我才是Pakho
我才是Pakho

计算机视觉实战的深度学习实战二：图像预处理

图像预处理

更多精彩内容请关注微信公众号：听潮庭。
计算机视觉实战的深度学习实战二：图像预处理_第1张图片
写在前面：

  1. 图像显示与存储原理
  2. 图像增强的目标
  3. 点运算：基于直方图的对比度增强
  4. 形态学处理
  5. 空间与处理：卷积
  6. 卷积的应用（平滑、边缘检测、锐化等）
  7. 频率域处理：傅里叶变换，小波变换
  8. 应用案例：平滑、边缘检测、CLAHE等

一、颜色空间

1、RGB颜色空间

  • 加法混色（越叠加越白：255，255，255=白色），彩色显示
  • 3个通道 (后面提到一张图片有三个维度，长，宽和通道（r，g，b）)
    • Red通道
    • Green通道
    • Blue通道
  • 一个像素颜色值
    • （b,g,r）
  • 取值范围
    • [0, 255]
    • [0.0, 1.0]

2、CMYK颜色空间

  • 减法混色，多用于印刷
  • 4通道
    • Cyan通道
    • Magenta通道
    • Yellow通道
    • Key通道
  • 一个像素颜色值
    • （c,y,m,k）
  • 取值范围
    • [0, 255]
    • [0.0, 1.0]

3、HSV颜色空间

  • 人类视觉概念，画家配色
  • 3各要素
    • H/Hue：色调，颜色种类
    • S/Saturation：饱和度，颜色的纯度
    • V/Value：明度，颜色明亮度
  • 一个像素颜色值
    • （h，s，v）
  • 取值范围
    • [0, 255]
    • [0.0, 1.0]

4、CIE-XYZ颜色空间

  • 国际照明协会，1931
  • 基于人类颜色视觉的直接测定
  • 其他颜色空间基础
  • 人类视觉系统-视锥细胞
    • 短波（S，420-440nm）
    • 中波（M，530-540nm）
    • 长波（L，560-580nm）
  • 3色刺激值通道
    • X，Y，Z约略对应于红色，绿色，蓝色
    • 一种波的刺激等于几种波的混合刺激

二、图片存储原理

1、主流颜色空间

  • RGB三通道彩色图

    • 图片->3维矩阵（[0,255]）

    计算机视觉实战的深度学习实战二：图像预处理_第2张图片
    计算机视觉实战的深度学习实战二：图像预处理_第3张图片

  • 单通道灰度图

    • 亮度信息[0,255]
    • Gray=R×0.3+G×0.59+B×0.11（常用的图片灰度化转换公式）

计算机视觉实战的深度学习实战二：图像预处理_第4张图片

三、图像增强的目标

  1. 改善图像的视觉效果
  2. 转换为更适合人或机器分析处理的形式
  3. 突出对人或机器分析有意义的信息
  4. 抑制无用信息，提高图像的使用价值
  5. 具体包括图像锐化，平滑，去噪，灰度调整（对比度增强）

四、图像处理的方法

计算机视觉实战的深度学习实战二：图像预处理_第5张图片

1、特征提取方法

  1. 直方图Histogram

    • 对图片数据/特征分布的一种统计
      • 灰度、颜色
      • 梯度/边缘、形状、纹理
      • 局部特征点、视觉词汇
    • 区间bin
      • 具有一定的统计或物理意义
      • 一种数据或特征的代表
      • 需要预定义或基于数据进行学习
      • 数值是一种统计量：概率、频数、
    • 对数据空间bin进行量化

  2. 直方图均衡化

    • 直方图均衡化是指：利用图像直方图对对比度进行调整德方法
    • 直方图均衡化通常用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比图相当接近的时候
    • 直方图均衡化以后，亮度可以更好的在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效的扩展常用的亮度来实现这种功能
    • 直方图均衡化：实质上是对图像进行非线性拉伸
    • 重新分配各个灰度单位中的像素点数量，是一定的灰度范围像素点数量的值大致相等
    • 计算机视觉实战的深度学习实战二：图像预处理_第6张图片

  3. 自适应直方图均衡

    • 直方图均衡的经典算法对整幅图像的像素使用相同的变换，如果图像中包括明显亮的或者暗的区域，则经典算法有限
    • 自适应直方图均衡（AHE）算法通过对局部区域进行直方图均衡，来解决上述问题；
      • 移动模板在原始图片上按特定步长滑动
      • 每次移动后，模板区域内做直方图均衡，映射后的结果赋值给模板区域内所有点
      • 每个点会有多次赋值，最终的取值为这些赋值的均值。

  4. CLAHE

    • AHE会过度放大图像中相对均匀区域的噪声，可采用限制对比度自适应直方图均衡（CLAHE）。
    • 与普通自适应直方图均衡相比，CLAHE的不同地方在于直方图修剪过程，用修剪后的直方图均衡图像时，图像对比度会更自然
    • 计算机视觉实战的深度学习实战二：图像预处理_第7张图片等面积挪到下面垫高
    • 如下图
    • 计算机视觉实战的深度学习实战二：图像预处理_第8张图片
    • 小黑点的灰度直接由映射函数计算得到
    • 粉色区域内点的灰度由映射函数计算得到
    • 绿色区域内点的灰度由相邻两块灰度映射值线性插值得到
    • 其他区域所有点的灰度由相邻四块的灰度映射值双线性插值而得、
    • CLAHE算法步骤
      • 1、图像分块，以块为单位
      • 2、先计算直方图，然后修建直方图，最后均衡
      • 3、遍历操作各个图像块，进行块间双线性插值
      • 4、与原图做图层绿色混合操作。（可选）

