maixj_
maixj_

【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取

补充知识：

1. 卷积与图像去噪

  • 对图像的卷积
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第1张图片
    其中的1/9就是卷积核(一个模板)
    在这里插入图片描述
  • 卷积的定义
    卷积核要进行180度旋转
    在这里插入图片描述
  • 卷积的性质
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第2张图片
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第3张图片
    边界填充（zero padding）
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第4张图片
  • 小结
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第5张图片
  • 卷积示例
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第6张图片
    平移操作
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第7张图片
    平滑效果
    在这里插入图片描述
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第8张图片
    锐化原理

    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第9张图片
  • 补充知识

平滑卷积存在的问题

【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第10张图片
要想实现这种效果，引入高斯卷积核

  • 高斯卷积核的
    在这里插入图片描述
    最后一步要做权值归一化，这样做的目的是不会对信号进行衰减也不会对信号进行加强。
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第11张图片
    设置高斯函数的标准差参数
    尺寸大小一样方差越大受到周围像素的影响越大
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第12张图片方差不变，模板卷积核尺寸越大那么平滑效果越好
    因为什么

【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第13张图片
【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第14张图片
高斯卷积核与平均卷积核的效果对比【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第15张图片

  • 高斯卷积核的特性
    高频信息的意思就是与周边差异比较大的像素点，噪声就是一种高频，边缘也是高频

【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第16张图片
可分离性示例
【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第17张图片

  • 卷积操作的运算量
    把大模板分解为小模板级联，可以降低运算量
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第18张图片

2. 图像噪声与中值滤波器

噪声

2.1.高斯噪声

【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第19张图片
高斯去噪，
高斯噪声大的图像，就需要用大尺度的模板去噪效果更好
【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第20张图片

2.2 椒盐噪声

如图，利用高斯卷积核不能很好的去掉椒盐噪声，

  • 引入中值滤波器
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第21张图片
    中值滤波的效果
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第22张图片
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第23张图片

3. 边缘提取

在这里插入图片描述

  • 边缘的种类
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第24张图片
  • 边缘检测
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第25张图片
  • 图像求导
    在这里插入图片描述
    图像求导，对x求导，得出的是y方向的边
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第26张图片
  • 图像梯度
    在这里插入图片描述
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第27张图片
  • 噪声的影响以及解决方法
    对某一噪声图像进行求导，如下图，得到的求导结果是找不到边缘的
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第28张图片
    解决方法
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第29张图片
    优化
    中间的就是高斯偏导模板
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第30张图片
    在这里插入图片描述
    可以根据实际情况来设置高斯偏导卷积核的方差大小

高斯核与高斯一阶偏导核的对比
【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第31张图片

  • 引入问题
    边缘检测的目标
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第32张图片
    这是高斯偏导卷积核的结果，结果显示有些边很粗
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第33张图片

【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第34张图片
解决：引入非极大值抑制

【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第35张图片
在这里插入图片描述

  • 非极大值抑制
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第36张图片
    双阈值解决
    显示高阈值提取出主要边缘，然后低阈值边缘就是将主要边缘连接的细边缘留下，其他的删除
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第37张图片
    以上就是Canny边缘检测器
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第38张图片
    计算幅值是判断这条边是不是边缘

3. 纹理表示

【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第39张图片
怎样提取纹理呢？
【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第40张图片
在这里插入图片描述
【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第41张图片
基于卷积核组的图像表示
【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第42张图片

【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第43张图片

  • 示例
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第44张图片

  • 卷积核组的设计
    在这里插入图片描述
    常用卷积核组
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第45张图片
    实际的例子
    【计算机视觉与深度学习 北京邮电大学 鲁鹏 视频笔记】3. （补充知识）卷积、图像去噪、边缘提取_第46张图片
    这个例子中某一个点都有48维的向量，改向量中，如果某一值很大，说明这个点偏向于该卷积核的方向
    在这里插入图片描述

你可能感兴趣的:(深度学习,pytorch,神经网络)

