开源中国

我们不支持 IE 10 及以下版本浏览器

It appears you’re using an unsupported browser

为了获得更好的浏览体验,我们强烈建议您使用较新版本的 Chrome、 Firefox、 Safari 等,或者升级到最新版本的IE浏览器。 如果您使用的是 IE 11 或以上版本,请关闭“兼容性视图”。
博客专区 - 开源中国社区

精彩阅读

  • 最新推荐

  • 今日热门

  • 本周热门

  • 每日一博

  • 最新文章

有关Serverless未来的争议不断,来自LC3大会的意见是……

过去十年,云服务深刻地改变了社会获取和使用计算能力的方式,云服务自身也以极快的速度演进。在基础设施云化之后,容器、Serverless(无服务器架构)等技术迅猛发展,开始推动业务的云化,云计算进入2.0时代。 从出现到现在两年时间,Serverless没有一个公认的权威定义。根据亚马逊AWS官网的定义,无服务器架构是基于互联网的系统,其中应用开发不使用常规的服务进程。相反,它们仅依赖于第三方服务(例如AWS Lambda服务),客户端逻辑和服务托管远程调用。 所谓“无服务器”,也不是真的脱离了物理上的服务器,而是说代码不会明确地部署在特定的平台或服务器上,代码的托管环境会由云计算公司等第三方提供。 可以说,利用Serverless开发者可以发展到一个新的系统开发的境界,甚至达到“无架构师”,“无运维”阶段。它代表了新的软件设计范式,可能也颠覆了一般对云的理解。从最初的物理服务器、虚拟机、容器,进化到如今的Serverless架构,这种趋势也愈加明朗。 目前,AWS、Google云、微软的Azure和IBM,都提供了Serverless服务。可以预期的是,Serverless服务在今年也会更加普及,很难说它不会是重要的云计算趋势之一。 虽然已经出现了几个比较有影响力的Serverless产品...
OSC_Lucy 发布于 1周前 阅读 343

H5视频活体检测-Java实现(SpringBoot 2.0.1 + thymeleaf )

H5视频活体检测产品,是由两个接口组合而成,主要用于在H5场景下,通过用户新录制并上传一个视频,来进行活体检测的判断。相对于APP有动作校验+静默图片活体、静默图片活体这两种方式,H5视频活体方案比APP方案更加灵活,同时比单张图片活体方式更加安全。其主要功能如下所示: 语音校验码:为防止用户提交非当前操作的视频,在录制视频时,随机分配一个数字,用户需要读出这个数字,声音存于视频当中,并在后续识别时校验,以判断是否为此次会话。 视频多帧活体检测:录制并上传的视频,会在云端进行随机抽帧分析,并得出最终的活体检测分数。
小帅帅丶 发布于 3周前 阅读 501 评论 3 点赞 1

怎样写一个类似ROS的易用的android机器人框架(4)

# 怎样写一个类似ROS的易用的android机器人框架(4) [怎样写一个类似ROS的易用的android机器人框架(3)](https://my.oschina.net/u/181909/blog/1813843) ## 机器人任务框架的工作流程 为避免机器人执行多任务时对传感器,执行机构的占用冲突,同时又有满足机器人响应突发任务的需求,设计这样的任务框架: ### 1.当前任务可打断可恢复时 多个任务是排队执行的,即同一时间只有一个任务处于运行状态,任务执行过程中如果有新任务到来并允许允许,当前任务会暂停,保存任务进度和状态后,再执行新任务,新任务结束后,再恢复执行暂停保存的任务。 每个任务都有`onStart`,`onStop`,`onPause`,`onResume`四个生命周期,以便根据任务的不同状态进行相应的任务参数设置。 当没有任务时,系统插入一个用户定义的空闲任务,用于通知系统进入待机模式或者控制显示待机界面。 完整的流程如下 `IdelTask onStart` -> `IdleTask onStop` -> `Task onStart` -> `Task onPause` -> `NewTask onStart` -> `NewTask onStop` -> `Task onResume` -> `Task onStop` -> `IdleTask onStart` ### 2. 当前任务可打断不可恢复时 当前任务不可恢复时,不会走 `onPause`,`onResume`,流程如下: ...
凌正 发布于 1个月前 阅读 175

Spark Hadoop 环境搭建

首先准备一台Linux环境的服务器,建议使用 VMware 或者 virtual box 来虚拟一台服务器,这对于新手来说比较适合,既能随时调整也能随时导出并迁移。 准备软件: Java环境, 下载链接,建议选择 1.7 版本 Hadoop环境,下载链接,建议选择 2.6 版本 Spark环境,下载链接,根据Hadoop版本来选择 Scala环境,下载链接,推荐使用 2.11.5 版本 Ubuntu server 镜像,推荐选择14.04(长期支持版本) 操作步骤 把Ubuntu镜像安装到虚拟机,完成服务器安装,命名为 server-1。建议增加 /etc/hosts 记录,方便以后在服务的配置文件中使用(如果使用IP配置的话,不方便对虚拟机进行迁移,比如从公司迁移到家里,网段可能会变化,IP也会变化) 大数据学习交流群:199427210,群里都是学大数据开发的,如果你正在学习大数据 ,小编欢迎你加入,大家都是软件开发党,不定期分享干货(只有大数据软件开发相关的),包括我自己整理的一份2018最新的大数据进阶资料和高级开发教程,欢迎进阶中和进想深入大数据的小伙伴加入。 #编辑 /etc/hosts,目前我在局域网中固定使用这个IP 10.0.0.16 server-1 在 server-1 上面安装 openssh-server(不安装的话没法SSH远程连接) 安装后记得重启ssh服务 ...
董黎明 发布于 1个月前 阅读 316 点赞 1

2018全球人工智能技术大会之五个研究院与一个研究所

2018全球人工智能技术大会(GAITC)将于5月19-20日在北京国家会议中心举行。本次大会欲承担起带领人类把握AI时代脉搏的历史重任,遍邀海内外数十位产学研AI巨匠;汇聚近百家国内外AI科研名企,就AI技术的最新研究、最为全面的商业化能力、最具代表性的科研成果,在两天时间里毫无保留地通多角度展现,与您共同绘制出最为清晰的AI新时代版图。 随着大会完整日程的披露,大会的更多精彩看点也得以展现。本文挖掘了大会背后两个容易被忽视的看点,以帮助您参加此次会议有更多收获。 那些研究院背景加持AI的大神 在挖掘传统行业AI研究领域,许多商业化机构针对特定企业的需求表现出了极大的热情,正如自动驾驶、智慧城市的AI场景率先进行了许多成功的商业实践。但在行业层面考虑,仍存有待开发的极大的市场潜力,诸如基于满足行业运营、安防需求的AI算法。为此,在诸多投身AI的商业化机构之外,一些研究院相继成立,继以补足AI研究针对行业层面更为通用的解决方案。 例如,在本次会议的嘉宾中,我们可以看到目前唯一一位华裔图灵奖得主姚期智。图灵奖是计算机科学领域的最高奖项,有“计算机界的诺贝尔奖”之称。姚期智是美国科学院外籍院士、美国科学与艺术学院外籍院士、中国...
OSC_Lucy 发布于 1个月前 阅读 235 点赞 1

Spark上的深度学习流水线

Spark上的深度学习流水线 本文根据 https://github.com/databricks/spark-deep-learning 翻译。 本文地址 https://my.oschina.net/u/2306127/blog/1811876,By openthings,2018-05-18. 深度学习需要一个样本数据处理、模型训练、模型检验、模型部署的完整处理过程,而传统的深度学习引擎主要完成训练计算和模型调用的核心功能,在用于规模化的生产级应用时还需要大量的开发工作,运维管理也较为复杂。 Apache Spark上的深度学习流水线提供了一个高阶的API接口,可以通过Python支持深度学习的规模伸缩能力。这得益于Spark的集群计算和分布式内存架构,可以快速存取大规模的数据以及调用多个节点上的计算能力。 概览 深度学习流水线(Deep Learning Pipelines)提供了高级API,通过Python进行深度学习的规模伸缩,运行于Spark计算集群之上。 该支持库来自于Databricks和 Spark的两大优势: 在Spark的指导原则和Spark MLlib的支持下,提供了易于使用的API,只需数行代码即可实现深度学习能力。 使用Spark的强大的分布式引擎使深度学习在处理海量数据集时实现规模伸缩。 目前,TensorFlow和TensorFlow支持下的Keras深度学习引擎已经支持,主要聚焦于: 大规模的推理/评分。 影...
openthings 发布于 1个月前 阅读 131

AI做了什么,才能惊艳到你?