  5. 形态学运算

    • 开运算：先腐蚀在膨胀，可以去掉目标外的孤立点
    • 闭运算：先膨胀再腐蚀，可以去掉目标内的孔
    • 通常，当有噪声的图像用阈值二值化后，所得到的边界是很不平滑的，物体区域具有一些错判的孔洞，背景区域散布着一些小的噪声物体，连续的开和闭运算可以显著的改善这种情况

  6. 空间域处理及其变换

    • 滤波/卷积
      • 在每个图片位置（x，y）上进行基于邻域的函数计算
        1. 滤波函数->权重相加
          • 卷积核、卷积模板
          • 滤波器、滤波模板
          • 扫描窗
      • 不同功能需要定义不同的函数
        1. 平滑/去噪
        2. 梯度/锐化
        3. 边缘、显著点、纹理
        4. 模式检测
    • 计算机视觉实战的深度学习实战二：图像预处理_第9张图片
    • 参数解释
      • x,y是像素在图片中的位置/坐标
      • k,l是卷积核中的位置/坐标，中心点的坐标是（0，0）
      • f(k,l)是卷积核中在（k,l）上的权重参数
      • I(x+k,y+l)是与f(k,l)相对应的图片像素值
      • h(x,y)是图片中(x,y)像素的滤波/卷积结果
      • 计算机视觉实战的深度学习实战二：图像预处理_第10张图片
        计算机视觉实战的深度学习实战二：图像预处理_第11张图片
    • 边界填充（Padding） 将卷积核的中心对上顶点
      • 获得同尺寸输出的情况下
      • 卷积核越大，补充越多
    • 补充类型
      • 补零（zero-padding） 目前用的最多
      • 边界复制（replication）
      • 镜像（reflection）
      • 块复制（wraparound）

  7. 均值滤波

    • 平滑均值滤波/卷积

      • 3*3

      • 扫描步长：1

      • 边框补零

      • 计算机视觉实战的深度学习实战二：图像预处理_第12张图片

      • 均值滤波本身存在缺陷，既没有很好的去除噪声点，也破坏了图像的细节反而使图像变得模糊

      • 奇数尺寸：3×3、5×5，7×7，2n-1×2n-1

      • 参数和为：1

      • 计算机视觉实战的深度学习实战二：图像预处理_第13张图片

      • 计算机视觉实战的深度学习实战二：图像预处理_第14张图片

  8. 平滑中值滤波/卷积

    • 奇数尺寸：3×3、5×5，7×7，2n-1×2n-1
    • 操作原理：
      • 卷积域内的像素值从小到大排序
      • 取中间值作为卷积输出
    • 有效去除椒盐噪声
    • 计算机视觉实战的深度学习实战二：图像预处理_第15张图片
    • 将领域矩阵中的N个像素进行排序，并将这个矩阵的中心点赋值为这N个像素的中值
    • 计算机视觉实战的深度学习实战二：图像预处理_第16张图片

  9. 平滑高斯滤波/卷积

    • 奇数尺寸：3×3、5×5，7×7，2n-1×2n-1

    • 模拟人眼，关注中心区域

    • 有效去除高斯噪声

    • 参数

      • x,y是卷积参数坐标
      • 标准差σ /`sigma/
      • 计算机视觉实战的深度学习实战二：图像预处理_第17张图片
      • 人眼特性：离关注中心越远，感受精度越模糊
      • 计算机视觉实战的深度学习实战二：图像预处理_第18张图片
      • σ 越小 关注区域越集中
      • 计算机视觉实战的深度学习实战二：图像预处理_第19张图片
      • 分解特性（级联高斯）
        • 2D卷积拆分成两个相同的ID卷积
          • 列卷积
          • 行卷积
        • 降计算
          • 2D卷积：K×K次计算
          • 2×1D卷积：2K次计算
          • 计算机视觉实战的深度学习实战二：图像预处理_第20张图片
            -计算机视觉实战的深度学习实战二：图像预处理_第21张图片

  10. 梯度Prewitt滤波/卷积

    • 水平梯度/垂直边缘 梯度：某一函数在该点处的方向导数
    • 计算机视觉实战的深度学习实战二：图像预处理_第22张图片
    • 垂直梯度/水平边缘
    • 计算机视觉实战的深度学习实战二：图像预处理_第23张图片

  11. 梯度Laplacian滤波/卷积

    • 二阶微分算子
      • 一阶导数极值
      • 计算机视觉实战的深度学习实战二：图像预处理_第24张图片
    • 作用
      • 团块检测：周边高于（低于）中心点
      • 边缘检测：像素值快速变化的区域
      • 计算机视觉实战的深度学习实战二：图像预处理_第25张图片
        -计算机视觉实战的深度学习实战二：图像预处理_第26张图片
      • Laplacian滤波器条件，相加等于0；
      • Laplacian滤波锐化
      • 计算机视觉实战的深度学习实战二：图像预处理_第27张图片

