深度学习--图像分割第16页

算法在嵌入式端的部署与优化

算法在嵌入式端的部署与优化前言理论1.参考资源2.其他1.将深度学习模型移植到嵌入式端时，提高推理速度的方法2.深度学习模型移植到嵌入式端的主要流程3.假设将已经训练好的目标检测模型（比如YOLOv3)

早日退休！！！·2025-06-13 16:50

语音活动检测模型SileroVAD

高精度检测基于深度学习（CNN/

大囚长·2025-06-13 14:33

嵌入式AI深度学习困局：当蛮力遇上巧劲，谁在拖后腿？

嵌入式AI深度学习困局：当蛮力遇上巧劲，谁在拖后腿？想象一下：你想在沙滩上找一枚硬币，深度学习就像雇了100个人手拉手地毯式搜索，而傅里叶变换就像先拿出金属探测器定位——前者累到吐血，后者轻松搞定。

宋一平工作室·2025-06-13 11:50

智能投顾多因子策略优化：借助AI人工智能实现弯道超车

智能投顾多因子策略优化：借助AI人工智能实现弯道超车关键词：智能投顾、多因子策略、人工智能、因子筛选、机器学习、策略优化、量化投资摘要：本文从智能投顾的核心——多因子策略出发，结合人工智能技术（如机器学习、深度学习

·2025-06-13 11:16

Hummingbird库：将机器学习模型转换为深度学习模型

引言随着深度学习在各个领域的广泛应用，研究人员和工程师开始探索如何将传统的机器学习模型（如决策树、随机森林等）转换为可以在GPU上高效运行的神经网络模型。

萧鼎·2025-06-13 10:34

向量、矩阵和张量的区别

向量、矩阵和张量是线性代数及深度学习中重要的概念，它们的核心区别在于维度和应用场景。

shangjg3·2025-06-13 09:59

深度学习编译器

1)深度学习编译器复杂个JB与通用自动编译工具不同，深度学习编译器结构更加复杂，包括图层优化、张量（Tensor）优化、代码生成、硬件部署、自动调优（AutoTuning）等几个部分。

·2025-06-13 08:25

Java面向对象编程（OOP）深度学习解析

前言本篇博客将对Java面向对象编程（OOP）进行一场深度学习解析，超越基础语法，深入其设计哲学、核心原则、实现机制以及在现代Java中的应用和最佳实践。

菜程序·2025-06-13 06:36

[凌智视觉模块] 基于rv1106实现车牌识别

车牌识别是一种基于计算机视觉和深度学习的技术，它利用图像处理、字符分割以及光学字符识别（OCR）算法自动提取车辆牌照中的文字与数字信息。

位东风·2025-06-13 05:00

RV1106 图像分割基于paddleseg

RV1106图像分割基于paddleseg图像分割1.基本知识简介1.1人像分割简介1.2人像分割常用方法2.C++API文档2.1RKNPU2Backend类2.1.1头文件2.1.2构造类函数2.1.3Initialize

Linzhenghan·2025-06-13 05:29

AIGC技术栈全解析：从底层原理到应用开发

AIGC技术栈全解析：从底层原理到应用开发关键词：AIGC技术栈、生成式AI、深度学习模型、多模态开发、应用架构设计摘要：本文系统解析AIGC（人工智能生成内容）技术栈的完整体系，从底层硬件基础设施到上层应用开发全链路展开

AI原生应用开发·2025-06-13 04:56

# PyTorch：深度学习世界的真实体验（从零到英雄之旅！）

文章目录PyTorch到底是个啥玩意儿？（别慌，超简单拆解）动态图vs静态图：PyTorch的杀手锏（和我的血泪史）核心组件：张量、神经网络和自动微分（保姆级指南）实战片段：训练一个Mini模型（手把手代码秀）PyTorch的闪光点和坑点（血淋淋的真相）我的个人建议：如何上手不迷路（掏心窝分享）结语：为什么PyTorch值得你拥抱？朋友们，你们知道那种感觉吗？第一次打开PyTorch的代码编辑器，

qq_21422587·2025-06-13 03:14

【深度学习】深度学习中的张量：从多维数组到智能计算单元

单个数1维向量（vector）[1.0,2.0,3.0]数组2维矩阵（matrix）[[1,2],[3,4]]表格或图像灰度图3维+张量（tensor）图像RGB、视频帧序列、语言嵌入序列等高维结构张量是深度学习中数据与

