- Python OpenCV 365 天学习计划，与橡皮擦一起进入图像领域吧。 Python OpenCV 基础知识铺垫Sobel 算子和 Scharr 算子Sobel 算子说明与使用Scharr 算子说明与使用 laplacian 算子橡皮擦的小节 基础知识铺垫 图像梯度是计算图像变化速度的方法，对于图像边缘部分，灰度值如果变化幅度较大，... Python OpenCV 365 天学习计划，与橡皮擦一起进入图像领域吧。 Python OpenCV 基础知识铺垫Sobel 算子和 Scharr 算子Sobel 算子说明与使用Scharr 算子说明与使用 laplacian 算子橡皮擦的小节 基础知识铺垫 图像梯度是计算图像变化速度的方法，对于图像边缘部分，灰度值如果变化幅度较大，...
- ML岗位面试：10.24下午—上海某软件公司(机器学习，上市)电话面试—考察SVM、逻辑回归、降低过拟合、卷积网络基础等 导读：当时电话来的非常快，我刚做完一家公司的笔试，接着来了电话的技术面试。 电话面试考点 博主今天中午15点~17点，有家科技公司的在线笔试，... ML岗位面试：10.24下午—上海某软件公司(机器学习，上市)电话面试—考察SVM、逻辑回归、降低过拟合、卷积网络基础等 导读：当时电话来的非常快，我刚做完一家公司的笔试，接着来了电话的技术面试。 电话面试考点 博主今天中午15点~17点，有家科技公司的在线笔试，...
- ML之回归预测：利用九大类机器学习算法对无人驾驶汽车系统参数(2018年的data,18+2)进行回归预测值VS真实值 相关文章ML之回归预测：利用九大类机器学习算法对无人驾驶汽车系统参数(2018年的data,18+2)进行回归预测值VS真实值 目录 输出结果 核心代码 输出结果 数据的初步查验：输出回归目标值的差异... ML之回归预测：利用九大类机器学习算法对无人驾驶汽车系统参数(2018年的data,18+2)进行回归预测值VS真实值 相关文章ML之回归预测：利用九大类机器学习算法对无人驾驶汽车系统参数(2018年的data,18+2)进行回归预测值VS真实值 目录 输出结果 核心代码 输出结果 数据的初步查验：输出回归目标值的差异...
- Paper：《Adam: A Method for Stochastic Optimization》的翻译与解读 目录 Adam: A Method for Stochastic Optimization ABSTRACT 1、INTRODUCTION 3、CONCLUSION Ad... Paper：《Adam: A Method for Stochastic Optimization》的翻译与解读 目录 Adam: A Method for Stochastic Optimization ABSTRACT 1、INTRODUCTION 3、CONCLUSION Ad...
- 作者：Murph1、无线边缘联邦学习背景 随着5G 时代的带来，未来的无线系统将支持超密集的节点组成的边缘节点[1]，包括基站的边缘服务器和无线接入点、智能边缘设备例如智能汽车和无人机等。边缘计算被认为是5G 与工业互联网、物联网等的重要结合点，能够推动相关产业带来飞跃性发展。与此同时，以深度学习为代表的人工智能技术的发展，新一代基础设施的AI赋能，使得边缘节点和终端设备具备了... 作者：Murph1、无线边缘联邦学习背景 随着5G 时代的带来，未来的无线系统将支持超密集的节点组成的边缘节点[1]，包括基站的边缘服务器和无线接入点、智能边缘设备例如智能汽车和无人机等。边缘计算被认为是5G 与工业互联网、物联网等的重要结合点，能够推动相关产业带来飞跃性发展。与此同时，以深度学习为代表的人工智能技术的发展，新一代基础设施的AI赋能，使得边缘节点和终端设备具备了...
