音视频深度学习

李沐深度学习-多层感知机从零开始

！！！梯度的产生是由于反向传播，在自定义从零开始编写代码时，第一次反向传播前应该对params参数的梯度进行判断importtorchimportnumpyasnpimporttorch.utils.dataasDataimporttorchvision.datasetsimporttorchvision.transformsastransformsimportsyssys.path.append
大小猫吃猫饼干·2024-01-23 02:16

【AI】深度学习在编码中的应用（11）

——隐式神经表示隐式神经表示（ImplicitNeuralRepresentations,INR）是近年来在深度学习和计算机视觉领域中涌现的一种技术。
giszz·2024-01-23 00:37

【AI】深度学习在编码中的应用（10）

目录先看2个定义：P帧和B帧基于层次学习的高效视频压缩技术基于B帧的B-EPIC方法今天来学习编码配置优化技术。先看2个定义：P帧和B帧在视频压缩中，P帧和B帧都是关键的概念，它们与I帧一起构成了视频压缩的三种基本帧类型。P帧，即预测帧，是通过充分降低图像序列中前面已编码帧的时间冗余信息来压缩传输数据量的编码图像。它采用运动补偿的方法传送它与前面的I帧或P帧之间的差值及运动矢量，解码时必须将这一差
giszz·2024-01-23 00:36

【AI】深度学习在编码中的应用（4）

目录一、基于自编码器的架构二、基于可逆网络的架构三、基于GAN模型的架构四、多层结构图像压缩框架今天学习和梳理基础架构设计的4种模式：一、基于自编码器的架构在人工智能应用中，自编码器（Autoencoder,AE）是一种无监督的神经网络模型，用于学习输入数据的编码表示（即特征），并能够从这种编码表示中重构原始数据。自编码器通常用于数据降维、特征学习、去噪等任务。在基础架构设计中，基于自编码器的架构
giszz·2024-01-23 00:34

pytorch和pycharm的区别

PyTorch是一个深度学习框架，它主要用于深度学习模型的开发、训练和部署。它提供了很多用于深度学习的工具，例如自动求导、神经网络构建和训练等。
low sapkj·2024-01-23 00:02

深入浅出Pytorch(一）

Task01:Pytorch认知和安装python实现的深度学习的科学计算包，提供了一套深度学习框架。发展好，框架简洁，项目开源，上手快。
qq_42194332·2024-01-23 00:31

RTMPANE——在AIR内推送RTMP流

rtmpANE可以将Flash(air)场景内的任意元件、摄像头或整个场景编码为h264格式的视频，麦克风的原始pcm数据编码为aac音频，然后将音视频混流推到rtmp服务器。
西部秋虫·2024-01-23 00:01

基于图神经网络与深度学习的商品推荐算法

传统做法现阶段局限创新方法结果相关工作目前推荐算法基于矩阵分解的推荐算法基于深度学习的推荐算法基于图神经网络的推荐算法创新点模型设计本文的核心任务是训练出一个模型LGDL模型框架嵌入层ID特征嵌入评论文本特征嵌入前向传播层关联关系提取偏好特征提取评分预测层模型优化传统做法利用深度学习方法从用户
谦谦菜鸟·2024-01-23 00:58

势逼 React Native，跨平台开发框架 Flutter 很凶猛

Flutter的2019很是精彩：声网开源了Flutter实时音视频插件AgoraFlutterSDK；闲鱼开源了Flutter应用框架FishRedux；今日头条即将开源能让Flutter真正支持View
Android姿态·2024-01-22 23:41