  • 【Python】已完美解决：ERROR: Could not find a version that satisfies the requirement re 屿小夏 python开发语言
    个人简介：某不知名博主，致力于全栈领域的优质博客分享|用最优质的内容带来最舒适的阅读体验！文末获取免费IT学习资料！文末获取更多信息精彩专栏推荐订阅收藏专栏系列直达链接相关介绍书籍分享点我跳转书籍作为获取知识的重要途径，对于IT从业者来说更是不可或缺的资源。不定期更新IT图书，并在评论区抽取随机粉丝，书籍免费包邮到家AI前沿点我跳转探讨人工智能技术领域的最新发展和创新，涵盖机器学习、深度学习、自然
  • 下载马斯克Grok-1模型的实战代码 herosunly 大模型grok-1下载模型实战代码
      大家好，我是herosunly。985院校硕士毕业，现担任算法研究员一职，热衷于机器学习算法研究与应用。曾获得阿里云天池比赛第一名，CCF比赛第二名，科大讯飞比赛第三名。拥有多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。  本文主要介绍了下载马斯克Grok-1模型的实战代码，希望能对学习大模型的同学们有所帮助
  • 吴恩达深度学习笔记（七）——机器学习策略 子非鱼icon 深度学习自学笔记深度学习机器学习人工智能神经网络吴恩达
    一、正交化通俗的理解就是：要能够诊断出系统性能瓶颈在哪里，以有策略刚好解决这个问题。一个“按钮”只负责解决一件事情。二、单一数字评估指标准确率（precision）：在分类器中标记为猫的例子中，有多少是真的猫召回率（recall）：对于所有的真猫图片，你的分类器正确识别了多少。但如果有两个评估指标，就很难去选择一个更好的分类器，如下图所示。所以有一个结合这两个指标的标准方法，也即F1分数，定义如下
  • 深度学习中的通道(Channel)概念详解 小·恐·龙 大模型深度学习人工智能
    1.通道的基本概念通道(Channel)是深度学习中的一个重要概念，它在不同场景下有不同的具体含义。理解通道概念对于理解深度学习模型的结构和工作原理至关重要。2.大语言模型中的通道2.1全连接层的通道概念2.1.1基本结构输入：[batch_size,input_features]权重：[input_features,output_features]输出：[batch_size,output_fe
  • face-kkk 山山而川_R face深度学习
    目录一、配置环境1、新建虚拟环境2、配置环境安装包3、下载安装使用环境二、注册新人1、采集照片2、注册新人3、测试视频或摄像头三、配置文件config1、项目配置文件configs/configs.py，用于设置人脸检测模型，特征提取模型二、下面是自己测试用（个人的一个记录，不具备参考意义）MTCNN人脸检测参考项目：GitHub-Sierkinhane/mtcnn-pytorch:Afacede
  • FunASR语言识别的环境安装、推理 山山而川_R FunASRr语言xcode开发语言
    目录一、环境配置1、创建虚拟环境2、安装环境及pytorch官网：pytorch下载地址3、安装funasr之前，确保已经安装了下面依赖环境:python代码调用（推荐）4、模型下载5、启动funasr服务二、客户端连接2.1html连接三、推理识别模型1、实时语音识别2、非实时语音识别一、环境配置源码地址：FunASRFunASR/README_zh.mdatmain·alibaba-damo-
  • 安装线程自由（无GIL锁）Python及Pytorch方法 为什么每天的风都这么大 pythonpytorch开发语言
    参考资料：https://py-free-threading.github.io/installing_cpython/https://github.com/pytorch/pytorch/issues/130249https://download.pytorch.org/whl/torch/截至当前（2025.1.22），最新的线程自由Python版本为13.1，因此下面的方法适用于该版本安装P
  • 大语言模型原理与工程实践：网页数据 AI大模型应用之禅 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
    大语言模型原理与工程实践：网页数据1.背景介绍在当今信息爆炸的时代，网页数据成为了大数据的重要来源之一。网页数据不仅包含了丰富的文本信息，还包括了图像、视频、音频等多媒体内容。大语言模型（LargeLanguageModels,LLMs）作为自然语言处理（NLP）领域的前沿技术，能够从海量的网页数据中提取有价值的信息，进行文本生成、情感分析、问答系统等多种任务。大语言模型的成功离不开深度学习技术的