《倚天屠龙记》中,峨眉掌门斗敌不过,便使了倚天剑,寄希望于用天下最具杀伤力的兵器给自己战力多一份加成。如今,在各个行业的力求IT可以更多赋能企业创新核心的问题上,AI技术正在扮演倚天剑的角色。令人高兴的是,近期就有一个机会,让您触手可及您需要的AI。 2018全球人工智能技术大会(GAITC)将于5月19-20日在北京国家会议中心举行。大会以“交叉、融合、相生、共赢”为主题,将继续承担起带领人类把握AI时代脉搏的历史重任,并就AI技术的最新研究、最为全面的商业化能力、最具代表性的科研成果,与您共同绘制出最为清晰的AI新时代版图。 届时,您可以遍览全球近百个AI课题,哪个会惊艳到你呢? 能陪聊也能写诗,自然语言处理技术到底有多牛了? 作为人工智能的一个重要分支,自然语言实现人与机器的自然交流。实际上,人工智能从一开始正是从自然语言处理发端的,而自然语言处理在随后的发展过程中,也经历了基于规则、基于统计和基于深度学习这三个阶段。如今,自然语言理解已经通过AI技术,不仅把人的语言转化成原发的表达能力,还会融入更多的情感表达。 近两年,自然语言理解研究的深化促使该领域内应用的里程碑不断呈现:2017年5月,微软小冰推出了人类历史上...
OSC_Lucy 发布于 1个月前 阅读 902

Machine Learning:神经网络基础

- 工作流程:Forward-Propagation、Backward Propagation、Partial Derivatives、Hyper Parameters - 深度网络:A single layer Neural Network、Wide Neural Network vs Deep Neural Network - 维度诅咒、权衡
RiboseYim 发布于 2个月前 阅读 485

Kubeflow 使用指南

Kubeflow(https://github.com/kubeflow)是基于Kubernetes(https://kubernets.io,容器编排与管理服务软件)和TensorFlow(https://tensorflow.org,深度学习库)的机器学习流程工具,使用Ksonnet进行应用包的管理。本文介绍Kubeflow的部署和交互操作的基本概念和方法。
openthings 发布于 2个月前 阅读 241 评论 2

Python为何会发展的如此之快?带你纵观全球Python趋势!

深入探讨富裕国家(世界银行定义为高收入国家)倾向于访问与世界其他地区不同的技术。我们看到的最大的差异在于Python的编程语言。当我们专注于高收入国家时,Python的增长甚至超过了像Stack Overflow Trends这样的工具,或考虑到全球软件开发的其他排名。   在这篇文章中,我们将探讨在过去五年中Python编程语言的非凡增长,如高收入国家的Stack Overflow流量所示。“增长最快”这个术语可能难以定义,但是我们认为Python可以成为增长最快的主要编程语言。这里还是要推荐下我自己建的Python学习群:四八三五四六四一六,如果你正在学习python,小编欢迎你加入,大家都是Python党,不定期分享干货(只有Python相关的),包括我自己整理的一份2017最新的Python资料和零基础入门教程,欢迎初学和进阶中的小伙伴。   这篇文章中讨论的所有数字都是针对高收入国家的 ; 它们通常代表美国,英国,德国,加拿大和其他这样的国家的趋势,其组合占Stack Overflow流量的64%。许多其他国家,如印度,巴西,俄罗斯和中国,也为全球软件开发生态系统做出了巨大的贡献,而且这个帖子对这些经济体的描述不多,尽管我们将看到,Python也在增长。   值得强调的是,一种语言的用户数量并...
Python燕大侠 发布于 2个月前 阅读 601 评论 1

大话目标检测经典模型:Mark R-CNN

在之前的文章中介绍了目标检测经典模型(R-CNN、Fast R-CNN、Faster R-CNN),目标检测一般是为了实现以下效果:   在R-CNN、Fast R-CNN、Faster R-CNN中,实现了对目标的识别和定位,如下图所示:   为了更加精确地识别目标,实现在像素级场景中识别不同目标,利用“图像分割”技术定位每个目标的精确像素,如下图所示(精确分割出人、汽车、红绿灯等):   Mask R-CNN便是这种“图像分割”的重要模型。 Mask R-CNN的思路很简洁,既然Faster R-CNN目标检测的效果非常好,每个候选区域能输出种类标签和定位信息,那么就在Faster R-CNN的基础上再添加一个分支从而增加一个输出,即物体掩膜(object mask),也即由原来的两个任务(分类+回归)变为了三个任务(分类+回归+分割)。如下图所示,Mask R-CNN由两条分支组成:   Mask R-CNN的这两个分支是并行的,因此训练简单,仅比Faster R-CNN多了一点计算开销。 分类和定位在Faster R-CNN中有介绍过了(详见文章:大话目标检测经典模型RCNN、Fast RCNN、Faster RCNN),在此就不再重复介绍,下面重点介绍一下第二条分支,即如何实现像素级的图像分割。 如下图所示,Mask R-CNN在Faster R-CNN中添加了一个全卷积网络的分支...
雪饼 发布于 2个月前 阅读 226 点赞 1

Google TensorFlow培训课程免费登陆GAITC2018

最受欢迎的机器学习软件库,TensorFlow培训课程,即将免费登陆2018GAITC~!
OSC_Lucy 发布于 2个月前 阅读 355

CNN进化史

卷积神经网络(CNN)近年来取得了长足的发展,是深度学习中的一颗耀眼明珠。CNN不仅能用来对图像进行分类,还在图像分割(目标检测)任务中有着广泛的应用。CNN已经成为了图像分类的黄金标准,一直在不断的发展和改进。 刘昕博士总结了CNN的演化历史,如下图所示:   CNN的起点是神经认知机模型,此时已经出现了卷积结构,经典的LeNet诞生于1998年。然而之后CNN的锋芒开始被SVM等模型盖过。随着ReLU、dropout的提出,以及GPU和大数据带来的历史机遇,CNN在2012年迎来了历史突破:AlexNet。随后几年,CNN呈现爆发式发展,各种CNN模型涌现出来。   CNN的主要演进方向如下: 1、网络结构加深 2、加强卷积功能 3、从分类到检测 4、新增功能模块 下图是CNN几个经典模型(AlexNet、VGG、NIN、GoogLeNet、ResNet)的对比图,可见网络层次越来越深、结构越来越复杂,当然模型效果也是越来越好:   本博客通过一系列的“大话深度学习”文章,全面详细地介绍了CNN进化史各个阶段的里程碑成果。 1、小白讲卷积:大话卷积神经网络(CNN)   2、卷积初尝试:大话CNN经典模型 LeNet   3、历史の突破:大话CNN经典模型 AlexNet   4、网络再加深:大话CNN经典模型VGGNet   5、增强卷...
雪饼 发布于 2个月前 阅读 435 点赞 1

师傅来了!获得人工智能岗位百万年薪从这里起步

这个秘密我只告诉你,现在正是进入人工智能行业的最好时机!不信?BOSS直聘发布的《2017春季互联网人才趋势报告》显示,当前大数据和人工智能相关岗位人才供给严重不足,以搜索算法类工程师为例,其缺口比例超过50%,仅深度学习岗位的人才缺口就高达为33.8%。 供不应求的结果是什么?当然是薪金待遇水涨船高,谷歌中国、微软等国际巨头的人工智能相关岗位年薪超过50万元,有的算法工程师甚至达到百万元以上,据说还有企业愿意以超过30万元的年薪招聘相关专业的应届毕业生。 机不可失啊!但是人工智能听起来就是一个“高大上”的行业,数据、算法、写代码,进入的门槛一定很高,没有任何基础的人即使有兴趣进入估计也很难摸到门吧?可能大多数人都会这么认为。不过,如果我告诉你现在有机会“零门槛”入门,你会不会心动? 我曾经参加过一次“零门槛”学油画的活动。以前没有任何油画基础,两个小时,在专业老师的指导下,就临摹出一幅著名画家莫奈的名作《日出·印象》,而且有模有样,从此对油画等艺术形式产生了浓厚兴趣。人工智能也能如此亲民吗? 现在,你就有一次“零门槛”近距离深入接触人工智能的机会。5月19日-5月20日举行的全球人工智能技术大会(GAITC)期间,大...
OSC_Lucy 发布于 2个月前 阅读 622

区块链 -- 以太坊的36个概念

以太坊的本质就是一个基于交易的状态机(transaction-based state machine)。
只道寻常 发布于 3个月前 阅读 680 评论 1

Machine Learning:如何选择机器学习算法?

- 识别和应用机器学习算法解决问题 - 机器学习算法备忘单 - 何时使用特定算法? 线性回归 vs 逻辑回归,Linear SVM vs kernel SVM,Trees - 神经网络和深度学习:k-means/k-modes,GMM,Hierarchical clustering,PCA,SVD,LDA
RiboseYim 发布于 3个月前 阅读 326

2 0 1 8 全球人工智能技术大会--邀请函

2018 GLOBAL ARTIFICIAL INTELLIGENCE TECHNOLOGY CONFERENCE
OSC_Lucy 发布于 3个月前 阅读 480

学习索引结构的一些案例——Jeff Dean在SystemML会议上发布的论文

本文是Google的Fellow,Jeff Dean,把机器学习应用到系统设计的论文,原文发布在SystemML会议上,我做了翻译。
难易 发布于 3个月前 阅读 392 评论 3

大话目标检测经典模型(RCNN、Fast RCNN、Faster RCNN)

目标检测是深度学习的一个重要应用,就是在图片中要将里面的物体识别出来,并标出物体的位置,一般需要经过两个步骤: 1、分类,识别物体是什么   2、定位,找出物体在哪里   除了对单个物体进行检测,还要能支持对多个物体进行检测,如下图所示:   这个问题并不是那么容易解决,由于物体的尺寸变化范围很大、摆放角度多变、姿态不定,而且物体有很多种类别,可以在图片中出现多种物体、出现在任意位置。因此,目标检测是一个比较复杂的问题。 最直接的方法便是构建一个深度神经网络,将图像和标注位置作为样本输入,然后经过CNN网络,再通过一个分类头(Classification head)的全连接层识别是什么物体,通过一个回归头(Regression head)的全连接层回归计算位置,如下图所示:   但“回归”不好做,计算量太大、收敛时间太长,应该想办法转为“分类”,这时容易想到套框的思路,即取不同大小的“框”,让框出现在不同的位置,计算出这个框的得分,然后取得分最高的那个框作为预测结果,如下图所示:   根据上面比较出来的得分高低,选择了右下角的黑框作为目标位置的预测。 但问题是:框要取多大才合适?太小,物体识别不完整;太大,识别结果多了很多其它信息。那...
雪饼 发布于 3个月前 阅读 610 点赞 1