爱吃羊的老虎·2025-06-13 03:14

探索AI人工智能在数据分析中的无限潜力

探索AI人工智能在数据分析中的无限潜力关键词：AI人工智能、数据分析、机器学习、深度学习、数据挖掘、预测分析、数据可视化摘要：本文深入探讨了AI人工智能在数据分析领域的无限潜力。

AI大模型应用实战·2025-06-13 01:31

pytorch-frame开源程序适用于 PyTorch 的表格深度学习库，一个模块化深度学习框架，用于在异构表格数据上构建神经网络模型。

一、软件介绍文末提供程序和源码下载pytorch-frame开源程序适用于PyTorch的表格深度学习库，一个模块化深度学习框架，用于在异构表格数据上构建神经网络模型。

struggle2025·2025-06-13 00:27

PyTorch：让深度学习像搭积木一样简单有趣！

文章目录一、张量：PyTorch世界的万能积木块⚡二、动态计算图：你的神经网络"乐高说明书"三、神经网络模块化：像堆积木一样建模型四、训练三板斧：优化器/损失函数/数据加载1.数据管道（Dataset+DataLoader）2.损失函数选择指南3.优化器对比五、完整训练流程实战（MNIST手写数字识别）六、避坑指南&性能加速技巧常见坑点：加速秘籍：七、生态拓展：PyTorch的梦幻工具箱行动起来！

pythonpapaxia·2025-06-13 00:56

昇思训练营打卡第二十五天（RNN实现情感分类）

RNN，即循环神经网络（RecurrentNeuralNetwork），是一种深度学习模型，特别适用于处理序列数据。

qhcl246810·2025-06-13 00:20

Whisper使AI人工智能语音识别更精准可靠

Whisper使AI人工智能语音识别更精准可靠关键词：Whisper、语音识别、AI模型、自动语音识别(ASR)、深度学习、Transformer、语音处理摘要：本文深入探讨了OpenAI开发的Whisper

AI天才研究院·2025-06-12 23:44

（十二）深度学习计算性能：硬件架构、算法效率与理论极限分析

1编译器和解释器在深度学习中，编译器和解释器是两种不同的执行模式，它们对模型的执行效率和灵活性有着重要影响。

只有左边一个小酒窝·2025-06-12 21:01

深度学习基础知识总结

1.BatchNorm2d加速收敛：BatchNormalization可以使每层的输入保持较稳定的分布（接近标准正态分布），减少梯度更新时的震荡问题，从而加快模型训练速度。减轻过拟合：批归一化引入了轻微的正则化效果，因为它依赖于mini-batch中的统计信息，这种方式可以减少对单个样本的过度拟合。提高模型性能：在训练过程中，BatchNormalization通过动态调整激活值的分布，让模型更

·2025-06-12 21:58

图卷积网络：从理论到实践

图卷积网络（GraphConvolutionalNetworks,GCNs）彻底改变了基于图的机器学习领域，使得深度学习能够应用于非欧几里得结构，如社交网络、引文网络和分子结构。

Morpheon·2025-06-12 20:52

元学习与Transformer的结合：Meta-Transformer架构解析

元学习与Transformer的结合：Meta-Transformer架构解析关键词：元学习、Transformer、Meta-Transformer、架构解析、深度学习摘要：本文主要探讨了元学习与Transformer

AI智能探索者·2025-06-12 19:16

【深度学习-Day 26】正则化神器 Dropout：随机失活，模型泛化的“保险丝”

Langchain系列文章目录01-玩转LangChain：从模型调用到Prompt模板与输出解析的完整指南02-玩转LangChainMemory模块：四种记忆类型详解及应用场景全覆盖03-全面掌握LangChain：从核心链条构建到动态任务分配的实战指南04-玩转LangChain：从文档加载到高效问答系统构建的全程实战05-玩转LangChain：深度评估问答系统的三种高效方法（示例生成、手