  12. 其他滤波/锐化

    • 左移位滤波
      • 计算机视觉实战的深度学习实战二：图像预处理_第28张图片
    • 锐化
      • 计算机视觉实战的深度学习实战二：图像预处理_第29张图片

你可能感兴趣的:(人工智能,计算机视觉)

  • Vision Transformer（ViT）：用 Transformer 颠覆图像识别 金外飞176 论文精读transformer深度学习人工智能
    VisionTransformer（ViT）：用Transformer颠覆图像识别在计算机视觉领域，卷积神经网络（CNN）长期以来一直是图像识别任务的主流架构。然而，近年来，自然语言处理（NLP）领域中大放异彩的Transformer架构也开始在图像识别中崭露头角。今天，我们将深入探讨一种创新的架构——VisionTransformer（ViT），它将Transformer的强大能力直接应用于图像
  • YOLOv8到YOLOv11：深度解析目标检测架构的演进 金外飞176 技术前沿目标跟踪人工智能计算机视觉目标检测YOLO神经网络深度学习
    YOLOv8到YOLOv11：深度解析目标检测架构的演进在计算机视觉领域，YOLO（YouOnlyLookOnce）系列模型一直是实时目标检测领域的佼佼者。从2015年的YOLOv1到2024年的YOLOv11，这一系列模型经历了快速的迭代和发展，不断刷新着目标检测的性能和效率。然而，由于部分YOLO版本缺乏详细的学术论文和架构图，研究人员和开发者在理解这些模型的工作原理时往往面临挑战。最近，一篇
  • 探索AI音乐创作的未来：八款顶尖AI音乐生成工具（本期介绍国外-国内另外专题介绍） 带娃的IT创业者 AIGC程序员创富人工智能音视频ai
    探索AI音乐创作的未来：八款顶尖AI音乐生成工具（本期介绍国外-国内另外专题介绍）在科技飞速发展的今天，人工智能（AI）已经渗透到我们生活的方方面面，其中音乐创作也不例外。AI音乐生成工具不仅为专业音乐人提供了新的创作方式，也让普通人能够轻松创作出高质量的音乐作品。本文将介绍八款知名的AI音乐生成工具，帮助你了解它们的特点和优势。1.SunoSuno是一款AI驱动的音乐生成器，能够快速创建高质量的
  • 深入理解DAG任务调度系统：核心原理与实现 AI天才研究院 计算Python实战编程实践python算法dag
    1.背景介绍随着大数据、人工智能等领域的发展，任务调度系统的重要性日益凸显。DirectedAcyclicGraph(DAG)任务调度系统是一种常见的任务调度系统，它可以有效地解决多个依赖关系复杂的任务调度问题。本文将深入探讨DAG任务调度系统的核心原理和实现，为读者提供一个深入的理解。1.1背景介绍1.1.1任务调度系统简介任务调度系统是计算机科学中一个重要的研究领域，它主要关注于在并行计算系统
  • Python从0到100（三十九）：数据提取之正则（文末免费送书） 是Dream呀 pythonmysql开发语言
    前言：零基础学Python：Python从0到100最新最全教程。想做这件事情很久了，这次我更新了自己所写过的所有博客，汇集成了Python从0到100，共一百节课，帮助大家一个月时间里从零基础到学习Python基础语法、Python爬虫、Web开发、计算机视觉、机器学习、神经网络以及人工智能相关知识，成为学习学习和学业的先行者！欢迎大家订阅专栏：零基础学Python：Python从0到100最新
  • 接入DeepSeek后，智慧园区安全调度系统的全面提升 Guheyunyi 安全数据分析python智慧城市人工智能信息可视化
    随着人工智能技术的快速发展，智慧园区的安全管理正逐步向智能化、自动化方向迈进。DeepSeek作为先进的人工智能解决方案，为智慧园区安全调度系统注入了强大的技术动力。通过接入DeepSeek，智慧园区安全调度系统在多个方面实现了显著提升，进一步增强了园区的安全性、管理效率和用户体验。1.智能化监控：从被动到主动传统的监控系统主要依赖人工查看视频画面，容易出现漏检或误判。接入DeepSeek后，智慧
  • 深度学习工厂的蓝图：拆解CUDA驱动、PyTorch与OpenCV的依赖关系 时光旅人01号 深度学习pytorchopencv
    想象一下，你正在建造一座深度学习工厂，这座工厂专门用于高效处理深度学习任务（如训练神经网络）和计算机视觉任务（如图像处理）。为了让工厂顺利运转，你需要搭建基础设施、安装设备、设置生产线，并配备控制台来管理整个生产过程。以下是这座工厂的详细构建过程：1.工厂的基础设施：Ubuntu比喻：Ubuntu是工厂所在的土地和建筑，提供了基础设施和运行环境。作用：提供操作系统环境，支持安装和运行各种工具和框架
  • （九万字）面向2025年BOSS直聘人工智能算法工程师高频面试题解析 快撑死的鱼 人工智能回归pythonpytorch
    面向2025年BOSS直聘人工智能算法工程师高频面试题解析1.机器学习（ML）理论解析机器学习是让计算机从数据中学习规律的一套方法论，包含监督学习、无监督学习和强化学习等范式。在监督学习中，给定带标签的数据，算法尝试学习从输入到输出的映射关系；无监督学习则在缺乏标签的情况下挖掘数据内在结构；强化学习则让智能体通过与环境交互、依据奖赏反馈来改进策略(Q-learning-Wikipedia)。机器学
  • 人工智能与机器学习入门：基尼系数（Gini Index）和基于熵（Entropy） 基尼系数基于熵机器学习入门
