- 摘要本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，今天我和大家一起实现tensorflow2.X版本图像分类任务，分类的模型使用ResNet50。通过这篇文章你可以学到：1、如何加载图片数据，并处理数据。2、如果将标签转为onehot编码3、如何使用数据增强。4、如何使用mixup。5、如何切分数据集。6、如何加载预训练模型。 训练 1、Mixupmixup是一种非常... 摘要本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，今天我和大家一起实现tensorflow2.X版本图像分类任务，分类的模型使用ResNet50。通过这篇文章你可以学到：1、如何加载图片数据，并处理数据。2、如果将标签转为onehot编码3、如何使用数据增强。4、如何使用mixup。5、如何切分数据集。6、如何加载预训练模型。 训练 1、Mixupmixup是一种非常...
- 语音识别在我们的日常生活中已经被广泛应用。曾经听起来高大上的功能词汇，放到现在其实很简单就可以自己实现。本文就来带你了解 语音识别技术的原理，顺便做一个 语音识别的实战应用。 语音识别在我们的日常生活中已经被广泛应用。曾经听起来高大上的功能词汇，放到现在其实很简单就可以自己实现。本文就来带你了解 语音识别技术的原理，顺便做一个 语音识别的实战应用。
- 摘要本例提取了猫狗大战数据集中的部分数据做数据集，演示tensorflow2.0以上的版本如何使用Keras实现图像分类，分类的模型使用DenseNet121。 训练 第一步 导入需要的数据包，设置全局参数import numpy as npfrom tensorflow.keras.optimizers import Adamimport cv2from tensorflow.keras... 摘要本例提取了猫狗大战数据集中的部分数据做数据集，演示tensorflow2.0以上的版本如何使用Keras实现图像分类，分类的模型使用DenseNet121。 训练 第一步 导入需要的数据包，设置全局参数import numpy as npfrom tensorflow.keras.optimizers import Adamimport cv2from tensorflow.keras...
- 【Python训练营】Python每日一练----第3天：作物杂交 【Python训练营】Python每日一练----第3天：作物杂交
- 【Python训练营】Python每日一练----第1天：购物单 【Python训练营】Python每日一练----第1天：购物单
- 2021AIWIN 手写体 OCR 识别竞赛总结（任务一）参加了“世界人工智能创新大赛”——手写体 OCR 识别竞赛（任务一），取得了Top1的成绩。下面通过这篇文章来介绍我们队伍的方案。队伍随机组的，有人找我我就加了进来，这是我第一次做OCR相关的项目，所以随意起了个名字。 赛题一、赛题考官交通银行二、赛题背景银行日常业务中涉及到各类凭证的识别录入，例如身份证录入、支票录入、对账单录入等... 2021AIWIN 手写体 OCR 识别竞赛总结（任务一）参加了“世界人工智能创新大赛”——手写体 OCR 识别竞赛（任务一），取得了Top1的成绩。下面通过这篇文章来介绍我们队伍的方案。队伍随机组的，有人找我我就加了进来，这是我第一次做OCR相关的项目，所以随意起了个名字。 赛题一、赛题考官交通银行二、赛题背景银行日常业务中涉及到各类凭证的识别录入，例如身份证录入、支票录入、对账单录入等...
- 引言 不知道你是否和我有过同样的感受，《计算机组成原理》这门学科学起来如此的艰难：一节课下来，教室黑板上留下了满满的 “足迹”，看上去也挺简单的，不就是 0 和 1 嘛。但这些看起来简简单单的 0 1 码却成为了我当时学习路上的绊脚石。源码、反码、补码等等等等，各种的码制转换令我一头雾水，我曾一度怀疑这就是计算机干的活儿吗？ 随着后面慢慢了解《计算机组成原理》后，我愿称计算机为世界上最... 引言 不知道你是否和我有过同样的感受，《计算机组成原理》这门学科学起来如此的艰难：一节课下来，教室黑板上留下了满满的 “足迹”，看上去也挺简单的，不就是 0 和 1 嘛。但这些看起来简简单单的 0 1 码却成为了我当时学习路上的绊脚石。源码、反码、补码等等等等，各种的码制转换令我一头雾水，我曾一度怀疑这就是计算机干的活儿吗？ 随着后面慢慢了解《计算机组成原理》后，我愿称计算机为世界上最...
- 博主在4月学完西瓜书时，一头雾水，觉得还是一知半解。9月开学后上完了必修的《machine learning》课程，并且自己编程实现了多种机器学习算法和论文复现后，才对机器学习有一点了解，现在再次翻阅西瓜书，很多知识点看到都豁然开朗。所以出这一系列文章，对机器学习进行回顾，总结和记录！为大家揭开机器学习的神秘面纱！ 1、经验误差与过拟合通常我们把分类错误的样本数占样本总数的比例称为“错误率”... 博主在4月学完西瓜书时，一头雾水，觉得还是一知半解。9月开学后上完了必修的《machine learning》课程，并且自己编程实现了多种机器学习算法和论文复现后，才对机器学习有一点了解，现在再次翻阅西瓜书，很多知识点看到都豁然开朗。所以出这一系列文章，对机器学习进行回顾，总结和记录！为大家揭开机器学习的神秘面纱！ 1、经验误差与过拟合通常我们把分类错误的样本数占样本总数的比例称为“错误率”...