机器学习-决策树

积跬步以致千里,积怠惰以致深渊 注:本篇文章在整理时主要参考了 周志华 的《机器学习》。 主要内容 决策树是机器学习中一类常见算法,其核心思想是通过构建一个树状模型来对新样本进行预测。树的叶结点是决策结果,而所有非叶结点对应于一个个决策过程。 基本流程 一般的,一颗决策树包含一个根结点、若干内部结点和若干个叶结点;叶结点对应于决策结果,其它每个内部结点(包括根结点)则对应一个属性测试。决策树根据内部结点的属性测试结果将该结点所包含的样本集按照属性测试的结果被划分到不同的子结点中。这是一种简单且直观的“分而治之”(divide-and-conquer)策略。 决策树学习的目的是为了产生一颗泛化能力强的决策树。 决策树 上图是一棵结构简单的决策树,用于预测贷款用户是否具有偿还贷款的能力。贷款用户主要具备三个属性:是否拥有房产,是否结婚,平均月收入。每一个内部节点都表示一个属性条件判断,叶子节点表示贷款用户是否具有偿还能力。例如:用户甲没有房产,没有结婚,月收入5K。通过决策树的根节点判断,用户甲符合右边分支 (拥有房产为“否”);再判断是否结婚,用户甲符合左边分支(是否结婚为否);然后判断月收入是否大于 4k,用户甲符合左边...
Re-Inspired 发布于 3个月前 阅读 466

6月25日至27日,为何全球开源大咖齐聚国家会议中心?LC3来啦!

广告
今年6月25日至27日, LinuxCon + ContainerCon + CloudOpen(LC3)将在北京国家会议中心召开。本次会议针对开源技术在人工智能和深度学习、区块链、云原生、虚拟服务器架构和微服务、新兴技术、基础实施和自动化、IoT和M2M、KVM、Linux系统、网络编排等10大前沿领域的应用,邀请了全球数百位业界大咖,用三天时间、超过200场分享,从市场、技术、产业甚至整个生态层面,将做全方位的探讨。
LinuxCon + ContainerCon + CloudOpen(LC3)

终于来了!重磅发布:阿里云负载均衡SLB率先支持IPv6!

1. 背景 IPv6是Internet Protocol Version 6的缩写,其中Internet Protocol译为“互联网协议”。IPv6是IETF(互联网工程任务组,Internet Engineering Task Force)设计的用于替代现行版本IP协议(IPv4)的下一代IP协议,IPv6将IPv4中32位的地址长度扩展到了128位,使得地址空间扩大了79,228,162,514,264,337,593,543,950,336倍。使用IPv6,可以让全世界的每一粒沙子都能分配到一个IP地址。 IPv6的设计初衷是用以解决IPv4地址枯竭问题,同时对IPv4进行大量改进,并最终取代IPv4。然而由于NAT等技术的广泛应用,IPv4在互联网流量中长期占据主要地位,IPv6的使用增长缓慢。直到2017年7月,通过IPv6使用Google服务的用户百分率才首次超过20%。 截止本文发稿,谷歌的IPv6统计 2017年11月26日,中共中央办公厅、国务院办公厅印发了《推进互联网协议第六版(IPv6)规模部署行动计划》。《计划》中指出加快推进IPv6规模部署,构建高速率、广普及、全覆盖、智能化的下一代互联网,是加快网络强国建设、加速国家信息化进程、助力经济社会发展、赢得未来国际竞争新优势的紧迫要求。 2018年5月2日,工信部发文:工业和信息化部关于贯彻落实《推进互联网协议第六版(IPv6)规模部署行动...
Mr_zebra 发布于 2周前 阅读 14

如何通过命令行启动或者关闭 Jetty 服务器

https://my.oschina.net/bairrfhoinn/blog/82638 我亲爱的 Java 程序员朋友们,你们好,今天我想给大家分享壹个我遇到的问题以及解决它的方法。有人分配给我壹个任务:去寻找壹种更好的停止 Jetty 服务器的方法,而在此之前我们是通过在命令行窗口中输入 Ctrl + C 或者在任务管理器中结束相应进程的方式来关闭 Jetty 服务器。于是我在网上搜索这个问题的解决方案:如何通过命令行关闭它而不是纯粹靠运气。最后在我们壹个同事的博客文章中,他解释了如何通过 ant 脚本启动和关闭 Jetty ,我才得以找到壹种使用命令行关闭服务器的方法。 假设你在使用 Jetty7 eclipse 版本,为了启动 Jetty (当然这个我们都知道),人们通过使用如下命令: java -jar start.jar 但是如果你想通过命令行关闭 Jetty 服务器,你不得不在启动服务器时传入两个 JVM 属性,例如: java -DSTOP.PORT=8079 -DSTOP.KEY=secret -jar start.jar 为了关闭 Jetty,你需要提供与启动 Jetty 服务器时相同的参数才行: java -DSTOP.PORT=8079 -DSTOP.KEY=secret -jar start.jar -–stop 我希望这些内容可以帮助那些同样需要在命令行中关闭 Jetty 服务器的人,这篇文章会为你们保留壹段时间。...
chyf_ 发布于 3周前 阅读 9

代码注释中顺序更改 文件读写换行

`package ssh; import com.xxx.common.log.LogFactory; import com.xxx.common.log.LoggerUtil; import org.apache.commons.lang3.StringUtils; import java.io.*; public class DirErgodic { private static fin...
林伟琨 发布于 5小时前

智能优化算法

    智能优化算法又称现代启发式算法,是一种具有全局优化性能、通用性强且适合于并行处理的算法。 这种算法一般具有严密的理论依据,而不是单纯凭借专家经验,理论上可以在一定的时间内找到最优解或近似最优解。  常用的智能优化算法有:     遗传算法 、模拟退火算法、禁忌搜索算法、粒子群算法、蚁群算法。     (本经典算法研究系列,日后将陆续阐述模拟退火算法、粒子群算法、蚁群算法。) 1、遗传算法概述       在每次迭代中都保留一组候选解,并按某种指标从解群中选取较优的个体,利用遗传算子(选择、交叉和变异)对这些个体进行组合,产生新一代的候选解群,重复此过程,直到满足某种收敛指标为止。      基本遗传算法(Simple Genetic Algorithms,GA)又称简单遗传算法或标准遗传算法),是由Goldberg总结出的一种最基本的遗传算法,其遗传进化操作过程简单,容易理解,是其它一些遗传算法的雏形和基础。   2、基本遗传算法的组成 (1)编码(产生初始种群) (2)适应度函数 (3)遗传算子(选择、交叉、变异) (4)运行参数   接下来,咱们分门别类,分别阐述着基本遗传算法的五个组成部分: 1、编码 遗传算法(GA)通过某种编码...
漫步当下 发布于 1个月前 阅读 26

系统各种自定义组合按键

KBDLLHOOKSTRUCT *pkbhs = (KBDLLHOOKSTRUCT *)lParam;           // qDebug() << pkbhs->vkCode ; BOOL bControlKeyDown = 0;     int c = pkbhs->vkCode;   if(!(pkbhs->flags>>7)&1)//按下 { if(c==13) { if(pkbhs->flags&1) { c = 600; }   } if(c == 92) { c = 91; } #ifdef QT_DEBUG qDebug() << "---------------"; qDebug() << pkbhs->vkCode ; #endif if(!DowOrUp) { if(c == LineKey[0]||c == LineKey[1]||c == LineKey[2]) { return true; }   if(!(LineKey[0]==91||LineKey[0]==92||(LineKey[0]>159 && LineKey[0]<166))) { return true; } getFlag = true; if(!(LineKey[1]==91||LineKey[1]==92||(LineKey[1]>159 && LineKey[1]<166))) { LineKey[1] = c; return true; } if(!(LineKey[2]==91||LineKey[2]==92||(LineKey[2]>159 && LineKey[2]<166))) { LineKey[2] = c; return true; }   if(!(LineKey[0] > 0)) { LineKey[0] = c; } else if(!(LineKey[1] > 0)) { LineKey[1] = c; } else if(!(LineKey[2] > 0)) { LineKey[2] = c; }   } else { LineKey[0]=c; LineKey[1]=0; LineKey[2]=0; LineKey[3]=0; LineKey[4]=0; DowOrUp = false...
backtrackx 发布于 1个月前 阅读 11

人工智能算法通俗讲解系列(二):逻辑回归

  今天,我们介绍的机器学习算法叫逻辑回归。它英语名称是Logistic Regression,简称LR. 跟之前一样,介绍这个算法之前先举一个案例。然后,看一下,如何算法去解决案例中的问题。    这里,我们就直接使用“K临近算法”那一节课用到的案例。我再把案例简述一下:某公司开发了一款游戏,并且得到一些用户的数据。如下所示: 图中每一个图形表示一个用户。横坐标是用户年龄,纵坐标是用户每天使用手机的时长。红色表示该用户喜欢这款游戏,蓝色表示该用户不喜欢这款游戏。现在有个新用户,用绿色所示。这家公司想知道:这个新用户是否喜欢这款游戏? 在K临近法里,我们是找到新用户的几个邻居,然后比较邻居中哪种颜色的人多。根据物以类聚的原则,这个新用户跟大多数邻居的偏好应该是一致的,从而判断他是否喜欢这款游戏。 但是,K临近存在一个问题是,就是计算量特别大。对于每一个新用户,我们都需要计算他自己到所有人的距离,然后把距离从小到大进行排序,最后的到它的K个邻居。 假如有10000个老用户,然后用k临近法预测10000个新用户的类型。那总共需要计算10000 x 10000 = 100000000次,计算量大,消耗资源多。 而今天我们介绍的逻辑回归算法,则换了一种思路。它...
StanleySun 发布于 3个月前 阅读 86

人工智能、机器学习和深度学习的区别?