- 作者：邵云峰1、联邦学习 背景及技术回顾（图文穿插）传统机器学习通常需要把训练数据集集中在数据中心，从而带来安全、隐私等问题，联邦学习应运而生。联邦学习具有如下优势：1）数据不出本地：数据保留在各方本地，不泄露隐私也不违反法规2）模型效果相同：联邦学习模型效果和将全部数据统一存放管理的建模效果相同或相差不大迁移学习3）联合建模，利益共享：多个参与方联合各自数据建立虚拟的共有模型... 作者：邵云峰1、联邦学习 背景及技术回顾（图文穿插）传统机器学习通常需要把训练数据集集中在数据中心，从而带来安全、隐私等问题，联邦学习应运而生。联邦学习具有如下优势：1）数据不出本地：数据保留在各方本地，不泄露隐私也不违反法规2）模型效果相同：联邦学习模型效果和将全部数据统一存放管理的建模效果相同或相差不大迁移学习3）联合建模，利益共享：多个参与方联合各自数据建立虚拟的共有模型...
- 橡皮擦，一个逗趣的互联网高级网虫，新的系列，让我们一起 Be More Pythonic。 滚雪球学 Python 第二轮 已完成的文章清单 七、函数装饰器7.1 装饰器基本使用7.2 对带参数的函数进行装饰7.3 多个装饰器7.4 functools.wraps7.5 基于类的装饰器7.6 内置装饰器7.6.1 @property7.6.2 @... 橡皮擦，一个逗趣的互联网高级网虫，新的系列，让我们一起 Be More Pythonic。 滚雪球学 Python 第二轮 已完成的文章清单 七、函数装饰器7.1 装饰器基本使用7.2 对带参数的函数进行装饰7.3 多个装饰器7.4 functools.wraps7.5 基于类的装饰器7.6 内置装饰器7.6.1 @property7.6.2 @...
- 目录 举例1 举例2 为了提高复杂关系的拟合能力，在特征工程中经常会把一届离散特征两两组合，构成高阶组合特征。 举例1 假如广告点击有2中离散特征 逻辑回归为例，数据特征向量为X=（x1,x2,...xk），则有 举例2 若用户数量m，物品数量n，学习的参数规模m*n。实际中，不可行！ 所以 目录 举例1 举例2 为了提高复杂关系的拟合能力，在特征工程中经常会把一届离散特征两两组合，构成高阶组合特征。 举例1 假如广告点击有2中离散特征 逻辑回归为例，数据特征向量为X=（x1,x2,...xk），则有 举例2 若用户数量m，物品数量n，学习的参数规模m*n。实际中，不可行！ 所以
- 之前我们讲过NPL(自然语言处理)，使用的是NLTK这样一个包，现在呢，我们又有了新的法宝----GluonNPL。在做自然语言处理上能帮我们提升不少效率。 GluonNLP提供了NLP中最先进的(SOTA)深度学习模型的实现，并为文本数据管道和模型构建块。它是为工程师，研究人员和学生设计的，以快速原型研究想法和产品基于这些模型。这个工具包提供了三个主要特性: ... 之前我们讲过NPL(自然语言处理)，使用的是NLTK这样一个包，现在呢，我们又有了新的法宝----GluonNPL。在做自然语言处理上能帮我们提升不少效率。 GluonNLP提供了NLP中最先进的(SOTA)深度学习模型的实现，并为文本数据管道和模型构建块。它是为工程师，研究人员和学生设计的，以快速原型研究想法和产品基于这些模型。这个工具包提供了三个主要特性: ...
- 01前言1、假若要在计算机上建立一个交通资讯系统则可以采用图的结构来表示实际的交通网络。2、考虑到交通图的有向行（如航运，逆水和顺水时的船速就不一样）带权有向图中，称路径上的第一个顶点为源点，最后一个顶点为终点。02最短路径1、求最短路径的一个办法是，每次以一个顶点为源点，重复执行迪杰斯特拉算法n次。这样，便可求得每一对顶点之间的最短路径。总的执行时间为O（n的3次方）。2、弗... 01前言1、假若要在计算机上建立一个交通资讯系统则可以采用图的结构来表示实际的交通网络。2、考虑到交通图的有向行（如航运，逆水和顺水时的船速就不一样）带权有向图中，称路径上的第一个顶点为源点，最后一个顶点为终点。02最短路径1、求最短路径的一个办法是，每次以一个顶点为源点，重复执行迪杰斯特拉算法n次。这样，便可求得每一对顶点之间的最短路径。总的执行时间为O（n的3次方）。2、弗...
