深度学习图像分类数据处理

AI中的核心概念解读：深度学习、机器学习、神经网络与自然语言处理

然而，对于刚接触AI的初学者或非专业人士来说，理解其中的核心概念，特别是深度学习、机器学习、神经网络与自然语言处理之间的区别，可能显得有些复杂。
wypdao·2024-08-30 16:31

解锁Excel里秘密隐藏的单元格快捷操作技巧

Excel的数据处理可能经常会让我们抓狂，但其实掌握一些常用功能的快捷操作小技巧，不仅能让我们更熟练使用Excel，也能快速让效率翻倍。
Hiten2018·2024-08-30 15:58

昇思25天学习打卡

@[TOC]《昇思25天学习打卡营第02天|lulul》张量Tensor张量tensor是在机器学习和深度学习中广泛应用的数据概念，张量是多维数组的泛化，能够表示标量（0维张量）、向量（1维张量）、矩阵
十分钟ll·2024-08-30 15:28

基于yolov8的脑肿瘤检测系统python源码+onnx模型+评估指标曲线+精美GUI界面

在脑肿瘤检测中，YOLOv8通过深度学习技术，自动从脑部图像中提取特征，并学习目标的特征表示和位置信息。系统采用模块化设
FL1623863129·2024-08-30 15:57

深度学习赋能数据分析，联蔚盘云引领业务革新

一、引言随着大数据时代的到来，深度学习技术正逐渐成为企业数据分析的新引擎。联蔚盘云凭借其在深度学习领域的深厚积累，为企业提供高效、精准的数据分析解决方案，助力企业实现业务革新与增长。
联蔚盘云·2024-08-30 14:20

动手学深度学习（pytorch）学习记录20-自定义层[学习记录]

在深度学习中，自定义层是指开发者根据特定需求编写的神经网络层，而不是使用深度学习框架（如PyTorch、TensorFlow等）提供的现成层。自定义层可以让模型更加灵活，以适应特定的任务或数据集。
walfar·2024-08-30 13:13

高职院校生成式人工智能（AIGC）实训教室建设解决方案

一、引言近年来，人工智能技术以其强大的数据处理能力和智能化决策机制，在诸多领域展现出巨大的潜力和价值。
武汉唯众智创·2024-08-30 12:12

动手学深度学习（pytorch）学习记录21-读写文件(模型与参数)[学习记录]

目录加载和保存张量加载和保存模型参数保存模型的好处众多，涵盖了从开发到部署的整个机器学习生命周期。节省资源：训练模型可能需要大量的时间和计算资源。保存模型可以避免重复训练，从而节省时间和计算资源。快速部署：一旦模型被训练并保存，它可以迅速部署到生产环境中，加速产品上市时间。版本控制：保存不同版本的模型有助于跟踪模型的迭代过程，便于比较和回滚到之前的版本。离线使用：保存的模型可以在没有网络连接的情况
walfar·2024-08-30 12:42

PyTorch深度学习实战（26）—— PyTorch与Multi-GPU

当拥有多块GPU时，可以利用分布式计算（DistributedComputation）与并行计算（ParallelComputation）的方式加速网络的训练过程。在这里，分布式是指有多个GPU在多台服务器上，并行指一台服务器上的多个GPU。在工作环境中，使用这两种方式加速模型训练是非常重要的技能。本文将介绍PyTorch中分布式与并行的常见方法，读者需要注意这二者的区别，并关注它们在使用时的注意
shangjg3·2024-08-30 12:10

《深度学习走向核心素养小学数学》读书第四期

逻辑推理：让学生学会“用数学的思维想”义务教育数学课程标准的核心词还提到运算能力和推理能力，这都属于逻辑推理。数学内部的发展依赖的就是逻辑推理。逻辑推理是指从一些事实和命题出发，依据规则推出其他命题的思维过程。它主要包括两类：一类是从特殊到一般的推理，推理形式主要有归纳、类比；一类是从一般到特殊的推理，推理形式主要有演绎。演绎推理是从大范围内成立的命题推断小范围内命题也成立，只能用来验证知识，不能
Lethe不迷糊·2024-08-30 12:52

自然语言处理（NLP）与机器学习：深度探索两者的关系

（NLP）与机器学习：深度探索两者的关系1.自然语言处理(NLP)的概述NLP的主要任务包括：2.机器学习(ML)的概述机器学习的主要类型包括：3.NLP与机器学习的关系1.机器学习驱动NLP任务2.深度学习与
听忆.·2024-08-30 10:51