作者:育心 链接:https://www.zhihu.com/question/57770020/answer/249708509 来源:知乎 著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。   人工智能的浪潮正在席卷全球,诸多词汇时刻萦绕在我们耳边:人工智能(Artificial Intelligence)、机器学习(Machine Learning)、深度学习(Deep Learning)。不少人对这些高频词汇的含义及其背后的关系总是似懂非懂、一知半解。 为了帮助大家更好地理解人工智能,这篇文章用最简单的语言解释了这些词汇的含义,理清它们之间的关系,希望对刚入门的同行有所帮助。 图一 人工智能的应用 人工智能:从概念提出到走向繁荣 1956年,几个计算机科学家相聚在达特茅斯会议,提出了“人工智能”的概念,梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。其后,人工智能就一直萦绕于人们的脑海之中,并在科研实验室中慢慢孵化。之后的几十年,人工智能一直在两极反转,或被称作人类文明耀眼未来的预言,或被当成技术疯子的狂想扔到垃圾堆里。直到2012年之前,这两种声音还在同时存在。 2012年以后,得益于数据量的上涨、运算力的提升和机器学习新算法(深度学习)的出现,人工智能...
mecisery 发布于 1个月前 阅读 17

机器学习的五大流派

有道是“罗马不是一天建成的”,机器学习的发展也是历经了很长时间,在这过程中形成了五大流派,这五大流派各有各的特点。 1、符号主义(Symbolists)   名称:符号主义(Symbolists) 起源:逻辑学、哲学 核心思想:认知即计算,通过对符号的演绎和逆演绎进行结果预测 问题:知识结构 代表算法:逆演绎算法(Inverse deduction) 代表应用:知识图谱 代表人物:Tom Mitchell、Steve Muggleton、Ross Quinlan 2、贝叶斯派(Bayesians)   名称:贝叶斯派(Bayesians) 起源:统计学 核心思想:主观概率估计,发生概率修正,最优决策 问题:不确定性 代表算法:概率推理(Probabilistic inference) 代表应用:反垃圾邮件、概率预测 代表人物:David Heckerman、Judea Pearl、Michael Jordan 3、联结主义(Connectionist)   名称:联结主义(Connectionist) 起源:神经科学 核心思想:对大脑进行仿真 问题:信度分配 代表算法:反向传播算法(Backpropagation)、深度学习(Deep learning) 代表应用:机器视觉、语音识别 代表人物:Yann LeCun、Geoff Hinton、Yoshua Bengio   4、进化主义(Evolutionaries)   名称:进化主义(Evolutionaries) 起源:进化生物学 ...
雪饼 发布于 3个月前 阅读 129

时间卷积网络(TCN)在 NLP 多领域发光,RNN 或将没落

也就是从 2014、15 年起,我们基于深度神经网络的应用就已经在文本和语音识别领域达到 95% 的准确率,可以用来开发新一代的聊天机器人、个人助理和即时翻译系统等。 卷积神经网络(Convolutional Neural Nets, CNNs)是图像和视频识别领域公认的主力军,而循环神经网络(Recurrent Neural Nets, RNNs)在自然语言处理领域的地位与其是相似的。 但二者的一个主要不同是,CNN 可以识别静态图像(或以帧分割的视频)中的特征,而 RNN 在文本和语音方面表现出色,因为这类问题属于序列或时间依赖问题。也就是说,待预测的后一个字符或单词依赖于前面的(从左到右)字符或单词,因此引入时间的概念,进而考虑到序列。 实际上,RNN 在所有的序列问题上都有良好表现,包括语音 / 文本识别、机器翻译、手写体识别、序列数据分析(预测),甚至不同配置下的自动编码生成等等。 在很短的一段时期里,RNN 的改进版本大行其道,其中包括 LSTM(long short term memory,长短期记忆网络)和 GRU(gated recurring units,门循环单元)。这二者都改进了 RNN 的记忆范围,令数据可以将距离其很远的文本信息利用起来。 解决“才怪”问题 当 RNN 从左到右按顺序读取字符时,上下文就成了一个...
Mr_zebra 发布于 1个月前 阅读 14

神经网络算法对车牌价格的预测

weka、车牌竞价
冷血狂魔 发布于 3个月前 阅读 52 点赞 1

R语言相关关系可视化函数梳理(附代码)

当考察多个变量间的相关关系时,通常将多个变量的两两关系以矩阵的形式排列起来,R提供了散点图矩阵、相关矩阵等多种可视化方案,囊括了众多函数。本文对R语言相关关系可视化的函数进行了初步梳理(全篇框架如下),后续大家可根据个人需求及函数功能择优选择。 一、pairs {graphics} 1. 参考 (1)《现代统计图形》 5.17 散点图矩阵 (2)《R数据可视化手册》 5.13绘制散点图矩阵 (3)pairs {graphics} 帮助文档 2. 主要参数解释 3. 图形示例 3.1 基本图形   pairs(iris[1:4], main = "Anderson's Iris Data -- 3 species", pch = 21, bg = c("red", "green3", "blue")[unclass(iris$Species)]) # 等同于 pairs(~Sepal.Length+Sepal.Width+Petal.Length+Petal.Width, data=iris,main = "Anderson's Iris Data -- 3 species",pch = 21, bg = c("red", "green3", "blue")[unclass(iris$Species)])   上例选取iris鸢尾花数据集的前4列Sepal.Length 、Sepal.Width 、Petal.Length、Petal.Width作图,同时设置bg使得不同颜色代表不同品种的鸢尾花。可见,默认生成的散点图矩阵对角线为变量名称,上三角和下三角面板的各个窗格均为其所在行与列两个变量之间的散点图,信息...
Mr_zebra 发布于 1个月前 阅读 10

Ubuntu16.04安装深度学习框架caffe详细步骤讲解

此次安装是带有GPU的安装,如果没有GPU只安装CPU,可参考我的另一篇文章,搞深度学习还得有显卡吃硬件,要不等着吐血吧。 1、安装环境:ubuntu16.04+caffe-master+cuda8.0+cudnnv5.1 ,安装环境所需的安装包我已打包上传,下载地址.http://www.roselady.vip/a/cangjingge/boke/ai/2018/0322/709.html 2、安装caffe依赖包 1 sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler 2   3 sudo apt-get install --no-install-recommends libboost-all-dev 4   5 sudo apt-get install libatlas-base-dev 6   7 sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev 3、ubuntu16.04最好是安装cuda8.0不要安最新,听官网的没错。下载cuda8.0,https://developer.nvidia.com/cuda-downloads 4、卸载以前的旧驱动准备换最新的 1 sudo apt-get --purge remove nvidia-\* 5、禁止集成的nouveau驱动,必须禁止的否则没可能安装成功的。 1 sudo vi /etc/modprobe.d/blacklist-nouveau.conf 1 <span style="font-size:16px;">blacklist-nouveau.conf文件可能并不存在不过没关系,向里...
Rose资源 发布于 3个月前 阅读 126

人工智能和机器学习的前世今生

如果正确的利用模式识别进行商业预测和决策,那么会为企业带来巨大的利益。机器学习(ML)研究这些模式,并将人类决策过程编码成算法。这些算法可以被应用到几个实例以得出有意义的结论。在这篇文章中,我们将了解一些机器学习的基础、工作原理及特点。 举例来了解机器学习 经研究预测,截至到2020年,企业采用机器学习、人工智能和深度学习、物联网(IOT)以及大数据将从他们那些不太知情的同行那里带走超过1兆2000亿美元。 数据是机器学习的关键。算法从一定数量的数据中学习,然后应用这种学习来做出明智的决策。Netflix有一个很好的关于下一个你想看的节目的想法,Facebook可以在照片中识别你和你的朋友,这要感谢机器学习.。 机器学习是关于自动执行任务的,它的应用跨越了广泛的行业领域。数据安全公司可以使用机器学习来追踪恶意软件,而金融公司可以使用它来增强其盈利能力这里有个例子,让我们考虑一个手电筒,无论什么时候,当“黑暗”一词出现在一个短语中的时候,它就会被程序打开。我们将使用的几个短语作为关于手电筒的机器学习算法的输入数据。 用程序语言来表达机器学习 为了解决业务的复杂性,并带来机器学习的技术创新,编程语言和框架技术不断地被引入和...
Mr_zebra 发布于 4周前 阅读 3

使用opennlp进行词性标注

## 序 本文主要研究下如何使用opennlp进行词性标注 ## POS Tagging 词性(Part of Speech, POS),标注是对一个词汇或一段文字进行描述的过程。这个描述被称为一个标注。 目前流行的中文词性标签有两大类:北大词性标注集和宾州词性标注集。现代汉语的词可以分为两类12种词性:一类是实词:名词、动词、形容词、数词、量词和代词;另一类是虚词:副词、介词、连词、助词、叹词和拟声词。 这块的技术大多数使用HMM(隐马尔科夫模型)+ Viterbi算法,最大熵算法(Maximum Entropy)。 OpenNLP里头可以使用POSTaggerME类来执行基本的标注,以及ChunkerME类来执行分块。 ## POSTaggerME ``` public static POSModel trainPOSModel(ModelType type) throws IOException { TrainingParameters params = new TrainingParameters(); params.put(TrainingParameters.ALGORITHM_PARAM, type.toString()); params.put(TrainingParameters.ITERATIONS_PARAM, 100); params.put(TrainingParameters.CUTOFF_PARAM, 5); return POSTaggerME.train("eng", createSampleStream(), params, new POSTaggerFactory()); } private static ObjectStream createSampleStream() throws IOException...
go4it 发布于 3个月前 阅读 63