    在决策树应用一文中，在构建决策分类树应用决策算法时，介绍了基尼系数（GiniIndex）和基于熵（Entropy）两种算法。本文通过实例来更加深入的介绍一下这两个算法。仍然以简单的数据为例：id喜欢颜色是否有喉结身高性别1绿否165女2蓝是170男3粉否172女4绿是175男基尼系数分别对喜欢颜色是否有喉结求基尼系数如下：喜欢的颜色id喜欢颜色性别1绿女2蓝男3粉女4绿男对于姓别女分类而言，数据如
  • 【人工智能时代】- AI 聚合平台 xiaoli8748_软件开发 人工智能时代人工智能
    最近听朋友介绍，国内有个团队开发了一个全功能的AI聚合平台，包含主流的GPT和绘画功能，以及一些其他的衍生功能，几乎应有尽有。于是，对AI很感兴趣的我，便也来瞧瞧这是个什么样的存在，以下便是我的真实使用感受。除此以外，作为一个程序员，我还使用了该平台提供的API接口，开发了一个简单的小程序。文章的末尾，我将提供免费的AI机器人，以及小程序体验地址，记得查收哦~官方网站：https://302.ai
  • 在瑞芯微RK3588平台上使用RKNN部署YOLOv8Pose模型的C++实战指南 机 ＿ 长 YOLO系列模型有效涨点改进深度学习落地实战YOLOc++开发语言
    在人工智能和计算机视觉领域，人体姿态估计是一项极具挑战性的任务，它对于理解人类行为、增强人机交互等方面具有重要意义。YOLOv8Pose作为YOLO系列中的新成员，以其高效和准确性在人体姿态估计任务中脱颖而出。本文将详细介绍如何在瑞芯微RK3588平台上，使用RKNN（RockchipNeuralNetworkToolkit）框架部署YOLOv8Pose模型，并进行C++代码的编译和运行。注本文全
  • DeepSeek-R1 技术全景解析：从原理到实践的“炼金术配方” ——附多阶段训练流程图与核心误区澄清... 雪停时偶遇一叶春 流程图
    合集-人工智能(5)1.如何改进AI模型在特定环境中的知识检索2024-09-242.深度学习与统计学中的时间序列预测2024-10-033.《使用coze搭建一个会搜索、写ppt、思维导图的Agent》2024-10-294.深入浅出：Agent如何调用工具——从OpenAIFunctionCall到CrewAI框架01-145.DeepSeek-R1技术全景解析：从原理到实践的“炼金术配方”—
  • 鸢尾花分类项目 GUI 编织幻境的妖 分类数据挖掘人工智能
    1.机器学习的定义机器学习是一门人工智能的分支，专注于开发算法和统计模型，使计算机能够在没有明确编程的情况下从数据中自动学习和改进。通过识别数据中的模式和规律，机器学习系统可以做出预测或决策。常见的应用包括图像识别、语音识别、推荐系统等。2.为什么使用鸢尾花数据集（Irisdataset）鸢尾花数据集是一个经典的多类分类问题数据集，由英国统计学家和遗传学家RonaldFisher在1936年引入。
  • 《神经网络与深度学习》(邱锡鹏) 内容概要【不含数学推导】 code_stream #机器学习神经网络
    第1章绪论基本概念：介绍了人工智能的发展历程及不同阶段的特点，如符号主义、连接主义、行为主义等。还阐述了深度学习在人工智能领域的重要地位和发展现状，以及其在图像、语音、自然语言处理等多个领域的成功应用。术语解释人工智能：旨在让机器模拟人类智能的技术和科学。深度学习：一种基于对数据进行表征学习的方法，通过构建具有很多层的神经网络模型，自动从大量数据中学习复杂的模式和特征。第2章机器学习概述基本概念：
  • 图像识别与应用 狂踹瘸子那条好脚 python
    图像识别作为人工智能领域的重要分支，近年来取得了显著进展，其中卷积神经网络（CNN）功不可没。CNN凭借其强大的特征提取能力，在图像分类、目标检测、人脸识别等任务中表现出色，成为图像识别领域的核心技术。一、卷积神经网络：图像识别的利器CNN是一种专门处理网格状数据的深度学习模型，其结构设计灵感来源于生物视觉系统。与全连接神经网络不同，CNN通过卷积层、池化层等结构，能够有效提取图像的局部特征，并逐
  • 知识图谱构建概念、工具、实例调研 熟悉的黑曼巴 知识图谱人工智能
    一、知识图谱的概念知识图谱（Knowledgegraph）知识图谱是一种用图模型来描述知识和建模世界万物之间的关联关系的技术方法。知识图谱由节点和边组成。节点可以是实体，如一个人、一本书等，或是抽象的概念，如人工智能、知识图谱等。边可以是实体的属性，如姓名、书名或是实体之间的关系，如朋友、配偶。知识图谱的早期理念来自SemanticWeb（语义网络），其最初理想是把基于文本链接的万维网落转化为基于
  • 【deepseek与chatGPT辩论】辩论题： “人工智能是否应当具备自主决策能力？” 海宁不掉头发 软件工程人工智能人工智能chatgptdeepseek
    探讨辩论题这个提案涉及创建一个精确的辩论题目，旨在测试deepseek的应答能力。创建辩论题目提议设计一个辩论题目以测试deepseek的应答能力。希望这个题目具有挑战性并能够测量其回应质量。好的，来一道适合深度学习的辩论题：辩论题：“人工智能是否应当具备自主决策能力？”这个话题涉及到人工智能的发展、伦理以及未来应用，可以从以下几个方面展开辩论：支持方：认为人工智能的自主决策能力能够加速科技进步，
  • GenAI 平台，3 分钟即可构建基于 Claude、DeepSeek 的 AI Agent DO_Community 人工智能
    DigitalOcean云服务在前不久发布了GenAI平台——一个让任何团队都能在几分钟内构建和部署AI代理的平台。DigitalOcean的GenAI平台持续扩展，让人工智能驱动的开发变得更加易用、灵活且强大。近日，Digitalocean宣布将Anthropic的Claude模型和DeepSeekR1引入Digitalocean的生态系统，为你提供更多构建和部署AI应用的选择。通过Anthro