  • 大语言模型原理与工程实践：案例介绍 AI大模型应用之禅 AI大模型与大数据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
    大语言模型原理与工程实践：案例介绍作者：禅与计算机程序设计艺术近年来，随着深度学习技术的快速发展，大语言模型（LargeLanguageModel，LLM）在自然语言处理领域取得了突破性进展，展现出强大的文本生成、理解和推理能力。从智能对话到机器翻译，从代码生成到诗歌创作，LLM正在深刻地改变着我们与信息交互的方式，并为人工智能应用开拓了更广阔的空间。1.背景介绍1.1大语言模型的兴起大语言模型的
  • 机器学习算法（八）：基于BP神经网络的乳腺癌的分类预测 墨枣 机器学习算法神经网络分类人工智能
    机器学习算法（八）：基于BP神经网络的乳腺癌的分类预测本项目链接：https://www.heywhale.com/home/column/64141d6b1c8c8b518ba97dcc1.算法简介和应用1.1算法简介BP（BackPropagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经
  • AI驱动电商搜索导购：技术创新与应用 AI天才研究院 大数据AI人工智能AI大模型企业级应用开发实战大厂Offer收割机面试题简历程序员读书硅基计算碳基计算认知计算生物计算深度学习神经网络大数据AIGCAGILLMJavaPython架构设计Agent程序员实现财富自由
    文章标题《AI驱动电商搜索导购：技术创新与应用》关键词：人工智能，电商搜索导购，机器学习，深度学习，推荐系统，自然语言处理，个性化搜索，图像识别，应用案例，未来展望。摘要：本文旨在探讨人工智能（AI）在电商搜索导购领域的应用，分析其技术创新和实际应用案例，探讨AI驱动电商搜索导购的未来发展趋势。文章首先介绍了AI在电商搜索导购中的角色和优势，然后深入探讨了AI基础理论和搜索导购技术原理。接着，文章
  • python 随机数 随机种子 AI算法网奇 python宝典python开发语言后端
    目录神经网络推理随机种子gpu新版：神经网络推理随机种子gpu：神经网络推理随机种子含npu：numpy.full创建相同矩阵python生成n个随机整数python随机数种子，每次获取相同的随机数随机在区间M内取不重复的N个随机数取一个范围内均匀不重复的随机数神经网络推理随机种子gpu新版：defset_random_seed(seed):"""Setrandomseeds."""random.
  • 机器学习笔记 - 机器学习/深度学习实战案例合集 坐望云起 深度学习从入门到精通机器学习深度学习人工智能案例应用神经网络
    一、简述如何学习机器学习/深度学习，理论和实践都很重要，理论上的内容需要看课程、读教材。但是实践需要自己动手，实践之后自然会对理论有更深入的理解。怎么实践？借用欧阳修《卖油翁》的话”无他，但手熟尔“。就是多看多写多跑。下面创建这个github的目的是为了存放一些图像处理/计算机视觉/机器学习/深度学习的示例代码集合，不定期会添加新的示例，可供参考。GitHub-bashendixie/ml_too
  • Transformer架构原理详解：多头注意力（MultiHead Attention） AI大模型应用之禅 AI大模型与大数据javapythonjavascriptkotlingolang架构人工智能
    Transformer,多头注意力,Multi-HeadAttention,机器翻译,自然语言处理,深度学习1.背景介绍近年来，深度学习在自然语言处理（NLP）领域取得了显著进展。传统的循环神经网络（RNN）在处理长序列数据时存在效率低下和梯度消失等问题。为了解决这些问题，谷歌于2017年提出了Transformer架构，并将其应用于机器翻译任务，取得了突破性的成果。Transformer的核心创
  • AI 对程序员的冲击剖析 程序员WANG 工具人工智能机器学习语言模型
    摘要随着人工智能（AI）技术的飞速发展，其影响力已逐渐渗透到各个行业，程序员群体也面临着前所未有的冲击。本文深入探讨AI对程序员在编程工作模式、技能需求以及职业发展路径等方面带来的冲击，并分析程序员应对这些冲击的策略与方向，旨在为程序员在AI时代的职业发展提供参考。一、引言AI技术近年来取得了突破性进展，其在自然语言处理、机器学习、深度学习等领域的应用日益广泛。在软件开发领域，AI不再仅仅是辅助工
  • 人类大脑与大规模神经网络的对比及未来展望 东方佑 量子变法神经网络人工智能深度学习
    引言随着人工智能（AI）技术的迅猛发展，研究人员不断尝试构建更加复杂和强大的模型，以期实现与人类大脑相媲美的智能水平。本文将探讨当前大规模神经网络（LLM,LargeLanguageModels）的发展现状，并基于现有数据对未来进行预测。特别地，我们将分析达到人类大脑突触连接规模所需的时间框架、可能面临的挑战以及使用转义词表技术所带来的优势。人类大脑的基本结构人类大脑是一个极其复杂的系统，包含大约