使用opennlp进行依存句法分析

## 序 本文主要研究下如何使用opennlp进行依存句法分析 ## Parser opennlp主要使用Parser来进行依存句法分析,其模型为ParserModel ``` @Test public void testParserTool() throws IOException { try (InputStream modelInputStream = this.getClass().getClassLoader().getResourceAsStream("chunker/en-parser-chunking.bin")) { ParserModel model = new ParserModel(modelInputStream); Parser parser = ParserFactory.create(model); String sentence = "The cow jumped over the moon"; // Used to demonstrate difference between NER and Parser // sentence = "He was the last person to see Fred."; Parse parses[] = ParserTool.parseLine(sentence, parser, 3); for (Parse parse : parses) { parse.show(); } } catch (IOException ex) { ex.printStackTrace(); } } ``` >这里使用en-parser-chunking.bin这个训练好的模型来进行分析 第一句输出如下 ``` (TOP (PP (S (NP (DT The) (NN cow)) (PP (VP (VBD jumped) (PRT (RP over))))) (NP (DT the) (NN moon)))) (TOP (NP (NP (DT The) (NN cow)) (PP (S (VP (VBN jumped) (PP (IN over) (NP (DT the) (NN ...
go4it 发布于 3个月前 阅读 30

超全总结:神经网络加速之量化模型 | 附带代码

量化模型(Quantized Model)是一种模型加速(Model Acceleration)方法的总称,包括二值化网络(Binary Network)、三值化网络(Ternary Network),深度压缩(Deep Compression)等。鉴于网上关于量化模型的不多,而且比较零散,本文将结合 TensorLayer 来讲解各类量化模型,并讨论一下我们过去遇到的各种坑。文章最后会介绍一些关于人工智能芯片的技术。 TensorLayer 是一个基于 TensorFlow 的高级开发工具,提供大量数据处理和建模 API,具备灵活性高、运行速度快等优点。今年 3 月,TensorLayer 提供了一套搭建量化网络的试验版本 API,不过目前这套 API 依然用矩阵乘法而不是加减或 bitcount 运算来加速(我们等会会提到)。 因此,这套 API 并不能加速,关于产品部署,目前可以用 TensorLayer 训练模型,然后用自定义的 C/C++ 实现的二值化计算(TensorLayer 有可能会提供一套额外的专门运行二值化网络的框架,并支持可以从 TensorLayer 那读取模型)。 注意,作为试验版本,这套 API 有可能会被修改。更多关于模型加速的技术,可关注:https://github.com/tensorlayer/tensorlayer/issues/416 Keywords:模型压缩(Model Compression),模型加速(Model Accelerat...
Mr_zebra 发布于 3周前 阅读 13

Python实例:矩阵特征值计算

#coding:utf-8 ''' 特征值问题 ''' from __future__ import division from scipy import linalg as la from scipy import optimize import sympy import numpy as np sympy.init_printing() import matplotlib.pyplot as plt # 使用符号方式求解矩阵的特征值 eps, delta = sympy.symbols("epsilon, Delta") H = sympy.Matrix([[eps, delta], [delta, -eps]]) eigenvalue = H.eigenvals() results = H.eigenvects() (eval1, _, evec1), (eval2, _, evec2) = H.eigenvects() result = sympy.simplify(evec1[0].T * evec2[0]) print('result = ',result) # 使用scipy求解矩阵特征值 A = np.array([[1, 3, 5], [3, 5, 3], [5, 3, 9]]) evals, evecs = la.eig(A) eigvalues = la.eigvalsh(A)  ...
IOTService 发布于 2个月前 阅读 50

深度解析 秒懂AI+智慧手机实践

​​​随着人工智能的概念越来越深入人心,智慧化生活和对应的智慧化终端体验也吸引越来越多的目光。可以想见,人工智能会深刻改变终端产业,但目前也面临各种挑战和问题。此前,在南京软件大会上,华为专家李大伟就智慧手机及智慧化手机实践做了深度的分享。 ![消费者BG智慧域首席架构师李大伟消费者BG智慧域首席架构师李大伟](https://wx1.sinaimg.cn/large/0076VjD2ly1frz9wo0xctj30jg0duq3e.jpg) **智慧手机剖析** **四大系统、六大引擎** 想要设计研发一款智慧化的手机,先要明确Mobile AI的四大系统和六大引擎。 **四大系统**即:感知系统、认知系统、加速系统和安全系统。 ![](https://wx3.sinaimg.cn/large/0076VjD2ly1frz9zmapduj30hg0buq3h.jpg) ​感知系统主管自然交互,是让用户能够最直观地感受到手机智能化的一环,简单来说就是让手机“长眼睛”、“长耳朵”,并实现对话式服务。 认知系统就是实现精准服务,对用户的行为进行分析预测,并实现智能推荐。 加速系统主要体现在手机的相应速度上,优化用户体验。目前华为智能手机主要在加强NPU加速的方面实现响应速度的优化。 安全系统,顾名思义就是主管隐私和安全方面,芯片级加密让隐私保护更严密。 **六大引...
华为终端开放实验室 发布于 3周前 阅读 4

Python实例:Matplotlib保存图片

#coding:utf-8 ''' Matplotlib Figure ''' import matplotlib.pyplot as plt import numpy as np fig = plt.figure(figsize=(8,2.5),facecolor='#f1f1f1') # 坐标轴 left,bottom,width,height = 0.1,0.1,0.8,0.8 ax = fig.add_axes((left,bottom,width,height),facecolor='#e1e1e1') x = np.linspace(-2,2,1000) y1 = np.cos(40 * x) y2 = np.exp(-x ** 2) ax.plot(x,y1 * y2) ax.plot(x,y2,'g') ax.plot(x,-y2,'g') ax.set_xlabel('x') ax.set_ylabel('y') fig.savefig('datas/graph.png')  
IOTService 发布于 2个月前 阅读 41

opencv图片分类+特征图片截取

前面讲到了图片识别的模型训练,下面为将识别的区域进行剪切保存,作为后续的数据处理 ---使用opencv+PIL配合截取 import cv2 from PIL import Image # multiple cascades: https://github.com/Itseez/opencv/tree/master/data/haarcascades faceCascade = cv2.CascadeClassifier('Cascades/cascade_test8.xml') img = cv2.imread("213.jpg") gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) faces = faceCascade.detectMultiScale( gray, scaleFactor=1.38, minNeighbors=4,#minNeighbors控制着误检测,默认值为3表明至少有3次重叠检测,我们才认为人脸确实存 minSize=(20,20),#寻找人脸的最小区域。设置这个参数过大,会以丢失小物体为代价减少计算量。 flags = cv2.IMREAD_GRAYSCALE ) box1=()#设置剪切区域 for (x, y, w, h) in faces: cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2) box1 = (x, y, x+w, y+h) # 设置图像裁剪区域 cv2.imwrite("test.jpg",img)#保存图片 pilImgage=Image.open("test.jpg")#使用PIL来编辑图片 image2 = pilImgage.crop(box1) # 图像裁剪--根据识别出的特征坐标剪切...
Sheav 发布于 3周前 阅读 20

利用卷积神经网络识别mnist手写数字

利用卷积神经网络识别mnist手写数字 TensorFlow CNN
zxszxs 发布于 4周前 阅读 241

H5视频活体检测-Java实现(SpringBoot 2.0.1 + thymeleaf )

H5视频活体检测产品,是由两个接口组合而成,主要用于在H5场景下,通过用户新录制并上传一个视频,来进行活体检测的判断。相对于APP有动作校验+静默图片活体、静默图片活体这两种方式,H5视频活体方案比APP方案更加灵活,同时比单张图片活体方式更加安全。其主要功能如下所示: 语音校验码:为防止用户提交非当前操作的视频,在录制视频时,随机分配一个数字,用户需要读出这个数字,声音存于视频当中,并在后续识别时校验,以判断是否为此次会话。 视频多帧活体检测:录制并上传的视频,会在云端进行随机抽帧分析,并得出最终的活体检测分数。
小帅帅丶 发布于 3周前 阅读 501 评论 3 点赞 1

大话目标检测经典模型(RCNN、Fast RCNN、Faster RCNN)

目标检测是深度学习的一个重要应用,就是在图片中要将里面的物体识别出来,并标出物体的位置,一般需要经过两个步骤: 1、分类,识别物体是什么   2、定位,找出物体在哪里   除了对单个物体进行检测,还要能支持对多个物体进行检测,如下图所示:   这个问题并不是那么容易解决,由于物体的尺寸变化范围很大、摆放角度多变、姿态不定,而且物体有很多种类别,可以在图片中出现多种物体、出现在任意位置。因此,目标检测是一个比较复杂的问题。 最直接的方法便是构建一个深度神经网络,将图像和标注位置作为样本输入,然后经过CNN网络,再通过一个分类头(Classification head)的全连接层识别是什么物体,通过一个回归头(Regression head)的全连接层回归计算位置,如下图所示:   但“回归”不好做,计算量太大、收敛时间太长,应该想办法转为“分类”,这时容易想到套框的思路,即取不同大小的“框”,让框出现在不同的位置,计算出这个框的得分,然后取得分最高的那个框作为预测结果,如下图所示:   根据上面比较出来的得分高低,选择了右下角的黑框作为目标位置的预测。 但问题是:框要取多大才合适?太小,物体识别不完整;太大,识别结果多了很多其它信息。那...
雪饼 发布于 3个月前 阅读 610 点赞 1