  • 智享AI直播三代系统，马斯克旗下AI人工智能直播工具,媲美DeepSeek！ V__17671155793 人工智能
    智享AI直播三代系统，马斯克旗下AI人工智能直播工具,媲美DeepSeek！在科技飞速发展的当下，人工智能正以前所未有的态势重塑着各个行业的格局。直播领域，作为信息传播与商业交互的前沿阵地，也在AI技术的赋能下迎来了颠覆性的变革。其中，马斯克旗下的智享AI直播三代系统宛如一颗璀璨的新星，横空出世，以其卓越的性能和创新的理念，迅速在竞争激烈的直播市场中崭露头角，甚至被业界誉为可媲美DeepSeek的
  • DeepSeek与ChatGPT：会取代搜索引擎和人工客服的人工智能革命 云边有个稻草人 热门文章chatgpt搜索引擎人工智能DeepSeek
    云边有个稻草人-CSDN博客在众多创新技术中，DeepSeek和ChatGPT无疑是最为引人注目的。它们通过强大的搜索和对话生成能力，能够改变我们与计算机交互的方式，帮助我们高效地获取信息，增强智能服务。本文将深入探讨这两项技术如何结合使用，为用户提供更精准、更流畅的对话和搜索体验。目录一、介绍1.1什么是DeepSeek？1.2什么是ChatGPT？1.3DeepSeek与ChatGPT的结合：
  • LLM与知识图谱融合:智能运维知识库构建 AI天才研究院 DeepSeekR1&大数据AI人工智能大模型AI大模型企业级应用开发实战AI实战计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    1.背景介绍随着信息技术的飞速发展，IT运维管理面临着越来越大的挑战。海量的设备、复杂的网络环境、日益增长的数据量，使得传统的运维方式难以满足需求。为了提高运维效率和质量，智能运维应运而生。智能运维的核心是将人工智能技术应用于运维领域，通过机器学习、深度学习等算法，实现自动化、智能化的运维管理。其中，大语言模型（LLM）和知识图谱是两个重要的技术方向。LLM能够理解和生成自然语言，可以用于构建智能
  • Python中LLM的知识图谱构建：动态更新与推理 二进制独立开发 GenAI与Python非纯粹GenAIpython知识图谱开发语言自然语言处理人工智能分布式机器学习
    文章目录引言1.知识图谱的基本概念1.1知识图谱的定义1.2知识图谱的构建流程2.利用LLM进行知识抽取2.1实体识别2.2关系抽取2.3属性抽取3.知识融合3.1实体对齐3.2冲突消解4.知识存储5.知识推理5.1规则推理5.2基于LLM的推理6.动态更新6.1增量更新6.2实时更新7.结论引言随着人工智能技术的飞速发展，知识图谱（KnowledgeGraph,KG）作为一种结构化的知识表示方法
  • 无需配置！深脑云一键启用DeepSeek全系AI模型 小深ai硬件分享 人工智能深度学习服务器
    解锁无限算力潜能，开启DeepSeek镜像云算力新征程！在人工智能风起云涌的时代，算力就是驱动创新的引擎，而优质的模型镜像则是引领变革的密钥。我们向您介绍一下我们的深脑云算力平台，这里汇聚了DeepSeek的各大版本镜像，为您的科研、开发与创新之路注入强大动力！强大的DeepSeek模型家族DeepSeek，作为AI领域的璀璨明星，以其卓越的性能和先进的技术架构闻名遐迩。我们的平台精心整合了Dee
  • AI服务器散热黑科技：让芯片“冷静”提速 小深ai硬件分享 人工智能深度学习服务器
    AI服务器为何需要散热黑科技在人工智能飞速发展的当下，AI服务器作为核心支撑，作用重大。从互联网智能推荐，到医疗疾病诊断辅助，从金融风险预测，到教育个性化学习，AI服务器广泛应用，为各类复杂人工智能应用提供强大算力。然而，AI服务器在运行时面临着严峻的散热挑战。随着人工智能技术的不断发展，对AI服务器的计算能力要求越来越高，这使得服务器的功率密度急剧增加。以GPT-4的训练为例，它需要大量的GPU
  • 深度应用场景：DeepSeek —— 探索AI赋能的智慧未来 人工智能专属驿站 人工智能
    深度应用场景：DeepSeek——探索AI赋能的智慧未来随着人工智能的迅猛发展，数据的价值已不再局限于简单的存储与处理，它们正变得更加智能与高效。DeepSeek，这一创新的AI技术平台，正以其独特的深度学习能力，开启了各行各业的智能化变革。让我们走进一个由DeepSeek打造的深度应用场景，探索它如何推动未来的发展。1.智能医疗：精准诊断，拯救生命想象一下，医生们不再是唯一的诊断专家，而是与AI
  • 使用BLIP模型生成图像描述的可查询索引 dgay_hua python计算机视觉开发语言
    在本篇文章中，我们将介绍如何使用预训练的SalesforceBLIP图像描述模型，生成一个可查询的图像描述索引。我们将使用ImageCaptionLoader来加载图像，并通过一系列步骤生成查询索引。使用示例代码进行演示，帮助读者理解和实践。技术背景介绍随着计算机视觉技术的发展，图像描述生成成为了重要的研究领域。通过对图像内容自动生成文字描述，可以大大提高对图像信息的检索和管理效率。Salesfo
  • 在 DeepSeek 驱动的编程变革中抓住机遇并脱颖而出 智想天开 AI技术人工智能deeplearning
    公众号地址:在DeepSeek驱动的编程变革中抓住机遇并脱颖而出更多内容请关注公众号：智想天开前言在DeepSeek引领的新一轮AI技术革新中，程序员们正面临着前所未有的挑战。随着DeepSeek等人工智能工具的迅猛发展，编程领域正在发生深刻变革。这些先进的工具不仅能够自动化完成繁重的代码生成和调试任务，还能够根据大量数据提供优化建议，改变了传统编程的工作流程。虽然这些技术为提高工作效率和解放开发
