- 请用5分钟阅读本文，然后立即投入实践，养成良好的文档习惯，你将节约无数宝贵的屎山打滚时间。 请用5分钟阅读本文，然后立即投入实践，养成良好的文档习惯，你将节约无数宝贵的屎山打滚时间。
- 联邦学习概览：联邦学习简介在过去几年里，我们见证了机器学习在AI领域的快速发展，无论是在计算机视觉还是语音识别 自然语言处理还是在推荐 广告这些领域都取得了巨大的进步。近年来人工智能可谓风风火火，掀起一波又一波浪潮，从人脸识别、活体检验发现刑事案件报警到阿尔法狗大战人类围棋手李世石、再到无人驾驶、以及已被普遍应用的精准营销，AI逐步进入人们生活的方方面面。当然也不免出现部分过度吹捧，导致对A... 联邦学习概览：联邦学习简介在过去几年里，我们见证了机器学习在AI领域的快速发展，无论是在计算机视觉还是语音识别 自然语言处理还是在推荐 广告这些领域都取得了巨大的进步。近年来人工智能可谓风风火火，掀起一波又一波浪潮，从人脸识别、活体检验发现刑事案件报警到阿尔法狗大战人类围棋手李世石、再到无人驾驶、以及已被普遍应用的精准营销，AI逐步进入人们生活的方方面面。当然也不免出现部分过度吹捧，导致对A...
- LP的规模通常是由约束矩阵A的规模决定的，矩阵的元素通常用8个字节的double型储存，假设矩阵有m行，n列，则直接储存A需要8mn字节。如果A有10000行，20000列（不是特别大规模的），那么需要1.6G内存储存A，一方面内存要求高，另一方面对矩阵A的操作困难。大规模LP通常含有大量的零元，非零元占比非常小，这个性质称为稀疏性，即A为稀疏矩阵。 LP的规模通常是由约束矩阵A的规模决定的，矩阵的元素通常用8个字节的double型储存，假设矩阵有m行，n列，则直接储存A需要8mn字节。如果A有10000行，20000列（不是特别大规模的），那么需要1.6G内存储存A，一方面内存要求高，另一方面对矩阵A的操作困难。大规模LP通常含有大量的零元，非零元占比非常小，这个性质称为稀疏性，即A为稀疏矩阵。
- 遗传算法（Genetic algorithm, GA），模拟生物在自然环境中遗传和进化的自适应（对遗传参数的自适应调整）全局优化（随机变异不断寻找全局最优解）算法，基本思想是“优胜劣汰”，是应用最广泛和效果最显著的智能优化算法。 遗传算法（Genetic algorithm, GA），模拟生物在自然环境中遗传和进化的自适应（对遗传参数的自适应调整）全局优化（随机变异不断寻找全局最优解）算法，基本思想是“优胜劣汰”，是应用最广泛和效果最显著的智能优化算法。
- 近年来，Transformer模型在自然语言处理（NLP）领域中横扫千军，以BERT、GPT为代表的模型屡屡屠榜，目前已经成为了该领域的标准模型。同时，在计算机视觉等领域中，Transformer模型也逐渐得到了重视，越来越多的研究工作开始将这类模型引入到算法中。本文基于2017年Google发表的论文，介绍Transformer模型的原理。 近年来，Transformer模型在自然语言处理（NLP）领域中横扫千军，以BERT、GPT为代表的模型屡屡屠榜，目前已经成为了该领域的标准模型。同时，在计算机视觉等领域中，Transformer模型也逐渐得到了重视，越来越多的研究工作开始将这类模型引入到算法中。本文基于2017年Google发表的论文，介绍Transformer模型的原理。
- 故事的起因来源于我在优化他人c++源码的时候，想通过多线程的方式提升程序的运算效率，主要存在以下需求和难点：多个线程并行跑模型，看哪个模型跑的快，跑出来后结束其他线程，线程间独立运行无通信过程源码模型很复杂，函数调用较多，不好改动，因此不太适合通过信号或标志进行通信终止网上搜索了一下线程结束的几种方式：线程函数的return返回（建议）。这种退出线程的方式是最安全的，在线程函数return返... 故事的起因来源于我在优化他人c++源码的时候，想通过多线程的方式提升程序的运算效率，主要存在以下需求和难点：多个线程并行跑模型，看哪个模型跑的快，跑出来后结束其他线程，线程间独立运行无通信过程源码模型很复杂，函数调用较多，不好改动，因此不太适合通过信号或标志进行通信终止网上搜索了一下线程结束的几种方式：线程函数的return返回（建议）。这种退出线程的方式是最安全的，在线程函数return返...