  • 如何在 PyTorch 分布式训练中使用 TORCH_DISTRIBUTED_DEBUG=INFO 进行调试 weixin_48705841 pytorch分布式人工智能
    如何在PyTorch分布式训练中使用TORCH_DISTRIBUTED_DEBUG=INFO进行调试在使用PyTorch进行分布式训练时，调试分布式训练过程中的问题可能非常棘手。尤其是在多卡、多节点的训练环境中，常常会遇到通信延迟、同步错误等问题。为了帮助调试这些问题，PyTorch提供了一个非常有用的环境变量TORCH_DISTRIBUTED_DEBUG，通过设置它，你可以在控制台输出更多的调试
  • 在 PyTorch 训练中使用 `tqdm` 显示进度条 weixin_48705841 pytorch人工智能python
    在PyTorch训练中使用tqdm显示进度条在深度学习的训练过程中，实时查看训练进度是非常重要的，它可以帮助我们更好地理解训练的效率，并及时调整模型或优化参数。使用tqdm库来为训练过程添加进度条是一个非常有效的方式，本文将介绍如何在PyTorch中结合tqdm来动态显示训练进度。1.安装tqdm库首先，如果你还没有安装tqdm，可以通过pip命令进行安装：pipinstalltqdmtqdm是一
  • 【在 PyTorch 中使用 tqdm 显示训练进度条，并解决常见错误TypeError: ‘module‘ object is not callable】 weixin_48705841 人工智能
    在PyTorch中使用tqdm显示训练进度条，并解决常见错误TypeError:'module'objectisnotcallable在进行深度学习模型训练时，尤其是在处理大规模数据时，实时了解训练过程中的进展是非常重要的。为了实现这一点，我们可以使用tqdm库，它可以非常方便地为你提供进度条显示。1.什么是tqdm？TQDM是一个快速、可扩展的Python进度条库。它可以用来显示迭代的进度，帮助
  • 深度学习模型开发文档 Ares代码行者 深度学习
    深度学习模型开发文档1.简介2.深度学习模型开发流程3.数据准备3.1数据加载3.2数据可视化4.构建卷积神经网络(CNN)5.模型训练5.1定义损失函数和优化器5.2训练过程6.模型评估与优化6.1模型评估6.2超参数调优7.模型部署8.总结参考资料1.简介深度学习是人工智能的一个分支，利用多层神经网络从数据中提取特征并进行学习。它被广泛应用于图像识别、自然语言处理、语音识别等领域。本文将以构建
  • 深度学习环境配置指南！（Windows、Mac、Ubuntu全讲解） Charmve #AI学习指导：从入门到进阶软件安装环境配置计算机视觉实战文档详细开放源码cudalinuxgpuanacondaubuntu
    关注“迈微AI研习社”，内容首发于公众号作者：伍天舟、马曾欧、陈信达入门深度学习，很多人经历了从入门到放弃的心酸历程，且千军万马倒在了入门第一道关卡：环境配置问题。俗话说，环境配不对，学习两行泪。如果你正在面临配置环境的痛苦，不管你是Windows用户、Ubuntu用户还是苹果死忠粉，这篇文章都是为你量身定制的。接下来就依次讲下Windows、Mac和Ubuntu的深度学习环境配置问题。一、Win
  • 联邦学习中客户端发送的梯度是vector而不是tensor wzx_Eleven 联邦学习机器学习网络安全人工智能
    在联邦学习中，当本地使用神经网络或深度学习模型时，训练的梯度通常是与模型参数（权重和偏置）相对应的梯度数据。具体来说，梯度的类型和形状取决于模型的结构（例如，卷积神经网络、全连接网络等），以及模型的层数、每层的神经元数量等因素。1.梯度类型：梯度是一个张量：在神经网络中，梯度通常是一个张量（tensor），每一层的梯度张量的形状和该层的权重形状相匹配。具体来说，梯度是损失函数对每个参数的偏导数，表
  • conv2former模型详解及代码复现 清风AI 深度学习算法详解及代码复现深度学习人工智能python神经网络conda
    模型背景在Conv2Former模型提出之前，视觉识别领域的研究主要集中在两个方向：传统卷积神经网络（ConvNets）新兴的视觉Transformer（ViTs）ConvNets通过堆叠基本模块和采用金字塔结构取得了显著进展，但往往忽略了全局上下文信息的显式建模。ViTs则通过自注意力机制有效捕捉全局依赖关系，在多个视觉任务中展现出优异性能。然而，ViTs在处理高分辨率图像时面临计算成本过高的问
  • 从System Prompt来看GPT-3.5到GPT-4的进化 herosunly 大模型systempromptgpt-3chatgptgpt4gpt4o
      大家好，我是herosunly。985院校硕士毕业，现担任算法t研究员一职，热衷于机器学习算法研究与应用。曾获得阿里云天池比赛第一名，CCF比赛第二名，科大讯飞比赛第三名。拥有多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。  本文主要介绍了从SystemPrompt来看GPT-3.5到GPT-4的进化之路，希