【深度学习】embedding的简单理解

文章目录一、简单理解二、其他通俗理解一、简单理解特征嵌入，将数据转换（降维）为固定大小的特征表示（矢量），以便于处理和计算（如求距离）。例如，针对用于说话者识别的语音信号训练的模型可以允许您将语音片段转换为数字向量，使得来自相同说话者的另一片段与原始向量具有小的距离（例如，欧几里德距离）。embedding的主要目的是对（稀疏）特征进行降维，它降维的方式可以类比为一个全连接层（没有激活函数），通过
旅途中的宽~·2024-08-30 09:47

单片机C语言JSON数据处理

一、JSON开发思路最近有个项目使用JSON数据和上位机进行通讯，我将开发历程分享给大家。起初我想用MDK自带的JSON库，编译也没问题，但最后发现该库对编译器有要求，不是很方便，最后我放弃了这条思路，用网上下载的JSONC代码写功能函数，最后所有功能都实现了。所以我强烈推荐大家采用这种开发思路，代码都是用C语言写的，看的见摸不着。二、我对JSON代码的理解2.1关于JSON的格式{   "CMD
憨憨的老郭·2024-08-30 08:45

Datawhale X 李宏毅苹果书AI夏令营深度学习详解进阶Task02

目录一、自适应学习率二、学习率调度三、优化总结四、分类五、问题与解答本文了解到梯度下降是深度学习中最为基础的优化算法，其核心思想是沿着损失函数的梯度方向更新模型参数，以最小化损失值。
z are·2024-08-30 08:14

深度学习中Embedding的理解

在深度学习领域，Embedding一般用于代表某个类目的全部相关信息，表现形式为一个向量。
普通攻击往后拉·2024-08-30 08:44

深度学习速通系列:贝叶思&SVM

贝叶斯（Bayesian）方法和支持向量机（SVM，SupportVectorMachine）是两种不同的机器学习算法，它们在解决分类和回归问题时有着不同的原理和应用场景贝叶斯方法：贝叶斯方法基于贝叶斯定理，这是一种利用已知信息（先验概率）来预测未知事件（后验概率）的概率方法。它通常用于分类问题，特别是当数据集较小或存在类别不平衡时。贝叶斯方法可以处理不确定性，并且可以通过增加新的数据来更新先验概
Ven%·2024-08-30 08:13

机器学习和深度学习·贝叶斯优化和optuna

贝叶斯优化贝叶斯优化的思想先验：取点似然：假设分布取了n个点之后…后验：近似取得极值贝叶斯优化的数学过程在贝叶斯优化的数学过程当中，我们主要执行以下几个步骤：1定义需要估计的f(x)f(x)f(x)以及xxx的定义域2取出有限的n个xxx上的值，求解出这些xxx对应的f(x)f(x)f(x)（求解观测值）3根据有限的观测值，对函数分布进行假设（该假设被称为贝叶斯优化中的先验知识），得出该假设分布上
0xMayL·2024-08-30 08:39

【ShuQiHere】《机器学习的进化史『下』：从神经网络到深度学习的飞跃》

【ShuQiHere】引言：神经网络与深度学习的兴起在上篇文章中，我们回顾了机器学习的起源与传统模型的发展历程，如线性回归、逻辑回归和支持向量机（SVM）。
ShuQiHere·2024-08-30 07:07

PyTorch深度学习实战（27）—— PyTorch分布式训练

本节将详细介绍如何进行神经网络的分布式训练。其中1.1将结合MPI介绍分布式训练的基本流程，1.2与1.3将分别介绍如何使用torch.distributed以及Horovod进行神经网络的分布式训练。1PyTorch分布式训练1.1使用MPI进行分布式训练下面讲解如何利用MPI进行PyTorch的分布式训练。这里主要介绍的是数据并行的分布式方法：每一块GPU都有同一个模型的副本，仅加载不同的数据
shangjg3·2024-08-30 07:37

PyTorch Geometric（torch_geometric）简介

图网络是深度学习领域的一种强大工具，它能够处理结构化数据，如社交网络、分子结构、交通网络等。
小桥流水---人工智能·2024-08-30 06:32

深入理解PyTorch中的`torch.topk`函数！！！（个人总结，为了方便我自己复习，要是同时也能帮助到大家就更好了）

`torch.topk`函数概述函数签名返回值2.基本用法示例1：找到一维张量的最大值示例2：在二维张量的指定维度上操作3.高级应用4.结论深入理解PyTorch中的torch.topk函数在深度学习和数据处理中
小桥流水---人工智能·2024-08-30 06:32