- 差分进化算法简介。 差分进化算法简介。
- 引言在之前的博文中，笔者分别介绍了基于传统几何技术路线（虽然包含深度学习图像检索，但不影响整体的传统框架）以及完全基于深度学习技术路线（端到端回归出6DoF位姿）的视觉定位方法。从实际使用情况来看，目前传统的技术路线往往能够得到更为准确的定位结果，这可能是因为完全依赖深度学习进行端到端回归的方案有时忽略了传统的视觉几何关系导致的。因此也有一系列的工作开始寻求二者的结合。今天介绍一篇2020... 引言在之前的博文中，笔者分别介绍了基于传统几何技术路线（虽然包含深度学习图像检索，但不影响整体的传统框架）以及完全基于深度学习技术路线（端到端回归出6DoF位姿）的视觉定位方法。从实际使用情况来看，目前传统的技术路线往往能够得到更为准确的定位结果，这可能是因为完全依赖深度学习进行端到端回归的方案有时忽略了传统的视觉几何关系导致的。因此也有一系列的工作开始寻求二者的结合。今天介绍一篇2020...
- 量化入门 量化交易（Quantitative Trading） 引言近年来，量化投资行业得到了迅速的发展，传统多因子模型在A股过去若干年内也获得较为稳健的超额收益。然而，由于市值效应在 A 股市场的影响过于明显，导致传统多因子模型或多或少都受其影响。 尤其是自2016年11月以来，随着A股市场风格的急剧变化，策略稳定性受到了一定冲击。从目前市值因子的收益波动性而言，小市值因子超额收益的黄金... 量化入门 量化交易（Quantitative Trading） 引言近年来，量化投资行业得到了迅速的发展，传统多因子模型在A股过去若干年内也获得较为稳健的超额收益。然而，由于市值效应在 A 股市场的影响过于明显，导致传统多因子模型或多或少都受其影响。 尤其是自2016年11月以来，随着A股市场风格的急剧变化，策略稳定性受到了一定冲击。从目前市值因子的收益波动性而言，小市值因子超额收益的黄金...
- 算法开发中常用的numpy接口 1.1numpy.random.randint用法函数的作用是，返回一个随机整型数，范围从低（包括）到高（不包括），即[low, high)。如果没有写参数high的值，则返回[0,low)的值。numpy.random.randint(low, high=None, size=None, dtype='l') 参数如下：参数描述low: int生成的数值最... 算法开发中常用的numpy接口 1.1numpy.random.randint用法函数的作用是，返回一个随机整型数，范围从低（包括）到高（不包括），即[low, high)。如果没有写参数high的值，则返回[0,low)的值。numpy.random.randint(low, high=None, size=None, dtype='l') 参数如下：参数描述low: int生成的数值最...
- 引言在先前的博文中，笔者已经对视觉定位的基本概念进行了介绍，并展开阐述了传统的基于几何计算的视觉定位方法。在本篇博文中，笔者将介绍一种基于深度神经网络的机器学习方法——PoseNet方法[1]。本方法虽然提出于2015年，但方案理论清晰简洁，便于理解，也为后续的视觉定位方法提供了基本思路。 基本思路 损失函数设计考虑到视觉定位的最终目的在于估计出query图像的位姿，而所谓位姿包含了位置和... 引言在先前的博文中，笔者已经对视觉定位的基本概念进行了介绍，并展开阐述了传统的基于几何计算的视觉定位方法。在本篇博文中，笔者将介绍一种基于深度神经网络的机器学习方法——PoseNet方法[1]。本方法虽然提出于2015年，但方案理论清晰简洁，便于理解，也为后续的视觉定位方法提供了基本思路。 基本思路 损失函数设计考虑到视觉定位的最终目的在于估计出query图像的位姿，而所谓位姿包含了位置和...