Windows下通过pip安装PyTorch 0.4.0 import 不成功 anaconda

问题:通过pip安装PyTorch 0.4.0成功,但是import时报错。   import torch   File "D:\Python\Python36\lib\site-packages\torch\__init__.py", line 78, in <module>     from torch._C import * ImportError: DLL load failed: 找不到指定的模块。 解决: Download win-64/intel-openmp-2018.0.0-8.tar.bz2 put the dll files in Library\bin into a dir append the path of it to the environment variable PATH. 参考: from torch._C import * (ImportError: DLL load failed: The specified module could not be found.
JungleKing 发布于 3周前 阅读 179 点赞 1

史上最简单的gpu版caffe安装方式(ubuntu17.04以上版本)

caffe官网介绍ubuntu17.04以下的版本需要编译安装,但是ubuntu17.04及以上的版本在安装好cuda之后使用apt install caffe-gpu即可安装,本人认为新手不应该把时间浪费在无所谓的环境安装之上,等对caffe有一定的学习和了解之后再去使用源码编译安装也不迟,因此为了有一个轻松愉快的学习,建议大家还是用ubuntu17.04以上的系统快速的进行caffe安装吧。
kalnkaya 发布于 4周前 阅读 157 评论 3

Spark机器学习工具链-MLflow使用教程

Spark机器学习工具链-MLflow使用教程 本文翻译自 https://www.mlflow.org/docs/latest/concepts.html 本文地址 https://my.oschina.net/u/2306127/blog/1825690,by openthings, 2018.06.07. 参考: mlflow项目由Databricks创建。 官方主页 https://www.mlflow.org/ 官方文档 https://www.mlflow.org/docs/latest/index.html 基于Kubernetes的机器学习系统,https://my.oschina.net/u/2306127/blog/1822919 Kubeflow-机器学习工作流框架,https://my.oschina.net/u/2306127/blog/1807785 Spark机器学习工具链-MLflow,https://my.oschina.net/u/2306127/blog/1825638 什么是我们构建的? 在本教程中,我们将演示一个案例,展示数据科学家使用MLFlow端到端地构建一个线性回归模型。如何使用MLflow打包代码,其中代码训练该模型以一种可重用和重复生产的模型格式保存。最后,使用MLflow创建简单的 HTTP server,可以用来进行预测。 我们使用一个数据集来预测酒类质量,基于酒的量化指标如“fixed acidity”, “pH”, “residual sugar”, 等等。数据集来自于 UCI’s machine learning repository. [Ref]。 你首先需要? 本教程中,我们使用MLflow, conda, 和位于examp...
openthings 发布于 2周前 阅读 182

使用Java开发人脸融合(换军装等)并接入微信小程序

使用Java开发人脸融合之快速接入换军装换王者装技术功能到微信小程序 换军装,换王者装等。具体包含了50个模板哦 小程序scroll-view实现 给定图片和融合模板,对原图进行人脸融合特效处理
小帅帅丶 发布于 4周前 阅读 218 点赞 2

【TensorFlow系列】【七】单图片多标签的分类网络搭建与训练

本次解决如下问题:如何对单张图片多个标签进行分类网络的训练?即图片标注是image-level级别的。 面临的问题: 1.图片的标签数目不是固定的,有的有一个标签,有的有两个标签,但标签的种类总数是固定的,比如为5类。 解决该问题,本次采用了标签补齐的方法,即缺失的标签全部使用0标记,这意味着,不再使用one-hot编码。 例如:标签为:-1,1,1,-1,1 ;-1表示该类标签没有,1表示该类标签存在,则这张图片的标签编码为: 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 2.如何衡量损失? 本次计算出一张图片各个标签的损失,然后取平均值。 3.如何计算精度 本次计算出一张图片各个标签的精度,然后取平均值。 【数据集】 本次采用南京大学的数据集,具体见: https://blog.csdn.net/u012936765/article/details/76944727 【数据预处理】 由于该数据集是mat文件,所以首先将其转化为txt标签文件 同时将图片数据集转化为tfrecord文件,注意:label的编码在这里完成。具体如下: import tensorflow as tf import scipy.io as sio import numpy as np import os from PIL import Image BASE_PATH=r"E:\miml-image-data\original" BASE_LABEL_PATH = r"E:\miml-image-dat...
muqiusangyang 发布于 3个月前 阅读 503

Python为何会发展的如此之快?带你纵观全球Python趋势!

深入探讨富裕国家(世界银行定义为高收入国家)倾向于访问与世界其他地区不同的技术。我们看到的最大的差异在于Python的编程语言。当我们专注于高收入国家时,Python的增长甚至超过了像Stack Overflow Trends这样的工具,或考虑到全球软件开发的其他排名。   在这篇文章中,我们将探讨在过去五年中Python编程语言的非凡增长,如高收入国家的Stack Overflow流量所示。“增长最快”这个术语可能难以定义,但是我们认为Python可以成为增长最快的主要编程语言。这里还是要推荐下我自己建的Python学习群:四八三五四六四一六,如果你正在学习python,小编欢迎你加入,大家都是Python党,不定期分享干货(只有Python相关的),包括我自己整理的一份2017最新的Python资料和零基础入门教程,欢迎初学和进阶中的小伙伴。   这篇文章中讨论的所有数字都是针对高收入国家的 ; 它们通常代表美国,英国,德国,加拿大和其他这样的国家的趋势,其组合占Stack Overflow流量的64%。许多其他国家,如印度,巴西,俄罗斯和中国,也为全球软件开发生态系统做出了巨大的贡献,而且这个帖子对这些经济体的描述不多,尽管我们将看到,Python也在增长。   值得强调的是,一种语言的用户数量并...
Python燕大侠 发布于 2个月前 阅读 601 评论 1

VSCode关闭右侧缩略图(预览面板)

想要VSCode关闭右侧缩略图(预览面板): 设置里面搜索 "editor.minimap.enabled",设置为false即可。
临江仙卜算子 发布于 1个月前 阅读 90

Kubeflow 使用指南

Kubeflow(https://github.com/kubeflow)是基于Kubernetes(https://kubernets.io,容器编排与管理服务软件)和TensorFlow(https://tensorflow.org,深度学习库)的机器学习流程工具,使用Ksonnet进行应用包的管理。本文介绍Kubeflow的部署和交互操作的基本概念和方法。
openthings 发布于 2个月前 阅读 241 评论 2

JAVA实现遗传算法

算法思想:       遗传算法参照达尔文的进化论,认为物种都是向好的方向去发展(适者生存),因此可以认为到足够的代数之后,得到的最值可实际的最值很接近。   算法步骤: 1)随机产生一个种群; 2)计算种群的适应度、最好适应度、最差适应度、平均适应度等指标; 3)验证种群代数是否达到自己设置的阈值,如果达到结束计算,否则继续下一步计算; 4)采用转盘赌法选择可以产生下一代的父代,产生下一代种群(种群中个体数量不变); 5)种群发生基因突变; 6)重复2、3、4、5步。   算法实现-基因部分 1、种群个体(这里认为是染色体),在个体中,我们为这个个体添加两个属性,个体的基因和基因对应的适应度(函数值)。 public class Chromosome { private boolean[] gene;//基因序列 private double score;//对应的函数得分 } 2、随机生成基因序列,基因的每一个位置是0还是1,这里采用完全随机的方式实现。 public Chromosome(int size) { if (size <= 0) { return; } initGeneSize(size); for (int i = 0; i < size; i++) { gene[i] = Math.random() >= 0.5; } } pri...
小致dad 发布于 5天前 阅读 17

【TensorFlow系列】【八】目标检测之pascal voc数据预处理

本文介绍如下三个方面的知识: 1、如何将pascal voc数据集转化为TensorFlow的tfrecord文件? 2、如何使用lxml解析xml文件? 3、如何使用opencv在图片上画出目标边框? 【第一部分】将pascal voc数据集转化为TensorFlow的tfrecord文件 pascal voc数据集下载地址为: http://host.robots.ox.ac.uk/pascal/VOC/voc2012/index.html 其中的name与label数字标签的映射关系文件下载地址为: https://github.com/tensorflow/models 位于:models-master\research\object_detection\data\pascal_label_map.pbtxt 整个解析过程分为三步: 1.将name与label的映射文件pascal_label_map.pbtxt解析为字典格式数据,即name---label格式 2.将xml文件使用lxml读取出来后,将其解析为字典格式的数据。 3.将原始图片数据与annotation数据转为tfrecord文件格式数据。 代码如下: import tensorflow as tf from lxml import etree import os from PIL import Image #定义解析单个lxml文件 def parse_xml(xml_path,name_label_map): tree = etree.parse(xml_path) dict = {} for x in tree.xpath('//filename'): if len(x): print("error") else: ...
muqiusangyang 发布于 2个月前 阅读 305

视频分析(二):光流(Optical Flow)