在 PyTorch 中，`permute` 方法是一个强大的工具，用于重排张量的维度。

这在深度学习中非常有用，尤其是在处理具有多维数据（如图像、视频或复杂数组）的神经网络时。
小桥流水---人工智能·2024-08-30 06:32

PyTorch概述

它广泛用于深度学习和神经网络的研究和开发。PyTorch以其动态计算图、灵活性和简单易用的接口而闻名，深受研究人员和开发者的喜爱。
fydw_715·2024-08-30 06:01

[Scene Graph] 图神经网络的核心方法——Message Passing

深度学习方法的兴起是从计算图像处理（ComputerVision）领域开始的。以卷积神经网络（CNN）为代表的方法会从邻近的像素中获取信息。
风中摇曳的小萝卜·2024-08-30 06:01

基于深度学习的分子生成

基于深度学习的分子生成是一项结合化学、计算科学与人工智能的新兴领域，旨在利用深度学习模型来生成具有特定性质的分子结构。该技术在药物发现、材料科学和合成化学等领域具有广泛的应用前景。
SEU-WYL·2024-08-30 06:29

文本分析之关键词提取（TF-IDF算法）

Pandas：用于数据处理。jieba：用于中文分词。skl
SEVEN-YEARS·2024-08-30 03:11

Submit软件详细介绍

Submit软件详细介绍Submit是一款用于自动化任务提交和管理的软件工具，广泛应用于大规模计算、数据处理、以及其他需要批量任务管理的领域。
蚂蚱.top·2024-08-30 03:38

Python实现等距映射（ISOMAP）降维算法

ISOMAP的优势与局限Python实现ISOMAP算法1.创建ISOMAP类2.在瑞士卷数据集上应用ISOMAP3.结果分析总结运行结果Python实现等距映射（ISOMAP）降维算法的博客引言在高维数据处理中
闲人编程·2024-08-30 02:00

基于深度学习的人类行为模仿

基于深度学习的人类行为模仿是指利用深度学习技术构建模型，使计算机系统能够学习、理解、并模仿人类的行为。
SEU-WYL·2024-08-30 01:26

STM32智能医疗监控系统教程

目录引言环境准备智能医疗监控系统基础代码实现：实现智能医疗监控系统4.1数据采集模块4.2数据处理与分析模块4.3通信与网络系统实现4.4用户界面与数据可视化应用场景：医疗监控与优化问题解决方案与优化收尾与总结
stm32发烧友·2024-08-29 23:16

爆改yolov8|利用BSAM改进YOLOv8，高效涨点

BSAM（BiLevelSpatialAttentionModule）是一个用于提升深度学习模型在空间特征处理中的能力的模块。它主要通过双层注意力机制来增强模型对重要空间信息的关注，从而提升任务性能。
不想敲代码！！！·2024-08-29 22:37

图像数据处理24

六、图像分割6.1阈值分割6.1.1阙值分割的基本概念根据图像的灰度值来对图像进行分割，高于灰度值的常被认为是前景图像，而低于灰度值的则被认为是背景图像。阙值的设定并不是唯一的，在对灰度图像进行阙值分割时可以设置多个阙值。6.1.2全局阙值与局部阙值全局阙值：对图片中所有像素都适用的阙值。局部阙值：图片中某像素的阙值是根据其的邻接像素等计算得出，该阙值只作用与某一部分素值。6.1.3灰度直方图与阙
逸缘·2024-08-29 16:56

基于yolov8的8种人脸表情检测系统python源码+onnx模型+评估指标曲线+精美GUI界面

【算法介绍】基于YOLOv8的人脸表情检测系统是一个结合了先进目标检测算法（YOLOv8）与深度学习技术的项目，旨在实时或离线地识别并分类人脸表情（如快乐、悲伤、愤怒、惊讶、恐惧、厌恶、中立等）。
FL1623863129·2024-08-29 15:52

AI如何创造情绪价值

AI技术通过模拟人类神经网络的工作方式，对复杂的数据进行深度学习和理解，逐渐具备了处理人类情感的能力。在客户服务领域，情绪识
学客汇·2024-08-29 14:14

spark应用程序转换_4.Spark特征提取、转换和选择 - 简书

这章我们主要介绍对数据处理涉及的一些操作，主要包括：特征提取特征转换特征选择4.1特征提取特征提取一般指从原始数据中抽取特征。4.1.1词频－逆向文件频率(TF-IDF)词频－逆向文件频率(T
weixin_39956182·2024-08-29 14:10

大模型智能进阶之路：探索未来AI的无限可能

在人工智能的浪潮中，大模型以其强大的数据处理能力和广泛的应用前景，成为了科技领域的明星。然而，正如任何技术一样，大模型也面临着诸多挑战，尤其是在理解力、泛化能力和适应性方面。
江佑IT·2024-08-29 12:32