吴师兄大模型·2025-06-12 18:37

RK3588平台开发系列：RKNPU Android的介绍和示例代码

RKNPU是Rockchip公司自家研发的神经网络处理器，它可以在边缘设备上高效地执行深度学习推理任务。在本文中，我们将详细介绍RKNPUAndroid的功能和使用方法，

天使问过的键盘·2025-06-12 18:35

目标检测与图像分割：协同分析图像信息

1.背景介绍1.1计算机视觉领域的重要任务目标检测和图像分割是计算机视觉领域中两个至关重要的任务，它们在许多应用场景中扮演着关键角色，例如自动驾驶、医疗影像分析、机器人视觉等。

AI天才研究院·2025-06-12 17:34

提升社保服务效率-社保卡识别接口-社保ocr api

社保卡识别接口主要基于ocr技术，融合图像处理、模式识别、深度学习等技术高效提取并结构化呈现社保卡上的核心信息，包括但不限于持卡人姓名、社会

·2025-06-12 17:32

基于YOLOv10的YCB物体与模型集目标检测应用——玩具、厨房物品、家居物品等目标检测

在这一领域中，深度学习方法，尤其是基于YOLO（YouOnlyLookOnce）系列的目标检测模型，已成为目前最为流行的技术之一。

YOLO实战营·2025-06-12 17:32

树莓派 5 AI 套件（Hailo-8L）使用教程

系列文章目录目录系列文章目录前言一、人工智能模块功能二、安装三、入门3.1前提条件3.2硬件设置3.3演示3.3.1目标检测3.3.2图像分割3.3.3姿势估计四、更多资源五、产品简介前言TheRaspberryPiAIKitRaspberryPiAI

kuan_li_lyg·2025-06-12 15:17

深入理解 transforms.Normalize()：PyTorch 图像预处理中的关键一步

深入理解transforms.Normalize()：PyTorch图像预处理中的关键一步在使用PyTorch进行图像分类、目标检测等深度学习任务时，我们常常会在数据预处理部分看到如下代码：python

述雾学java·2025-06-12 12:59

评价分类器性能的方法有

在机器学习和深度学习中，有许多不同的方法可以用来评估模型的性能。以下是一些常用的模型评估方法：准确率（Accuracy）：准确率是分类问题中最直接的评估指标，它表示模型预测正确的样本所占的比例。

王摇摆·2025-06-12 10:42

python设置了随机种子seed后，结果仍然会变动

问题深度学习训练时，可以通过seed种子设置保持结果的可复现性，如下所示defset_seed(my_seed):os.environ['PYTHONHASHSEED']=str(my_seed)random.seed

myccver·2025-06-12 08:55

将对透视变换后的图像使用Otsu进行阈值化，来分离黑色和白色像素。这句话中的Otsu是什么意思？

Otsu是一种自动阈值化方法，用于将图像分割为前景和背景。它通过最小化图像的类内方差或等价地最大化类间方差来选择最佳阈值。

黄卷青灯77·2025-06-12 06:41

【Python 进阶3】常见的 call 和 forward 区别

在Python和深度学习框架（如PyTorch）中，__call__和forward是两个不同的概念，它们的用途和实现方式有明显区别：1.

多恩Stone·2025-06-12 02:22

如何在Keras中使用Lambda层构建、保存和加载模型

在深度学习领域，Keras是一个广受欢迎且易于使用的构建深度学习模型的库。它支持多种常见的层类型，如输入层、全连接层、卷积层、转置卷积层、重塑层、归一化层、随机失活层、展平层以及激活层等。

t0_54program·2025-06-12 01:45

Python爬虫实战：自动提交表单与验证码识别的终极指南

Python爬虫项目·2025-06-11 23:30

手把手教你学Simulink--四翼无人机场景（51.6）：四翼无人机基于深度学习的目标识别控制仿真

目录一、准备工作二、步骤详解第一步：创建Simulink模型第二步：定义四翼无人机动力学模型第三步：准备深度学习模型第四步：实现图像处理与目标识别第五步：融合目标信息与导航控制示例：状态转移函数和测量函数第六步