  • 项目管理新趋势！2024年，Jira与Codes你更倾向谁？ Codes_AndyLiu jirateambitionredmine项目管理软件项目管理工具项目管理jira国产平替
    一、项目管理软件新趋势概述2024年，项目管理软件呈现出诸多新趋势，这些趋势对于项目管理的重要性日益凸显。在数字化转型方面，项目管理软件成为企业实现数字化转型的关键工具。让老板感知数据，让中层管理者感受先进，让基层员工感到舒心.人工智能与自动化在项目管理软件中的应用也越来越广泛。项目管理软件正朝着智能化、自动化的方向迈进，利用AI技术提供个性化和场景化解决方案。例如，工作周报AI化，自动化测试，代
  • 【人工智能】提升编程效率的6种GPT实用应用技巧！保姆级讲解！ ChatGPT-千鑫 人工智能AI领域人工智能gptAI编程
    文章目录实用教程：六大AI编程技巧解锁效率提升技巧1：快速实现需求demo操作步骤技巧2：代码审查——AI帮你提升代码质量操作步骤技巧3：错误排查——AI助你快速定位问题操作步骤技巧4：代码注释——AI帮你理解复杂逻辑操作步骤技巧5：数据整理——AI帮你高效准备测试数据操作步骤技巧6：学习未知代码库——AI助你快速掌握新工具操作步骤使用教程：全面掌握CodeMoss的高效编程工具（1）VSCode
  • 利用人工智能增强可读性：自动为文本添加标点符号 姚家湾 AI标点符号
    在数字通信时代，文本的清晰度和可读性至关重要。无论是转录口语、处理原始文本数据还是改进用户生成的内容，标点符号在传达预期信息方面都起着至关重要的作用。但是，手动编辑文本以添加标点符号可能非常耗时且容易出错。这就是人工智能(AI)发挥作用的地方，它提供了一种强大的解决方案，可以自动将标点符号插入句子中。目前，利用大模型的能力，完全可以胜任添加标点符号的工作，不需要其它特别的处理程序。参考代码from
  • springmvc 下 freemarker页面枚举的遍历输出 杨白白 enumfreemarker
    spring mvc freemarker 中遍历枚举 1枚举类型有一个本地方法叫values（），这个方法可以直接返回枚举数组。所以可以利用这个遍历。 enum public enum BooleanEnum { TRUE(Boolean.TRUE, "是"), FALSE(Boolean.FALSE, "否");
  • 实习简要总结 byalias 工作
    来白虹不知不觉中已经一个多月了，因为项目还在需求分析及项目架构阶段，自己在这段 时间都是在学习相关技术知识，现在对这段时间的工作及学习情况做一个总结： （1）工作技能方面 大体分为两个阶段，Java Web 基础阶段和Java EE阶段 1）Java Web阶段 在这个阶段，自己主要着重学习了 JSP, Servlet, JDBC, MySQL，这些知识的核心点都过 了一遍，也
  • Quartz——DateIntervalTrigger触发器 eksliang quartz
    转载请出自出处：http://eksliang.iteye.com/blog/2208559 一.概述 simpleTrigger 内部实现机制是通过计算间隔时间来计算下次的执行时间，这就导致他有不适合调度的定时任务。例如我们想每天的 1：00AM 执行任务，如果使用 SimpleTrigger，间隔时间就是一天。注意这里就会有一个问题，即当有 misfired 的任务并且恢复执行时，该执行时间
  • Unix快捷键 18289753290 unixUnix；快捷键;
    复制，删除，粘贴： dd:删除光标所在的行                             &nbs
  • 获取Android设备屏幕的相关参数 酷的飞上天空 android
    包含屏幕的分辨率  以及 屏幕宽度的最大dp 高度最大dp   TextView text = (TextView)findViewById(R.id.text); DisplayMetrics dm = new DisplayMetrics(); text.append("getResources().ge
  • 要做物联网？先保护好你的数据 蓝儿唯美 数据
    根据Beecham Research的说法，那些在行业中希望利用物联网的关键领域需要提供更好的安全性。 在Beecham的物联网安全威胁图谱上，展示了那些可能产生内外部攻击并且需要通过快速发展的物联网行业加以解决的关键领域。 Beecham Research的技术主管Jon Howes说：“之所以我们目前还没有看到与物联网相关的严重安全事件，是因为目前还没有在大型客户和企业应用中进行部署，也就
  • Java取模（求余）运算 随便小屋 java
            整数之间的取模求余运算很好求，但几乎没有遇到过对负数进行取模求余，直接看下面代码： /** * * @author Logic * */ public class Test { public static void main(String[] args) { // TODO A
  • SQL注入介绍 aijuans sql注入
    二、SQL注入范例 这里我们根据用户登录页面 <form action="" > 用户名：<input type="text" name="username"><br/> 密 码：<input type="password" name="passwor