- 浅谈SSIM 损失函数计算 前言Structural Similarity亮度相似性对比度相似性结构相似度SSIM 实现 总结 前言 最近研究图像重建老是看到SSIM损失函数，但是去找了那篇论文《Image Quality Assessment: From Error Visibility to Structural Similarity》挺有意思的... 浅谈SSIM 损失函数计算 前言Structural Similarity亮度相似性对比度相似性结构相似度SSIM 实现 总结 前言 最近研究图像重建老是看到SSIM损失函数，但是去找了那篇论文《Image Quality Assessment: From Error Visibility to Structural Similarity》挺有意思的...
- 目录 一、安装Julia 二、Flux简介 三、安装Flux和相关依赖库 四、cifar10项目下载 *五、cifar10数据集下载 六、开始训练 一、安装Julia IDE是Atom，安装和使用教程为：Windows10 Atom安装和运行Julia的使用教程（详细） 二、Flux简介 1.Flux.jl是一个内置于Julia的机器学习框架。它与Py... 目录 一、安装Julia 二、Flux简介 三、安装Flux和相关依赖库 四、cifar10项目下载 *五、cifar10数据集下载 六、开始训练 一、安装Julia IDE是Atom，安装和使用教程为：Windows10 Atom安装和运行Julia的使用教程（详细） 二、Flux简介 1.Flux.jl是一个内置于Julia的机器学习框架。它与Py...
- 这是针对于博客vs2017安装和使用教程（详细）和vs2019安装和使用教程（详细）的VGG19-CIFAR10项目新建示例 目录 一、代码(附有重要的注释) 二、项目结构 三、VGG简介 四、程序执行关键部分解析 五、训练过程和结果 六、参考博客和文献 一、代码(附有重要的注释) 1.博主提供的代码包含了很多重要的注释，都是博主精心查阅资料和debug... 这是针对于博客vs2017安装和使用教程（详细）和vs2019安装和使用教程（详细）的VGG19-CIFAR10项目新建示例 目录 一、代码(附有重要的注释) 二、项目结构 三、VGG简介 四、程序执行关键部分解析 五、训练过程和结果 六、参考博客和文献 一、代码(附有重要的注释) 1.博主提供的代码包含了很多重要的注释，都是博主精心查阅资料和debug...
- 转载自：https://zhuanlan.zhihu.com/p/31921944 前言：行人重识别（Person Re-identification）也称行人再识别，本文简称为ReID，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。 在监控视频中，由于相机分辨率和拍... 转载自：https://zhuanlan.zhihu.com/p/31921944 前言：行人重识别（Person Re-identification）也称行人再识别，本文简称为ReID，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。 在监控视频中，由于相机分辨率和拍...
- 目录 一、准备工作 二、训练模型 三、训练期间的显示信息 一、准备工作 1.准备数据集之前请先切换到root模式，具体指令为： sudo su 然后输入自己设定的密码 2.准备数据集，具体指令为： cd caffe/./data/mnist/get_mnist.sh./examples/mnist/create_mnist.sh 二、训练模型 1.因... 目录 一、准备工作 二、训练模型 三、训练期间的显示信息 一、准备工作 1.准备数据集之前请先切换到root模式，具体指令为： sudo su 然后输入自己设定的密码 2.准备数据集，具体指令为： cd caffe/./data/mnist/get_mnist.sh./examples/mnist/create_mnist.sh 二、训练模型 1.因...
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第五期2026/09/04 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；蒋春阳-华为云AI开发者案例开发专家
本期直播内容： AI工具体验营 · 第5-8课连讲。Agent-Team 多智能体协作完成毕业设计实践
回顾中 -
华为云开发者AI素养ClassRoom·第六期2026/09/08 周二 19:00-20:00
樊渊-2026华为软件挑战赛冠军
高手来了：看软挑高手解析二维排样问题—从工业难题到算法突破
回顾中
热门标签