  • 昇腾910-PyTorch 实现 GoogleNet图像分类 深度学习图像识别
    PyTorch实现GoogleNet用于图像分类本实验主要介绍了如何在昇腾上，使用pytorch对经典的GoogleNet模型在公开的CIFAR10数据集进行分类训练的实战讲解。内容包括GoogleNet模型创新点介绍、GoogleNet网络架构剖析与GoogleNet网络模型代码实战分析等等。本实验的目录结构安排如下所示：GoogleNet网络模型创新点介绍GoogleNet的网络架构剖析Goo
  • AI人工智能深度学习算法：高并发场景下深度学习代理的性能调优 AI天才研究院 计算AI大模型企业级应用开发实战ChatGPT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1.1深度学习代理的兴起近年来，随着人工智能技术的飞速发展，深度学习在各个领域都取得了显著的成果。特别是在自然语言处理、图像识别、语音识别等领域，深度学习模型的性能已经超越了传统方法。为了更好地将深度学习技术应用于实际场景，深度学习代理应运而生。深度学习代理是一种将深度学习模型封装起来，并提供对外接口的服务。它可以接收来自客户端的请求，将请求数据输入到深度学习模型中进行推理，并将推理结
  • Python中实现多层感知机（MLP）的深度学习模型 Echo_Wish Python笔记从零开始学Python人工智能python深度学习开发语言
    深度学习已经成为机器学习领域的一个热门话题，而多层感知机（MLP）是最基础的深度学习模型之一。在这篇教程中，我将向你展示如何使用Python来实现一个简单的MLP模型。什么是多层感知机（MLP）？多层感知机（MLP）是一种前馈神经网络，它包含一个输入层、一个或多个隐藏层以及一个输出层。每个层都由一系列的神经元组成，神经元之间通过权重连接。MLP能够学习输入数据的非线性特征，因此在复杂问题的建模中非
  • 深度学习-92-大语言模型LLM之基于langchain的模型IO的模型调用 皮皮冰燃 深度学习深度学习语言模型langchain
    文章目录1Model的输入输出2langchain支持的模型3调用Ollama模型3.1设置环境变量3.2大语言模型LLM(OllamaLLM)3.2.1生成文本补全3.2.2流式生成文本补全3.3聊天模型(ChatOllama)3.3.1内置的消息类型3.3.2HumanMessage和SystemMessage3.3.3元组方式构成消息列表3.3.4stream流式3.4文本嵌入模型(Olla
  • 深度学习基础18（多层感知机代码实现） NDNPOMDFLR 深度学习深度学习python经验分享人工智能神经网络
    多层感知机的从零开始实现现在自己实现一个多层感知机。为了与之前softmax回归获得的结果进行比较，将继续使用Fashion-MNIST图像分类数据集importtorchfromtorchimportnnfromd2limporttorchasd2lbatch_size=256train_iter,test_iter=d2l.load_data_fashion_mnist(batch_size)
  • AI Agent：深度解析与未来展望 码事漫谈 c++人工智能
    一、AIAgent的前世：从概念到萌芽（一）早期探索AIAgent的概念可以追溯到20世纪50年代，早期的AI研究主要集中在简单的规则系统上，这些系统的行为是确定性的，输出由输入决定。随着时间的推移，AI逐渐能够处理不确定性，1990年代机器学习的兴起为AIAgent的发展奠定了基础，神经网络技术的突破为深度学习的发展提供了可能。（二）技术突破2017年后，大语言模型（LLM）的出现推动了AIAg
  • jvm调优总结（从基本概念 到 深度优化） oloz javajvmjdk虚拟机应用服务器
    JVM参数详解：http://www.cnblogs.com/redcreen/archive/2011/05/04/2037057.html   Java虚拟机中，数据类型可以分为两类：基本类型和引用类型。基本类型的变量保存原始值，即：他代表的值就是数值本身；而引用类型的变量保存引用值。“引用值”代表了某个对象的引用，而不是对象本身，对象本身存放在这个引用值所表示的地址的位置。
  • 【Scala十六】Scala核心十：柯里化函数 bit1129 scala
    本篇文章重点说明什么是函数柯里化，这个语法现象的背后动机是什么，有什么样的应用场景，以及与部分应用函数(Partial Applied Function)之间的联系   1. 什么是柯里化函数 A way to write functions with multiple parameter lists. For instance def f(x: Int)(y: Int) is a