  • 优雅代码风格 aoyouzi 代码
    总结了几点关于优雅代码风格的描述： 代码简单：不隐藏设计者的意图，抽象干净利落，控制语句直截了当。 接口清晰：类型接口表现力直白，字面表达含义，API 相互呼应以增强可测试性。 依赖项少：依赖关系越少越好，依赖少证明内聚程度高，低耦合利于自动测试，便于重构。 没有重复：重复代码意味着某些概念或想法没有在代码中良好的体现，及时重构消除重复。 战术分层：代码分层清晰，隔离明确，
  • 布尔数组 百合不是茶 java布尔数组
      androi中提到了布尔数组;   布尔数组默认的是false,  并且只会打印false或者是true   布尔数组的例子;  根据字符数组创建布尔数组 char[] c = {'p','u','b','l','i','c'}; //根据字符数组的长度创建布尔数组的个数 boolean[] b = new bool
  • web.xml之welcome-file-list、error-page bijian1013 javaweb.xmlservleterror-page
    welcome-file-list 1.定义： <welcome-file-list> <welcome-file>login.jsp</welcome> </welcome-file-list>  2.作用：用来指定WEB应用首页名称。   error-page1.定义： <error-page&g
  • richfaces 4 fileUpload组件删除上传的文件 sunjing clearRichfaces 4fileupload
     页面代码               <h:form id="fileForm">            <rich:
  • 技术文章备忘 bit1129 技术文章
    Zookeeper http://wenku.baidu.com/view/bab171ffaef8941ea76e05b8.html http://wenku.baidu.com/link?url=8thAIwFTnPh2KL2b0p1V7XSgmF9ZEFgw4V_MkIpA9j8BX2rDQMPgK5l3wcs9oBTxeekOnm5P3BK8c6K2DWynq9nfUCkRlTt9uV
  • org.hibernate.hql.ast.QuerySyntaxException: unexpected token: on near line 1解决方案 白糖_ Hibernate
    文章摘自：http://blog.csdn.net/yangwawa19870921/article/details/7553181   在编写HQL时，可能会出现这种代码： select a.name,b.age from TableA a left join TableB b on a.id=b.id  如果这是HQL，那么这段代码就是错误的，因为HQL不支持
  • sqlserver按照字段内容进行排序 bozch 按照内容排序
    在做项目的时候，遇到了这样的一个需求：           从数据库中取出的数据集，首先要将某个数据或者多个数据按照地段内容放到前面显示，例如:从学生表中取出姓李的放到数据集的前面；          select * fro
  • 编程珠玑-第一章-位图排序 bylijinnan java编程珠玑
    import java.io.BufferedWriter; import java.io.File; import java.io.FileWriter; import java.io.IOException; import java.io.Writer; import java.util.Random; public class BitMapSearch {
  • Java关于==和equals chenbowen00 java
    关于==和equals概念其实很简单，一个是比较内存地址是否相同，一个比较的是值内容是否相同。虽然理解上不难，但是有时存在一些理解误区，如下情况： 1、 String a = "aaa"; a=="aaa"; ==> true 2、 new String("aaa")==new String("aaa
  • [IT与资本]软件行业需对外界投资热情保持警惕 comsci it
          我还是那个看法,软件行业需要增强内生动力,尽量依靠自有资金和营业收入来进行经营,避免在资本市场上经受各种不同类型的风险,为企业自主研发核心技术和产品提供稳定,温和的外部环境...       如果我们在自己尚未掌握核心技术之前,企图依靠上市来筹集资金,然后使劲往某个领域砸钱,然
  • oracle 数据块结构 daizj oracle块数据块块结构行目录
    oracle 数据块是数据库存储的最小单位，一般为操作系统块的N倍。其结构为： 块头－－〉空行－－〉数据，其实际为纵行结构。 块的标准大小由初始化参数DB_BLOCK_SIZE指定。具有标准大小的块称为标准块（Standard Block）。块的大小和标准块的大小不同的块叫非标准块（Nonstandard Block）。同一数据库中，Oracle9i及以上版本支持同一数据库中同时使用标
  • github上一些觉得对自己工作有用的项目收集 dengkane github
    github上一些觉得对自己工作有用的项目收集 技能类 markdown语法中文说明 回到顶部 全文检索 elasticsearch bigdesk elasticsearch管理插件 回到顶部 nosql mapdb 支持亿级别map, list, 支持事务. 可考虑做为缓存使用 C