目标 在这一章当中, 我们将使用Lucas-Kanade方法理解光流的概念及其估计。 我们将使用像cv2.calcOpticalFlowPyrLK()这样的函数来跟踪视频中的特征点。 光学流程 光流是由物体或相机的运动引起的图像对象在两个连续帧之间的视在运动模式。它是2D矢量场,其中每个矢量是一个位移矢量,显示点从第一帧到第二帧的移动。考虑下面的图片(图片提供:维基百科有关光流的文章)。 它显示了一个连续5帧移动的球。箭头显示其位移矢量。光流在以下领域有许多应用: 运动结构 视频压缩 视频稳定... 光流在几个假设下工作: 物体的像素强度在连续帧之间不会改变。 相邻像素具有相似的运动。 考虑第一帧中的像素(检查一个新的维度,时间,在这里添加,之前我们只处理图像,所以不需要时间)。它在时间之后的下一帧中按距离移动。所以,由于这些像素相同,强度不变,我们可以说, 然后采用泰勒级数近似的右手边,去除常用项并除以得到以下等式: 哪里: 以上等式称为光流方程。在它中,我们可以找到并且它们是图像渐变。同样是沿着时间的梯度。但未知。我们无法用两个未知变量解决这个方程。所以有几种方法可以解决这个问题,其中之一就是Lucas-Kanade。 Lucas-Kanade方法 我们之前已经...
漫步当下 发布于 1个月前 阅读 128

Machine Learning:神经网络基础

- 工作流程:Forward-Propagation、Backward Propagation、Partial Derivatives、Hyper Parameters - 深度网络:A single layer Neural Network、Wide Neural Network vs Deep Neural Network - 维度诅咒、权衡
RiboseYim 发布于 2个月前 阅读 485

PHP-ML机器学习预测2018俄罗斯世界杯比赛结果

前言: 根据2014年巴西世界杯的小组赛比赛结果和赔率数据简单预测2018世界杯比赛结果,比赛的赔率我们可以事先知道,所以可以使用赔率作为预测数据 技术: PHP ML库 贝叶斯分类器 样本数据:2014巴西世界杯小组赛赔率情况 和 比赛结果 预测数据:2018俄罗斯世界杯赔率情况 代码: <?php /** * 作者:刘海装 * 电话:18814137313 * 日期:2018-6-12 * 项目:根据2014年世界杯的赔率和胜负平情况简单的预测2018世界杯比赛结果 * 技术:使用 PHP-ML库 贝叶斯分类器 */ require_once __DIR__ . '/vendor/autoload.php'; use Phpml\Classification\NaiveBayes; //2014世界杯小组赛比赛赔率 $samples = [ [1.29,11.13,5.05], [1.43,8.08,4.24], [1.83,4.75,3.33], [2.18,3.55,3.11], [2.58,2.79,3.13], [2.69,2.88,2.97], [1.42,8.36,4.17], [1.82,4.93,3.24], [1.34,8.85,5.05], [1.28,11.12,5.35], [2.37,3.13,3.12], [2.42,2.92,3.25], [4.19,1.94,3.32], [2.01,3.71,3.43], [1.86,4.32,3.47], [1.32,9.26,5.19], [1.35,8.91,4.85], [5.39,1.64,3.8], [1.56,5.54,4.2...
银装素裹 发布于 2周前 阅读 41

CNN进化史

卷积神经网络(CNN)近年来取得了长足的发展,是深度学习中的一颗耀眼明珠。CNN不仅能用来对图像进行分类,还在图像分割(目标检测)任务中有着广泛的应用。CNN已经成为了图像分类的黄金标准,一直在不断的发展和改进。 刘昕博士总结了CNN的演化历史,如下图所示:   CNN的起点是神经认知机模型,此时已经出现了卷积结构,经典的LeNet诞生于1998年。然而之后CNN的锋芒开始被SVM等模型盖过。随着ReLU、dropout的提出,以及GPU和大数据带来的历史机遇,CNN在2012年迎来了历史突破:AlexNet。随后几年,CNN呈现爆发式发展,各种CNN模型涌现出来。   CNN的主要演进方向如下: 1、网络结构加深 2、加强卷积功能 3、从分类到检测 4、新增功能模块 下图是CNN几个经典模型(AlexNet、VGG、NIN、GoogLeNet、ResNet)的对比图,可见网络层次越来越深、结构越来越复杂,当然模型效果也是越来越好:   本博客通过一系列的“大话深度学习”文章,全面详细地介绍了CNN进化史各个阶段的里程碑成果。 1、小白讲卷积:大话卷积神经网络(CNN)   2、卷积初尝试:大话CNN经典模型 LeNet   3、历史の突破:大话CNN经典模型 AlexNet   4、网络再加深:大话CNN经典模型VGGNet   5、增强卷...
雪饼 发布于 2个月前 阅读 435 点赞 1

Spark上的深度学习流水线

Spark上的深度学习流水线 本文根据 https://github.com/databricks/spark-deep-learning 翻译。 本文地址 https://my.oschina.net/u/2306127/blog/1811876,By openthings,2018-05-18. 深度学习需要一个样本数据处理、模型训练、模型检验、模型部署的完整处理过程,而传统的深度学习引擎主要完成训练计算和模型调用的核心功能,在用于规模化的生产级应用时还需要大量的开发工作,运维管理也较为复杂。 Apache Spark上的深度学习流水线提供了一个高阶的API接口,可以通过Python支持深度学习的规模伸缩能力。这得益于Spark的集群计算和分布式内存架构,可以快速存取大规模的数据以及调用多个节点上的计算能力。 概览 深度学习流水线(Deep Learning Pipelines)提供了高级API,通过Python进行深度学习的规模伸缩,运行于Spark计算集群之上。 该支持库来自于Databricks和 Spark的两大优势: 在Spark的指导原则和Spark MLlib的支持下,提供了易于使用的API,只需数行代码即可实现深度学习能力。 使用Spark的强大的分布式引擎使深度学习在处理海量数据集时实现规模伸缩。 目前,TensorFlow和TensorFlow支持下的Keras深度学习引擎已经支持,主要聚焦于: 大规模的推理/评分。 影...
openthings 发布于 1个月前 阅读 131

Kubernetes安装GPU支持插件

Kubernetes1.10.x可以直接支持GPU的容器调度运行了,通过安装该插件即可。
openthings 发布于 2个月前 阅读 107

【OpenCV系列】【二】利用Rect计算IOU

在目标检测中,经常需要计算IOU。也就是两个矩形的交集除以两个矩形的并集。这里使用OpevCV的Rect来进行IOU的计算。 【场景一】无交集,IOU为0 #include<opencv2/core/core.hpp> #include<opencv2/highgui/highgui.hpp> #include<opencv2/imgproc/imgproc.hpp> #include<iostream> using namespace std; using namespace cv; int main() { Rect rect; rect.x = 0; rect.y = 0; rect.width = 10; rect.height = 10; Rect rect1; rect1.x = 10; rect1.y = 10; rect1.width = 10; rect1.height = 10; //计算两个矩形的交集 Rect rect2 = rect | rect1; cout << rect2.x <<";"<< rect2.y << ";"<<rect2.width <<";"<< rect2.height <<";"<< rect2.area() << endl; //计算两个举行的并集 Rect rect3 = rect & rect1; cout << rect3.x << ";" << rect3.y << ";" << rect3.width << ";" << rect3.height << ";" << rect3.area() << endl; //计算IOU double IOU = rect3.area() *1.0/ rect2.area(); cout << "IOU=" << IOU << endl; system("Pause"); } 结果为: 【场景一】有交集,IOU为0.44444 #include<opencv2/core/core.hpp> #include<opencv2/hi...
muqiusangyang 发布于 2个月前 阅读 111

关于ireport自定义变量类型为list的时候

自己摸石头过河,我真的应该去趟市中心图书馆,借本真正靠谱的教材 网上的东西,只有0.01%是有用的,还有0.99%是垃圾,剩下的99%是垃圾的复制品。。 哎!~ 问题是这样的,报表带sql,从db中获取了fields,想根据f...
炑炑milina 发布于 23小时前

IT人必看!2018年上半年云栖大会300份干货PPT免费开放!最前沿的技术都在这了!

如今,提起“云栖大会”这个名词,每位开发者一定都不会感到陌生,从09年的地方性站长会议,到15年正式定名,落户云栖小镇,这一阿里巴巴集团主办的开发者盛会如今已经成为全球云计算领域的头等大事。云栖大会不仅...
迷你芊宝宝 发布于 1天前

Java连接MySQL

<1> 在navicat中创建一个MySQL连接,填写连接名和密码(密码为你配置MySQL设置的密码) <2> 在该连接中新建一个数据库,填写数据库名。字符集选择(gb-2312--GB2312),排序规则选择(gb-2312_chinese_ci)为了防止...
迷你芊宝宝 发布于 1天前

IT人必看!2018年上半年云栖大会300份干货PPT免费开放!最前沿的技术都在这了!

集群配置参数: cluster-enabled yes //开启集群 cluster-config-file nodes.conf //保存集群信息的文件 cluster-node-timeout 5000 //集群节点超时时间 集群环境准备: 集群管理工具redis-trib是由ruby语言研发的...
Mr_zebra 发布于 1天前

干货!量子技术入门、进阶、行业专家观点、最新资讯!1000篇好文帮你揭开量子技术神秘面纱!