  • HashMap dalan_123 java
    HashMap在java中对很多人来说都是熟的；基于hash表的map接口的非同步实现。允许使用null和null键；同时不能保证元素的顺序；也就是从来都不保证其中的元素的顺序恒久不变。 1、数据结构     在java中，最基本的数据结构无外乎：数组 和 引用（指针），所有的数据结构都可以用这两个来构造，HashMap也不例外，归根到底HashMap就是一个链表散列的数据
  • Java Swing如何实时刷新JTextArea，以显示刚才加append的内容 周凡杨 java更新swingJTextArea
    在代码中执行完textArea.append("message")后，如果你想让这个更新立刻显示在界面上而不是等swing的主线程返回后刷新，我们一般会在该语句后调用textArea.invalidate()和textArea.repaint()。 问题是这个方法并不能有任何效果，textArea的内容没有任何变化，这或许是swing的一个bug，有一个笨拙的办法可以实现
  • servlet或struts的Action处理ajax请求 g21121 servlet
    其实处理ajax的请求非常简单，直接看代码就行了： //如果用的是struts //HttpServletResponse response = ServletActionContext.getResponse(); // 设置输出为文字流 response.setContentType("text/plain"); // 设置字符集 res
  • FineReport的公式编辑框的语法简介 老A不折腾 finereport公式总结
    FINEREPORT用到公式的地方非常多，单元格（以=开头的便被解析为公式），条件显示，数据字典，报表填报属性值定义，图表标题，轴定义，页眉页脚，甚至单元格的其他属性中的鼠标悬浮提示内容都可以写公式。 简单的说下自己感觉的公式要注意的几个地方：   1.if语句语法刚接触感觉比较奇怪，if(条件式子,值1,值2)，if可以嵌套，if(条件式子1，值1，if(条件式子2，值2，值3)
  • linux mysql 数据库乱码的解决办法 墙头上一根草 linuxmysql数据库乱码
    linux 上mysql数据库区分大小写的配置 lower_case_table_names=1 1-不区分大小写 0-区分大小写   修改/etc/my.cnf 具体的修改内容如下:   [client] default-character-set=utf8   [mysqld] datadir=/var/lib/mysql socket=/va
  • 我的spring学习笔记6-ApplicationContext实例化的参数兼容思想 aijuans Spring 3
    ApplicationContext能读取多个Bean定义文件，方法是： ApplicationContext appContext = new ClassPathXmlApplicationContext（ new String[]｛“bean-config1.xml”，“bean-config2.xml”，“bean-config3.xml”，“bean-config4.xml
  • mysql 基准测试之sysbench annan211 基准测试mysql基准测试MySQL测试sysbench
    1 执行如下命令，安装sysbench-0.5： tar xzvf sysbench-0.5.tar.gz  cd sysbench-0.5  chmod +x autogen.sh  ./autogen.sh  ./configure --with-mysql --with-mysql-includes=/usr/local/mysql
  • sql的复杂查询使用案列与技巧 百合不是茶 oraclesql函数数据分页合并查询
      本片博客使用的数据库表是oracle中的scott用户表;          -------------------  自然连接查询           查询 smith 的上司(两种方法) &
  • 深入学习Thread类 bijian1013 javathread多线程java多线程
    一．             线程的名字 下面来看一下Thread类的name属性，它的类型是String。它其实就是线程的名字。在Thread类中，有String getName()和void setName(String)两个方法用来设置和获取这个属性的值。 同时，Thr
  • JSON串转换成Map以及如何转换到对应的数据类型 bijian1013 javafastjsonnet.sf.json