深度学习记录--指数加权平均

指数加权移动平均(exponentiallyweightedmovingaverages)如何对杂乱的数据进行拟合？通过指数加权平均可以把数据图近似拟合成一条曲线公式：其中表示第t个平均数，表示第t-1个平均数，表示第t个数据，表示变化参数下图为拟合结果()当参数变化时，拟合结果也会发生变化例子：时，近似取10个数据平均值(红色曲线)时，近似取50个数据平均值(绿色曲线)时，近似取2个数据平均值(
蹲家宅宅·2024-01-22 22:05

python有必要学数据结构么_学习算法必须要了解的数据结构

本文首发于公众号《深度学习与Python》，欢迎关注瑞士计算机科学家尼克劳斯沃斯于1976年写了一本书提出算法+数据结构=程序，40多年后，这个等式仍然成立。
h61102725·2024-01-22 22:32

十分钟带你复现YOLOv8

YOLOv8是Ultralytics在2023年初推出的一个重大更新版本，建立在以前YOLO版本成功的基础上，基于深度学习和计算机视觉的前沿进展，采用最先进的SOTA模型，引入了
Hello阿尔法·2024-01-22 21:02

【算法小记】深度学习——循环神经网络相关原理与RNN、LSTM算法的使用

文中程序以Tensorflow-2.6.0为例部分概念包含笔者个人理解，如有遗漏或错误，欢迎评论或私信指正。卷积神经网络在图像领域取得了良好的效果，卷积核凭借优秀的特征提取能力通过深层的卷积操作可是实现对矩形张量的复杂计算处理。但是生活中除了图像这样天然以矩阵形式存储的数据以外，还有众多以时间轴方向的连续数据。例如传感器的采集的复合数据，某个事件的历史发展数据等。同时我们日常生活中无时无刻存在的自
絮沫·2024-01-22 20:24

深度学习笔记（九）——tf模型导出保存、模型加载、常用模型导出tflite、权重量化、模型部署

文中程序以Tensorflow-2.6.0为例部分概念包含笔者个人理解，如有遗漏或错误，欢迎评论或私信指正。本篇博客主要是工具性介绍，可能由于软件版本问题导致的部分内容无法使用。首先介绍tflite:TensorFlowLite是一组工具，可帮助开发者在移动设备、嵌入式设备和loT设备上运行模型，以便实现设备端机器学习。框架具有的主要特性：延时（数据无需往返服务器）隐私（没有任何个人数据离开设备）
絮沫·2024-01-22 20:20

【音视频原理】图像相关概念 ② ( 帧率 | 常见帧率标准 | 码率 | 码率单位 )

文章目录一、帧率1、帧率简介2、常见帧率标准3、帧率=刷新率二、码率1、码率简介2、码率单位一、帧率1、帧率简介帧率FrameRate,帧指的是是画面帧,帧率是画面帧的速率;帧率的单位是FPS,FramesPerSecond,是每秒钟的画面帧个数;帧率是动画/电影/游戏的每秒钟的画面数,用于测量视频的信息数量;帧率越高,视频信息数量越多;帧率与流畅度相关,帧率越高,流畅度越高,需要的设备性能越高;
韩曙亮·2024-01-22 20:13

目标文献分析方法

发现问题选择方向调查研究分析论证确定选题中国知网深度学习+方向词1检索：深度学习医疗影像1发表时间要最新2显示50个，全选3导出文献格式Ref4导出，保存5利用citespace整理热门词，定研究问题4
小蒋的学习笔记·2024-01-22 20:03

因为优点而恋爱，因为缺点而结婚丨《男人来自火星，女人来自金星》（2）

于是就出了一大批类似情节的抖音视频：女：亲爱的，今天我从医院回来的路上，看到你的AJ在搞活动！男：真的吗？打几折？女（怒）：哼！你一点都不爱我！！你都不问我去医院干什么，哪里不舒服，光
卡萨布兰史塔克的卡·2024-01-22 20:38

保留图片原画质图片无损放大

该功能利用了人工智能和深度学习技术，通过对大量图片的学习和分析，
yun132792·2024-01-22 20:54

使用Python对音频进行特征提取

在几年前写的使用Python对音频进行特征提取使用的是人为特征的方法进行特征提取的，近些年随着深度学习的普及，这里尝试使用深度学习方法进行特征提取。
bagell·2024-01-22 19:12