集群配置参数: cluster-enabled yes //开启集群 cluster-config-file nodes.conf //保存集群信息的文件 cluster-node-timeout 5000 //集群节点超时时间 集群环境准备: 集群管理工具redis-trib是由ruby语言研发的...
Mr_zebra 发布于 1天前

白帽大会资料下载 | 让技术自生长

集群配置参数: cluster-enabled yes //开启集群 cluster-config-file nodes.conf //保存集群信息的文件 cluster-node-timeout 5000 //集群节点超时时间 集群环境准备: 集群管理工具redis-trib是由ruby语言研发的...
Mr_zebra 发布于 1天前

24个终极数据科学项目(可免费获取资源)

集群配置参数: cluster-enabled yes //开启集群 cluster-config-file nodes.conf //保存集群信息的文件 cluster-node-timeout 5000 //集群节点超时时间 集群环境准备: 集群管理工具redis-trib是由ruby语言研发的...
Mr_zebra 发布于 1天前

redis集群的创建及其使用

集群配置参数: cluster-enabled yes //开启集群 cluster-config-file nodes.conf //保存集群信息的文件 cluster-node-timeout 5000 //集群节点超时时间 集群环境准备: 集群管理工具redis-trib是由ruby语言研发的...
Mr_zebra 发布于 1天前

给你的网站https一下

北京时间2月9日早间消息,谷歌Chrome安全产品经理艾米丽·谢克特(Emily Schechter)周四发表博文,证实当该公司在7月发布Chrome 68浏览器时,该浏览器将把所有未采用HTTPS(安全套接字层超文本传输协议)加密的网...
Mr_zebra 发布于 1天前

金钱vs职业道德,作为程序员你怎么选?

最近又有某公司员工因涉嫌违反竞业协议,被告上劳动仲裁部门,面临共计100万余元的竞业限制补偿金退还及违约赔偿。 竞业禁止协议 竞业禁止是指根据法律规定或用人单位通过劳动合同和保密协议禁止劳动者在本单位任...
Mr_zebra 发布于 1天前

C#(WPF)去除事件中注册的事件处理方法!

在WPF中,移除一个事件中已经注册的处理方法,看似简单,实际还是很痛苦的一件事情。因为C#的灵活性,定义事件的方法也是多种多样。 我自己定义了一个事件: public event EventHandler TestEvent; 当我想注销这...
Mr_zebra 发布于 1天前

代码整洁之道(二)优雅注释之道

一、Best Practice 注释应该声明代码的高层次意图,而非明显的细节 反例 /** * generate signature by code, the algorithm is as follows: * 1.sort the http params, if you use java, you ...
Mr_zebra 发布于 1天前

kettle国内镜像下载

kettle国内镜像下载 http://mirror.bit.edu.cn/pentaho/Data%20Integration/  ...
gulf 发布于 2天前 阅读 2

易鲸捷首架刘明:Trafodion值得放入工具箱,因为有以下优点

Trafodion是Apache基金会的一个开源项目,提供了一个成熟的企业级SQL-on-HBase解决方案。Trafodion的主要设计思想是处理operational类型的工作负载,或者是传统的OLTP应用。此外,对于需要保证数据一致性、需要...
Mr_zebra 发布于 2天前 阅读 2

从MySQL到HBase:数据存储方案转型的演进

一、集群化方案 1、MySQL应用的演化 MySQL与HBase说到最核心的点,是一种数据存储方案。方案本身没有对错、没有好坏,只有合适与否。相信多数公司都与...
Mr_zebra 发布于 2天前

揭秘Sharding-Proxy——面向DBA的数据库中间层

大家好,我今天想跟大家分享的是Sharding-Sphere的第二个产品Sharding-Proxy。 在上个月亮相的Sharding-Sphere 3.0.0.M1中首次发布了Sharding-Proxy,希望这次分享能够通过几个优化实践,帮助大家管...
Mr_zebra 发布于 2天前

从本科生到数据科学家,为啥这个职业门槛高?

——异步小编 William Chen是Quora的一位数据科学家,在那里他协助Quora发展壮大,为这个世界分享知识。在拿到哈佛大学的统计和应用数学双学位之后,他直接成了一位数据科学家,也是世界上...
Mr_zebra 发布于 2天前 阅读 2

DockerCon 大会第一天回顾,三大新功能先睹为快!

大家好 —— 来自旧金山的问候!本周二,DockerCon 正式拉开帷幕,大会当天干货满满,下面就由小编带大家一起回顾一下整场大会的精华吧! Docker 公司首席执行官兼董事长 Steve Singh 开启...
Mr_zebra 发布于 2天前

国内首家!阿里云发布的IPv6原来是这个样子。。。

6月20日,阿里云正式宣布成为国内唯一一家全面支持IPv6的云厂商。
Mr_zebra 发布于 2天前 阅读 1

「华为云」云中优选惠,全场低至2折,6.19-6.30开抢,签到抽P20

华为云年中钜惠,注册抽免费高配(2核4G)云服务器,单人成团2折起抢购热销云产品;云服务器、数据库、安全防护、大数据等150+云产品,更有精彩好礼送不停!
华为云

Step by Step 真正从零开始,TensorFlow详细安装入门图文教程!帮你完成那个最难的从0到1

Step by Step 真正从零开始,TensorFlow详细安装入门图文教程!帮你完成那个最难的从0到1
悦动智能 发布于 3个月前 阅读 2336 评论 8 点赞 4

大话CNN经典模型:LeNet

近几年来,卷积神经网络(Convolutional Neural Networks,简称CNN)在图像识别中取得了非常成功的应用,成为深度学习的一大亮点。CNN发展至今,已经有很多变种,其中有几个经典模型在CNN发展历程中有着里程碑的意义,它们分别是:LeNet、Alexnet、Googlenet、VGG、DRL等,接下来将分期进行逐一介绍。 在之前的文章中,已经介绍了卷积神经网络(CNN)的技术原理,细节部分就不再重复了,有兴趣的同学再打开链接看看(大话卷积神经网络),在此简单回顾一下CNN的几个特点:局部感知、参数共享、池化。 1、局部感知 人类对外界的认知一般是从局部到全局、从片面到全面,类似的,在机器识别图像时也没有必要把整张图像按像素全部都连接到神经网络中,在图像中也是局部周边的像素联系比较紧密,而距离较远的像素则相关性较弱,因此可以采用局部连接的模式(将图像分块连接,这样能大大减少模型的参数),如下图所示:   2、参数(权值)共享 每张自然图像(人物、山水、建筑等)都有其固有特性,也就是说,图像其中一部分的统计特性与其它部分是接近的。这也意味着这一部分学习的特征也能用在另一部分上,能使用同样的学习特征。因此,在局部连接中隐藏层的每一个神经元连接的...
雪饼 发布于 3个月前 阅读 1643 点赞 2

Machine Learning:十大机器学习算法

- 机器学习算法分类:监督学习、无监督学习、强化学习 - 基本的机器学习算法:线性回归、支持向量机(SVM)、最近邻居(KNN)、逻辑回归、决策树、k平均、随机森林、朴素贝叶斯、降维、梯度增强
RiboseYim 发布于 4个月前 阅读 3136 评论 10 点赞 8

文本识别OCR浅析:特征篇

OCR技术浅探:特征提取(1) 研究背景 关于光学字符识别(Optical Character Recognition, 下面都简称OCR),是指将图像上的文字转化为计算机可编辑的文字内容,众多的研究人员对相关的技术研究已久,也有不少成熟的OCR技术和产品产生,比如汉王OCR、ABBYY FineReader、Tesseract OCR等. 值得一提的是,ABBYY FineReader不仅正确率高(包括对中文的识别),而且还能保留大部分的排版效果,是一个非常强大的OCR商业软件. 然而,在诸多的OCR成品中,除了Tesseract OCR外,其他的都是闭源的、甚至是商业的软件,我们既无法将它们嵌入到我们自己的程序中,也无法对其进行改进. 开源的唯一选择是Google的Tesseract OCR,但它的识别效果不算很好,而且中文识别正确率偏低,有待进一步改进. 综上所述,不管是为了学术研究还是实际应用,都有必要对OCR技术进行探究和改进. 我们队伍将完整的OCR系统分为“特征提取”、“文字定位”、“光学识别”、“语言模型”四个方面,逐步进行解决,最终完成了一个可用的、完整的、用于印刷文字的OCR系统. 该系统可以初步用于电商、微信等平台的图片文字识别,以判断上面信息的真伪. 研究假设 在本文中,我们假设图像的文字部分有以下的特征: 1. 假设...
失败人士 发布于 6个月前 阅读 2337 评论 8 点赞 9

手把手教你用1行代码实现人脸识别 -- Python Face_recognition

1行代码实现人脸识别,1. 首先你需要提供一个文件夹,里面是所有你希望系统认识的人的图片。其中每个人一张图片,图片以人的名字命名。2. 接下来,你需要准备另一个文件夹,里面是你要识别的图片。3. 然后你就可以运行face_recognition命令了,把刚刚准备的两个文件夹作为参数传入,命令就会返回需要识别的图片中都出现了谁,1行代码足以!!!
kangvcar 发布于 8个月前 阅读 4696 评论 34 点赞 8 打赏 2

调用腾讯优图开放平台进行人脸识别-Java调用API实现

调用腾讯优图开放平台进行人脸识别-Java调用API实现
小帅帅丶 发布于 10个月前 阅读 3364 评论 10 点赞 5

TensorFlow入门

TensorFlow入门介绍
随风溜达的向日葵 发布于 1年前 阅读 6131 评论 19 点赞 10

人工神经网络之几何原理Ⅰ:单(隐藏)层神经网络

本文旨在通过几何方法来阐述为何人工神经网络能够有效地工作。
chishaxie 发布于 1年前 阅读 2872 评论 16 点赞 5 打赏 1
顶部