  • 初二上学期难记单词二 dcj3sjt126com englishword
    dangerous 危险的 panda 熊猫 lion 狮子 elephant 象 monkey 猴子 tiger 老虎 deer 鹿 snake 蛇 rabbit 兔子 duck 鸭 horse 马 forest 森林 fall 跌倒；落下 climb 爬；攀登 finish 完成；结束 cinema 电影院；电影 seafood 海鲜；海产食品 bank 银行
  • 8、mysql外键(FOREIGN KEY)的简单使用 dcj3sjt126com mysql
    一、基本概念 1、MySQL中“键”和“索引”的定义相同，所以外键和主键一样也是索引的一种。不同的是MySQL会自动为所有表的主键进行索引，但是外键字段必须由用户进行明确的索引。用于外键关系的字段必须在所有的参照表中进行明确地索引，InnoDB不能自动地创建索引。 2、外键可以是一对一的，一个表的记录只能与另一个表的一条记录连接，或者是一对多的，一个表的记录与另一个表的多条记录连接。 3、如
  • java循环标签 Foreach shuizhaosi888 标签java循环foreach
    1. 简单的for循环 public static void main(String[] args) { for (int i = 1, y = i + 10; i < 5 && y < 12; i++, y = i * 2) { System.err.println("i=" + i + " y="
  • Spring Security（05）——异常信息本地化 234390216 exceptionSpring Security异常信息本地化
    异常信息本地化          Spring Security支持将展现给终端用户看的异常信息本地化，这些信息包括认证失败、访问被拒绝等。而对于展现给开发者看的异常信息和日志信息（如配置错误）则是不能够进行本地化的，它们是以英文硬编码在Spring Security的代码中的。在Spring-Security-core-x
  • DUBBO架构服务端告警Failed to send message Response javamingtingzhao 架构DUBBO
     废话不多说，警告日志如下，不知道有哪位遇到过，此异常在服务端抛出(服务器启动第一次运行会有这个警告)，后续运行没问题，找了好久真心不知道哪里错了。    WARN 2015-07-18 22:31:15,272 com.alibaba.dubbo.remoting.transport.dispatcher.ChannelEventRunnable.run(84)
  • JS中Date对象中几个用法 leeqq JavaScriptDate最后一天
    近来工作中遇到这样的两个需求 1. 给个Date对象，找出该时间所在月的第一天和最后一天 2. 给个Date对象，找出该时间所在周的第一天和最后一天   需求1中的找月第一天很简单，我记得api中有setDate方法可以使用 使用setDate方法前，先看看getDate var date = new Date(); console.log(date); // Sat J
  • MFC中使用ado技术操作数据库 你不认识的休道人 sqlmfc
    1.在stdafx.h中导入ado动态链接库 #import"C:\Program Files\Common Files\System\ado\msado15.dll" no_namespace rename("EOF","end")2.在CTestApp文件的InitInstance()函数中domodal之前写::CoIniti
  • Android Studio加速 rensanning android studio
    Android Studio慢、吃内存！启动时后会立即通过Gradle来sync & build工程。 （1）设置Android Studio a) 禁用插件 File -> Settings...  Plugins 去掉一些没有用的插件。 比如：Git Integration、GitHub、Google Cloud Testing、Google Cloud
  • 各数据库的批量Update操作 tomcat_oracle javaoraclesqlmysqlsqlite
    MyBatis的update元素的用法与insert元素基本相同，因此本篇不打算重复了。本篇仅记录批量update操作的 sql语句，懂得SQL语句，那么MyBatis部分的操作就简单了。 　　注意：下列批量更新语句都是作为一个事务整体执行，要不全部成功，要不全部回滚。 MSSQL的SQL语句 　WITH R AS（ 　　SELECT 'John' as name, 18 as
  • html禁止清除input文本输入缓存 xp9802 input
    多数浏览器默认会缓存input的值，只有使用ctl+F5强制刷新的才可以清除缓存记录。如果不想让浏览器缓存input的值，有2种方法： 方法一： 在不想使用缓存的input中添加 autocomplete="off"; eg: <input type="text" autocomplete="off" name
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他