小蘑菇二号·2025-06-11 22:56

深度学习框架pytorch入门与实践

深度学习框架pytorch是由Facebook开发的一种开源机器学习库，它可以用于构建和训练神经网络模型。本文将介绍pytorch的入门知识和实践技巧。

风吹晚风悠·2025-06-11 21:48

Hugging Face基础入门

Transformers库全景图HuggingFace与深度学习的融合安装Transformers与Datasets第一个Pipeline程序：一行代码跑大模型在CPU、GPU上运行的区别pipeline

·2025-06-11 21:45

（九）现代循环神经网络（RNN）：从注意力增强到神经架构搜索的深度学习演进

现代循环神经网络的内容，将介绍几种先进的循环神经网络架构，包括门控循环单元（GRU）、长短期记忆网络（LSTM）的变体，以及注意力机制等。这些内容将帮助你更深入地理解循环神经网络的发展和应用。1门控循环单元（GRU）门控循环单元（GatedRecurrentUnit,GRU）是一种高效的循环神经网络架构，旨在解决传统RNN中的梯度消失和爆炸问题。GRU通过引入门控机制来控制信息的流动，使得模型能够

·2025-06-11 21:15

（十）量子注意力机制：深度学习与量子计算的交叉融合探索

1注意力机制的基本概念注意力机制（AttentionMechanism）是一种允许模型在处理输入序列时动态关注不同部分的机制。它通过计算输入序列中各个位置的重要性权重，使模型能够更好地捕捉关键信息。这一机制在自然语言处理、计算机视觉等多个领域取得了显著的成果。1.1注意力机制的核心思想在传统的序列模型中，如循环神经网络（RNN），模型在处理每个时间步时，通常会使用固定长度的上下文（如前一个隐藏状态

只有左边一个小酒窝·2025-06-11 21:15

医疗风险预测AI模型：机器学习与深度学习方法的深度分析与实践

Allen_Lyb·2025-06-11 21:12

5个常用的主干网络模型

5个常用的主干网络模型在深度学习行业中，目标检测是一大类应用，网络主要由三部分结构组成，主干网络、颈部网络、检测头，它们在网络中分别扮演者提取特征、二次处理特征（一般是融合、多尺度提取）、提取目标信息（

思绪漂移·2025-06-11 20:10

TensorRT × TVM 联合优化实战：多架构异构平台的统一推理加速与性能调优全流程

TensorRT×TVM联合优化实战：多架构异构平台的统一推理加速与性能调优全流程关键词TensorRT、TVM、异构推理优化、跨平台部署、GPU加速、NPU融合、自动调度、深度学习推理引擎、性能调优摘要在深度学习模型推理部署场景中

观熵·2025-06-11 19:31

Deep Lake 简介

DeepLake简介DeepLake是由Activeloop开发的一款开源深度学习数据湖（DeepLearningDataLake），专为人工智能时代设计，旨在解决深度学习项目中数据管理的复杂性与低效问题

·2025-06-11 19:57

【深度学习解惑】结合神经网络结构剪枝或知识蒸馏，能否把 Inception 精剪到 mobile‑friendly 仍保持精度？

Inception系列模型移动端压缩研究报告摘要Inception系列卷积神经网络（如GoogLeNet/Inceptionv1、v3等）通过模型剪枝和知识蒸馏等压缩技术可以显著减小模型规模，使其更适合移动端部署，同时保持较高的推理准确率。研究表明，大型Inception模型经过结构化剪枝可在参数量减少约10倍的情况下仅造成很小的精度下降；例如，Inception-v3模型即使剪除87.5%的权重

云博士的AI课堂·2025-06-11 16:12

【深度学习解惑】NAS（神经架构搜索）是否能自动发现 Inception 类似的多分支结构？已有哪些工作验证？

目录核心命题与验证NAS发现多分支结构的原理关键验证工作与实验代码实现范式挑战与未来方向参考文献1.核心命题与验证核心命题：“NAS能否在不预设先验的情况下，自动发现类似Inception的多尺度并行结构？”验证结论：✅已被多项研究证实：GoogleBrain的PNASNet(2018)首次通过NAS发现密集分支连接结构MIT的FBNetV3(2021)在移动端搜索出类Inception的"多核并

云博士的AI课堂·2025-06-11 16:42

【深度学习实战】图像二分类任务的精度优先模型推荐