            在实际开发中，难免会碰到JSON串转换成Map的情况，下面来看看这方面的实例。另外，由于fastjson只支持JDK1.5及以上版本，因此在JDK1.4的项目中可以采用net.sf.json来处理。 一.fastjson实例 JsonUtil.java package com.study; impor
  • 【RPC框架HttpInvoker一】HttpInvoker：Spring自带RPC框架 bit1129 spring
    HttpInvoker是Spring原生的RPC调用框架，HttpInvoker同Burlap和Hessian一样，提供了一致的服务Exporter以及客户端的服务代理工厂Bean，这篇文章主要是复制粘贴了Hessian与Spring集成一文，【RPC框架Hessian四】Hessian与Spring集成   在 【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中
  • 【Mahout二】基于Mahout CBayes算法的20newsgroup的脚本分析 bit1129 Mahout
    #!/bin/bash # # Licensed to the Apache Software Foundation (ASF) under one or more # contributor license agreements. See the NOTICE file distributed with # this work for additional information re
  • nginx三种获取用户真实ip的方法 ronin47
    随着nginx的迅速崛起，越来越多公司将apache更换成nginx. 同时也越来越多人使用nginx作为负载均衡, 并且代理前面可能还加上了CDN加速，但是随之也遇到一个问题：nginx如何获取用户的真实IP地址,如果后端是apache,请跳转到<apache获取用户真实IP地址>，如果是后端真实服务器是nginx，那么继续往下看。 实例环境： 用户IP 120.22.11.11
  • java-判断二叉树是不是平衡 bylijinnan java
    参考了 http://zhedahht.blog.163.com/blog/static/25411174201142733927831/ 但是用java来实现有一个问题。 由于Java无法像C那样“传递参数的地址，函数返回时能得到参数的值”，唯有新建一个辅助类：AuxClass import ljn.help.*; public class BalancedBTree {
  • BeanUtils.copyProperties VS PropertyUtils.copyProperties 诸葛不亮 PropertyUtilsBeanUtils
     BeanUtils.copyProperties VS  PropertyUtils.copyProperties  作为两个bean属性copy的工具类，他们被广泛使用，同时也很容易误用，给人造成困然；比如：昨天发现同事在使用BeanUtils.copyProperties copy有integer类型属性的bean时，没有考虑到会将null转换为0，而后面的业
  • [金融与信息安全]最简单的数据结构最安全 comsci 数据结构
          现在最流行的数据库的数据存储文件都具有复杂的文件头格式，用操作系统的记事本软件是无法正常浏览的，这样的情况会有什么问题呢？        从信息安全的角度来看，如果我们数据库系统仅仅把这种格式的数据文件做异地备份，如果相同版本的所有数据库管理系统都同时被攻击，那么
  • vi区段删除 Cwind linuxvi区段删除
    区段删除是编辑和分析一些冗长的配置文件或日志文件时比较常用的操作。简记下vi区段删除要点备忘。   vi概述    引文中并未将末行模式单独列为一种模式。单不单列并不重要，能区分命令模式与末行模式即可。   vi区段删除步骤： 1. 在末行模式下使用:set nu显示行号 非必须，随光标移动vi右下角也会显示行号，能够正确找到并记录删除开始行
  • 清除tomcat缓存的方法总结 dashuaifu tomcat缓存
    用tomcat容器，大家可能会发现这样的问题，修改jsp文件后，但用IE打开 依然是以前的Jsp的页面。 出现这种现象的原因主要是tomcat缓存的原因。 解决办法如下: 在jsp文件头加上 <meta http-equiv="Expires" content="0"> <meta http-equiv="kiben&qu
  • 不要盲目的在项目中使用LESS CSS dcj3sjt126com Webless
    　如果你还不知道LESS CSS是什么东西，可以看一下这篇文章，是我一朋友写给新人看的《CSS——LESS》 　　不可否认，LESS CSS是个强大的工具，它弥补了css没有变量、无法运算等一些“先天缺陷”，但它似乎给我一种错觉，就是为了功能而实现功能。 　　比如它的引用功能 ? .rounded_corners{     
