tf中，参与训练的参数可用 tf.trainable_variables()提取出来，如： #取出所有参与训练的参数 params=tf.trainable_variables() print("Trainable variables:-----------------------...
- 矩阵的秩: 用初等行变换将矩阵A化为阶梯形矩阵, 则矩阵中非零行的个数就定义为这个矩阵的秩, 记为r(A)。 满秩矩阵(non-singular matrix): 设A是n阶矩阵, 若r(A) = n, 则称A为满秩矩阵。但满秩不局限于n阶矩阵。若矩阵秩等于行数，称为行满秩;若矩阵秩等于列数，称为列满秩。既是行满秩又是列满秩则为n阶矩阵即n阶方阵。 满秩矩阵是一个很重要的... 矩阵的秩: 用初等行变换将矩阵A化为阶梯形矩阵, 则矩阵中非零行的个数就定义为这个矩阵的秩, 记为r(A)。 满秩矩阵(non-singular matrix): 设A是n阶矩阵, 若r(A) = n, 则称A为满秩矩阵。但满秩不局限于n阶矩阵。若矩阵秩等于行数，称为行满秩;若矩阵秩等于列数，称为列满秩。既是行满秩又是列满秩则为n阶矩阵即n阶方阵。 满秩矩阵是一个很重要的...
- 有监督机器学习方法可以分为生成方法和判别方法（常见的生成方法有混合高斯模型、朴素贝叶斯法和隐形马尔科夫模型等，常见的判别方法有SVM、LR等），生成方法学习出的是生成模型，判别方法学习出的是判别模型。 HMM 是生成模型，因为它对状态序列本身的分布 P(X) 和给定状态后观测值的分布 P(Y|X) 都进行了建模。 DNN 是判别模型，因为它直... 有监督机器学习方法可以分为生成方法和判别方法（常见的生成方法有混合高斯模型、朴素贝叶斯法和隐形马尔科夫模型等，常见的判别方法有SVM、LR等），生成方法学习出的是生成模型，判别方法学习出的是判别模型。 HMM 是生成模型，因为它对状态序列本身的分布 P(X) 和给定状态后观测值的分布 P(Y|X) 都进行了建模。 DNN 是判别模型，因为它直...
- 本文是加州大学默塞德分校Ming-Hsuan Yang团队在动态滤波器卷积方面的工作，已被CVPR2021接收。本文针对标准卷积存在的两个问题：内容不可知与计算量大问题，提出了一种具有内容自适应且更轻量的解耦动态滤波器，它将常规动态滤波器拆分为空域动态滤波器与通道动态滤波器，这种拆分可以极大的降低参数量，并将计算量限定在深度卷积同等水平。在图像分类、目标... 本文是加州大学默塞德分校Ming-Hsuan Yang团队在动态滤波器卷积方面的工作，已被CVPR2021接收。本文针对标准卷积存在的两个问题：内容不可知与计算量大问题，提出了一种具有内容自适应且更轻量的解耦动态滤波器，它将常规动态滤波器拆分为空域动态滤波器与通道动态滤波器，这种拆分可以极大的降低参数量，并将计算量限定在深度卷积同等水平。在图像分类、目标...
- 量化是一种加速推理的技术，量化算子并且仅仅支持前向传递。Pytorch支持int8量化，相比于float32,模型的大小减少4倍，内存要求减少4倍。与float32计算相比，对int8计算的硬件支持通常快2到4倍。 大多数情况下，模型需要以float32精度训练，然后将模型转换为int8。如今，PyTorch支持在具有AVX2支持或者更高版本的x86 CPU... 量化是一种加速推理的技术，量化算子并且仅仅支持前向传递。Pytorch支持int8量化，相比于float32,模型的大小减少4倍，内存要求减少4倍。与float32计算相比，对int8计算的硬件支持通常快2到4倍。 大多数情况下，模型需要以float32精度训练，然后将模型转换为int8。如今，PyTorch支持在具有AVX2支持或者更高版本的x86 CPU...
- 高斯混合模型GMM是一个非常基础并且应用很广的模型。对于它的透彻理解非常重要。网上的关于GMM的大多资料介绍都是大段公式，而且符号表述不太清楚，或者文笔非常生硬。本文尝试用通俗的语言全面介绍一下GMM，不足之处还望各位指正。 首先给出GMM的定义 这里引用李航老师《统计学习方法》上的定义，如下图： 定义很好理解，高斯混合模型是一种混合模型，混合的基本分布是... 高斯混合模型GMM是一个非常基础并且应用很广的模型。对于它的透彻理解非常重要。网上的关于GMM的大多资料介绍都是大段公式，而且符号表述不太清楚，或者文笔非常生硬。本文尝试用通俗的语言全面介绍一下GMM，不足之处还望各位指正。 首先给出GMM的定义 这里引用李航老师《统计学习方法》上的定义，如下图： 定义很好理解，高斯混合模型是一种混合模型，混合的基本分布是...
- 1 分类器的训练 训练级联分类器traincascade需要OpenCV中的两个exe文件，这两个文件分别是opencv_createsamples.exe和opencv_traincascade.exe文件。 训练过程可分为以下几步： (1)准备正负训练样本。 正样本： 正样本尺寸保持一致，建议自己写个小程序来剪裁图像实现尺... 1 分类器的训练 训练级联分类器traincascade需要OpenCV中的两个exe文件，这两个文件分别是opencv_createsamples.exe和opencv_traincascade.exe文件。 训练过程可分为以下几步： (1)准备正负训练样本。 正样本： 正样本尺寸保持一致，建议自己写个小程序来剪裁图像实现尺...
上滑加载中
推荐直播
-
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 -
华为云码道：零代码股票智能决策平台全功能实战2026/04/18 周六 10:00-12:00
秦拳德-中软国际教育卓越研究院研究员、华为云金牌讲师、云原生技术专家
利用Tushare接口获取实时行情数据，采用Transformer算法进行时序预测与涨跌分析，并集成DeepSeek API提供智能解读。同时，项目深度结合华为云CodeArts（码道）的代码智能体能力，实现代码一键推送至云端代码仓库，建立起高效、可协作的团队开发新范式。开发者可快速上手，从零打造功能完整的个股筛选、智能分析与风险管控产品。
回顾中
热门标签