- 本文将围绕“深度学习技术的发展展望：人工智能 & 自然智能” 这个课题开展一系列的探讨。探讨内容分为七大部分： 1）AI技术的发展困局，2）人工智能与自然智能漫谈，3）深度学习在“学习方式”上的自我突破，4）深度学习在“学习框架”上的自我突破，5）NI启发AI：人类视觉脑科学研究给CNN网络带来的启发，6）NI启发AI：“大数据”和“大任务”的智能系统架构思考，7）中国脑计划漫谈 本文将围绕“深度学习技术的发展展望：人工智能 & 自然智能” 这个课题开展一系列的探讨。探讨内容分为七大部分： 1）AI技术的发展困局，2）人工智能与自然智能漫谈，3）深度学习在“学习方式”上的自我突破，4）深度学习在“学习框架”上的自我突破，5）NI启发AI：人类视觉脑科学研究给CNN网络带来的启发，6）NI启发AI：“大数据”和“大任务”的智能系统架构思考，7）中国脑计划漫谈
- 1. 3D视觉技术2D视觉技术借助强大的计算机视觉和深度学习算法取得了超越人类认知的成就，而3D视觉则因为算法建模和环境依赖等问题，一直处于正在研究的前沿。3D视觉同样为传统研究领域，但最近5年内得到快速发展。与深度学习算法结合，在智能制造/机器人、自动驾驶、AR/VR、SLAM、无人机、三维重建、人脸识别等领域取得了优异的效果。 3D视觉主要研究内容包括：l 3D感知：点云获... 1. 3D视觉技术2D视觉技术借助强大的计算机视觉和深度学习算法取得了超越人类认知的成就，而3D视觉则因为算法建模和环境依赖等问题，一直处于正在研究的前沿。3D视觉同样为传统研究领域，但最近5年内得到快速发展。与深度学习算法结合，在智能制造/机器人、自动驾驶、AR/VR、SLAM、无人机、三维重建、人脸识别等领域取得了优异的效果。 3D视觉主要研究内容包括：l 3D感知：点云获...
- 3D模型的重建是视觉领域的一个重要分支。这个系列博文所围绕的范围仅限于3D重建中的纹理重建，参考Waechter的经典论文标题，我将它命名为Let It Be Color!。所谓纹理重建，简而言之，就是通过某场景的一系列2D图像和经过表面重建后得到的白模，来计算网格模型表面的颜色，从而形成彩色的3D模型。本篇博文将从几种坐标系的定义和它们相互之间的转换开始讲起。 3D模型的重建是视觉领域的一个重要分支。这个系列博文所围绕的范围仅限于3D重建中的纹理重建，参考Waechter的经典论文标题，我将它命名为Let It Be Color!。所谓纹理重建，简而言之，就是通过某场景的一系列2D图像和经过表面重建后得到的白模，来计算网格模型表面的颜色，从而形成彩色的3D模型。本篇博文将从几种坐标系的定义和它们相互之间的转换开始讲起。
- 偏度skewness定义：峰度定义：python使用pandas来计算偏度和峰度import pandas as pdx = [53, 61, 49, 66, 78, 47]s = pd.Series(x)print(s.skew())print(s.kurt())它是用上面的G1来计算偏度 G2来计算峰度，结果如下：0.7826325504212567-0.263165544103846... 偏度skewness定义：峰度定义：python使用pandas来计算偏度和峰度import pandas as pdx = [53, 61, 49, 66, 78, 47]s = pd.Series(x)print(s.skew())print(s.kurt())它是用上面的G1来计算偏度 G2来计算峰度，结果如下：0.7826325504212567-0.263165544103846...
上滑加载中
推荐直播
-
物联网资深专家带你轻松构建AIoT智能场景应用2024/11/21 周四 16:30-18:00
管老师 华为云IoT DTSE技术布道师
如何轻松构建AIoT智能场景应用？本期直播将聚焦华为云设备接入平台，结合AI、鸿蒙（OpenHarmony）、大数据等技术，实现物联网端云协同创新场景，教您如何打造更有实用性及创新性的AIoT行业标杆应用。
回顾中 -
Ascend C算子编程之旅：基础入门篇2024/11/22 周五 16:00-17:30
莫老师 昇腾CANN专家
介绍Ascend C算子基本概念、异构计算架构CANN和Ascend C基本概述，以及Ascend C快速入门，夯实Ascend C算子编程基础
即将直播 -
深入解析：华为全栈AI解决方案与云智能开放能力2024/11/22 周五 18:20-20:20
Alex 华为云学堂技术讲师
本期直播我们将重点为大家介绍华为全栈全场景AI解决方案以和华为云企业智能AI开放能力。旨在帮助开发者深入理解华为AI解决方案，并能够更加熟练地运用这些技术。通过洞悉华为解决方案，了解人工智能完整生态链条的构造。
去报名
热门标签