  • [入门]更上一层楼 dcj3sjt126com PHPyii2
    更上一层楼 通篇阅读完整个“入门”部分，你就完成了一个完整 Yii 应用的创建。在此过程中你学到了如何实现一些常用功能，例如通过 HTML 表单从用户那获取数据，从数据库中获取数据并以分页形式显示。你还学到了如何通过 Gii 去自动生成代码。使用 Gii 生成代码把 Web 开发中多数繁杂的过程转化为仅仅填写几个表单就行。 本章将介绍一些有助于更好使用 Yii 的资源：
  • Apache HttpClient使用详解 eksliang httpclienthttp协议
    Http协议的重要性相信不用我多说了，HttpClient相比传统JDK自带的URLConnection，增加了易用性和灵活性（具体区别，日后我们再讨论），它不仅是客户端发送Http请求变得容易，而且也方便了开发人员测试接口（基于Http协议的），即提高了开发的效率，也方便提高代码的健壮性。因此熟练掌握HttpClient是很重要的必修内容，掌握HttpClient后，相信对于Http协议的了解会
  • zxing二维码扫描功能 gundumw100 androidzxing
    经常要用到二维码扫描功能 现给出示例代码 import com.google.zxing.WriterException; import com.zxing.activity.CaptureActivity; import com.zxing.encoding.EncodingHandler; import android.app.Activity; import an
  • 纯HTML+CSS带说明的黄色导航菜单 ini htmlWebhtml5csshovertree
    HoverTree带说明的CSS菜单:纯HTML+CSS结构链接带说明的黄色导航   在线体验效果：http://hovertree.com/texiao/css/1.htm代码如下,保存到HTML文件可以看到效果：   <!DOCTYPE html > <html > <head> <title>HoverTree
  • fastjson初始化对性能的影响 kane_xie fastjson序列化
    之前在项目中序列化是用thrift，性能一般，而且需要用编译器生成新的类，在序列化和反序列化的时候感觉很繁琐，因此想转到json阵营。对比了jackson，gson等框架之后，决定用fastjson，为什么呢，因为看名字感觉很快。。。   网上的说法：   fastjson 是一个性能很好的 Java 语言实现的 JSON 解析器和生成器，来自阿里巴巴的工程师开发。
  • 基于Mybatis封装的增删改查实现通用自动化sql mengqingyu DAO
    1.基于map或javaBean的增删改查可实现不写dao接口和实现类以及xml，有效的提高开发速度。 2.支持自定义注解包括主键生成、列重复验证、列名、表名等 3.支持批量插入、批量更新、批量删除 <bean id="dynamicSqlSessionTemplate" class="com.mqy.mybatis.support.Dynamic
  • js控制input输入框的方法封装(数字，中文，字母，浮点数等) qifeifei javascript js
    在项目开发的时候，经常有一些输入框，控制输入的格式，而不是等输入好了再去检查格式，格式错了就报错，体验不好。 /** 数字，中文，字母,浮点数(+/-/.) 类型输入限制，只要在input标签上加上 jInput="number,chinese,alphabet,floating" 备注：floating属性只能单独用*/     funct
  • java 计时器应用 tangqi609567707 javatimer
    mport java.util.TimerTask;   import java.util.Calendar;   public class MyTask extends TimerTask {        private static final int
  • erlang输出调用栈信息 wudixiaotie erlang
    在erlang otp的开发中，如果调用第三方的应用，会有有些错误会不打印栈信息，因为有可能第三方应用会catch然后输出自己的错误信息，所以对排查bug有很大的阻碍，这样就要求我们自己打印调用的栈信息。用这个函数：erlang:process_display (self (), backtrace).需要注意这个函数只会输出到标准错误输出。 也可以用这个函数：erlang:get_s
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他