深度学习：探索人工智能的无限可能

而在AI领域，深度学习是近年来发展最为迅速的一个分支。本文将深入探讨深度学习及其相关领域，包括计算机视觉、自然语言处理、神经网络和强化学习。
木小梦(๑• . •๑)·2024-08-29 12:29

深度学习100问7-向量降维的算法有那些

一、主成分分析（PCA）PCA就像你整理一堆考试成绩单。假如成绩单上有好多科目成绩，这就像一个高维向量。但有些科目成绩关系很紧密，比如数学好的同学一般物理也不错，化学也还行。那PCA就会找这些成绩单里最主要的特点，把关系近的科目合成几个新的“大科目”。这样就把原来很多科目的高维向量变成几个“大科目”的低维向量啦。二、奇异值分解（SVD）SVD呢，就好比你有一本很厚的书。书的每一页上的字可以看成一个
不断持续学习ing·2024-08-29 11:54

ARMxy工业控制器搭载 Mini PCIe加密安全芯片工业控制拓展之旅

ARM工业控制器凭借其强大的处理能力和丰富的接口资源，本身就具备了出色的数据处理和传输能力。然而，MiniPCIe接口的
钡铼技术物联网关·2024-08-29 10:18

基于yolov8的绝缘子缺陷检测系统python源码+onnx模型+评估指标曲线+精美GUI界面

【算法介绍】基于YOLOv8的绝缘子缺陷检测系统是一种利用先进深度学习技术的高效解决方案，旨在提升电力行业中输电线路的维护和监控水平。
FL1623863129·2024-08-29 10:16

使用 Pandas 进行数据可视化：全面指南（六）

Pandas作为Python生态系统中强大的数据分析库，不仅提供了数据处理和分析的功能，还内置了方便易用的可视化方法。
小高要坚强·2024-08-29 09:44

深入解析Pandas的Series与DataFrame索引和切片操作（三）

Pandas库是Python中用于数据处理和分析的强大工具，它的核心数据结构包括Series和DataFrame。
小高要坚强·2024-08-29 09:14

机器学习和深度学习中常见损失函数，包括损失函数的数学公式、推导及其在不同场景中的应用

目录引言什么是损失函数？常见损失函数介绍3.1均方误差（MeanSquaredError,MSE）3.2交叉熵损失（Cross-EntropyLoss）3.3平滑L1损失（SmoothL1Loss）3.4HingeLoss（合页损失）3.5二进制交叉熵损失（BinaryCross-EntropyLoss）3.6KL散度（KLDivergence）3.7Huber损失（HuberLoss）3.8对比
早起星人·2024-08-29 09:44

Python分布式任务处理库之dramatiq使用详解

概要在现代Web应用和数据处理任务中，异步任务处理是一个至关重要的部分。Dramatiq是一个用于分布式任务处理的Python库，旨在提供简单、可靠的任务队列解决方案。
Rocky006·2024-08-29 09:41

Pandas库性能优化指南：从基础到进阶（终）

Pandas是Python中广泛使用的数据处理库，凭借其强大的功能和易用性，深受数据科学家和开发者的青睐。然而，Pandas在处理大规模数据时可能会遇到性能瓶颈，导致执行效率低下。
小高要坚强·2024-08-29 09:40

Python在神经网络中优化激活函数选择使用详解

如果没有激活函数，神经网络仅仅是线性模型的堆叠，无法胜任深度学习中的各种任务。
Rocky006·2024-08-29 09:39

增强语音对车载语音质量测试的挑战

语音合成采用了混合单元选择系统，结合了单元选择和参数合成的优势，并通过深度学习进一步提升了语音质量。这种技术的应用，使得语音助手能够在车内环境中提供流畅自然且易于理解的语音交互体验。2
众乐认证·2024-08-29 08:05

TensorFlow和它的弟弟们

TensorFlow、TensorFlowLite、TensorFlowLiteMicro是Google在深度学习领域推出的三个不同产品，它们各自有着不同的设计目标和适用场景。
活蹦乱跳酸菜鱼·2024-08-29 08:31

Datawhale AI夏令营-task03

DatawhaleAI夏令营-task03笔记来源：DatawhaleAI夏令营数据增强基础数据增强是一种在机器学习和深度学习领域常用的技术，尤其是在处理图像和视频数据时。
ghost_him·2024-08-29 06:50

释放GPU潜能：PyTorch中torch.nn.DataParallel的数据并行实践

释放GPU潜能：PyTorch中torch.nn.DataParallel的数据并行实践在深度学习模型的训练过程中，计算资源的需求往往随着模型复杂度的提升而增加。
2401_85762266·2024-08-29 05:45
上一页 7 8 9 10 11 12 13 14 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他