- ❤️KNN算法❤️ 算法图解：第十章：K最近邻算法 ❤️KNN算法❤️ 算法图解：第十章：K最近邻算法
- Inception-V3Rethinking the Inception Architecture for Computer Vision下载地址：https://arxiv.org/pdf/1512.00567.pdf 摘要对许多任务而言，卷积网络是目前最新的计算机视觉解决方案的核心。从2014年开始，深度卷积网络开始变成主流，在各种基准数据集上都取得了实质性成果。对于大多数任务而言，虽... Inception-V3Rethinking the Inception Architecture for Computer Vision下载地址：https://arxiv.org/pdf/1512.00567.pdf 摘要对许多任务而言，卷积网络是目前最新的计算机视觉解决方案的核心。从2014年开始，深度卷积网络开始变成主流，在各种基准数据集上都取得了实质性成果。对于大多数任务而言，虽...
- 线性回归的一些注意事项 无论导数正负，都可以将变化趋势向最低点靠近如果你已经在局部最低点了，θ1将不再改变，它将使你的点始终保持在局部最优点上。梯度下降能收敛到局部最优点，以一个固定的α。（随着越接近最优点，导数值越小）随着梯度下降法的运行，你移动的幅度会自动变得越来越小，直到最终移动幅度非常小，已经收敛到局部极小值。 第一个机器学习算法算法如下图，需要注意每次需要全部更新所有θ的值。（如... 线性回归的一些注意事项 无论导数正负，都可以将变化趋势向最低点靠近如果你已经在局部最低点了，θ1将不再改变，它将使你的点始终保持在局部最优点上。梯度下降能收敛到局部最优点，以一个固定的α。（随着越接近最优点，导数值越小）随着梯度下降法的运行，你移动的幅度会自动变得越来越小，直到最终移动幅度非常小，已经收敛到局部极小值。 第一个机器学习算法算法如下图，需要注意每次需要全部更新所有θ的值。（如...
- 续上篇在上一篇文章《吴恩达机器学习课程——单变量线性回归》中，我们了解了线性回归的基本概念以及代价函数的数学表达式。今天继续来研究一下这个数学函数。 代价函数的图像在线性回归中，我们假设其函数为:h(x) = ax + b，我们假设b = 0，则假设函数为：h(x) = ax代价函数为：对于固定的测试数据集合，其中的m, x(1…m)，y(1…m)都是固定的，也就是说，J(a)是一个以a为... 续上篇在上一篇文章《吴恩达机器学习课程——单变量线性回归》中，我们了解了线性回归的基本概念以及代价函数的数学表达式。今天继续来研究一下这个数学函数。 代价函数的图像在线性回归中，我们假设其函数为:h(x) = ax + b，我们假设b = 0，则假设函数为：h(x) = ax代价函数为：对于固定的测试数据集合，其中的m, x(1…m)，y(1…m)都是固定的，也就是说，J(a)是一个以a为...
- 线性回归在上一篇文章中，我们介绍了机器学习可以划分为监督学习（Supervised Learning）与无监督学习（Unsupervised Learning），监督学习即一致数据的正确答案：‘right answer’ for each example in the data。回归是指我们预测出一个具体的数值输出。在线性回归中，有以下几个基本概念：training set 训练数据集 ... 线性回归在上一篇文章中，我们介绍了机器学习可以划分为监督学习（Supervised Learning）与无监督学习（Unsupervised Learning），监督学习即一致数据的正确答案：‘right answer’ for each example in the data。回归是指我们预测出一个具体的数值输出。在线性回归中，有以下几个基本概念：training set 训练数据集 ...
- 背景学习的本质是构建从实例到标签的映射关系，但有时候标签存在模糊性，即一个实例不一定映射到一个标签，现有的学习范式中，主要存在两种形式——单标签学习和多标签学习。单标签学习是指给一个实例分配一个标签，多标签学习是指给一个实例分配多个标签。以上两种形式都在回答一个问题：“哪个（哪些）标签可以描述这个实例”，但都没有回答一个问题是“每个标签能够在多大程度上描述这个实例”，也就是每个标签之间相对... 背景学习的本质是构建从实例到标签的映射关系，但有时候标签存在模糊性，即一个实例不一定映射到一个标签，现有的学习范式中，主要存在两种形式——单标签学习和多标签学习。单标签学习是指给一个实例分配一个标签，多标签学习是指给一个实例分配多个标签。以上两种形式都在回答一个问题：“哪个（哪些）标签可以描述这个实例”，但都没有回答一个问题是“每个标签能够在多大程度上描述这个实例”，也就是每个标签之间相对...
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