程序员，想转型人工智能吗？先补补数学课吧！

人工智能很火，也很高端，深度学习、机器学习、视觉识别，听上去就很高大上。而且不仅仅是听上去高大上，现实当中确实也是实实在在的高大上。在互联网圈子里，有一句话流传甚广：得人工智能者得天下。
月落无敌·2024-01-22 18:46

【深度学习目标检测】十七、基于深度学习的洋葱检测系统-含GUI和源码（python，yolov8）

使用AI实现洋葱检测对农业具有以下意义：提高效率：AI技术可以快速、准确地检测出洋葱中的缺陷和问题，从而提高了检测效率，减少了人工检测的时间和人力成本。提高准确性：AI技术通过大量的数据学习和分析，能够更准确地识别出有缺陷的洋葱，降低了误判和漏检的可能性。提高农产品质量：通过AI技术对洋葱进行检测，可以及时发现并处理有缺陷的产品，从而提高了农产品的整体质量。提供决策支持：AI技术可以通过数据分析，
justld·2024-01-22 17:29

【AI】深度学习在编码中的应用（5）

接上，我们今天来梳理和学习第2步，分析/合成变换的几种方式。一、基于RNN架构的方法基于RNN架构的方法定义：在分析/合成变换中，基于RNN（循环神经网络）架构的方法是指利用RNN模型来学习和表示输入数据（如序列数据）中的模式、结构和依赖关系，并根据这些学习到的特征来进行分析或合成新的数据。RNN具有循环连接的特性，能够处理变长输入和输出，并捕捉序列中的时序信息。特点：时序建模：RNN能够捕捉序列
giszz·2024-01-22 17:29

超级简单的跨平台高性能音视频播放框架QtAv编译指南

目录一、了解QtAv二、相关文章三、下载QtAv源码四、下载QtAv依赖库五、设置环境变量1、gcc设置方式2、msvc(cl)设置方式六、编译七、测试
weixin_34400525·2024-01-22 16:50

QtAV：基于Qt和FFmpeg的跨平台高性能音视频播放框架

目录一.简介1.特性2.支持的平台3.简单易用的接口二.编译1.下载依赖包2.开始编译2.1克隆2.2修改配置文件2.3编译三.试用一.简介官网地址：http://www.qtav.org/Github地址：https://github.com/wang-bin/QtAV1.特性●支持大部分播放功能●播放、暂停、播放速度、快进快退、字幕、音量、声道、音轨、动态渲染器切换、视频均衡器、帧上和渲染器上
草上爬·2024-01-22 16:17

“深度学习”之感

第一次听到“深度学习”这个问题，我全蒙了，想着学习还要深度学习，什么是深度学习，怎么深度学习呢？图片发自App听了贾老师的课，才知道什么是“深度学习”，让我受益匪浅。
陇西060张艳·2024-01-22 15:40

PyTorch深度学习实战（31）——生成对抗网络(Generative Adversarial Network, GAN)

PyTorch深度学习实战（31）——生成对抗网络0.前言1.GAN2.GAN模型分析3.利用GAN模型生成手写数字小结系列链接0.前言生成对抗网络(GenerativeAdversarialNetworks
盼小辉丶·2024-01-22 15:46

CVPR 2023: Analyzing and Diagnosing Pose Estimation With Attributions

例如，使用深度学习网络直接回归关键点坐标或生成突出显示可能的关节位置的热图的研究。可解释性方法：这个领域专注于理解姿态估计模型如何做出决策。
结构化文摘·2024-01-22 14:00

我们的电商梦

我们可以拍小视频，发文章发图片，搞电商，建专栏建圈子，抖音视频带货，结合飞聊建小组促进粉丝转化购买。
锄木禾·2024-01-22 13:08

【AI】深度学习在编码中的应用（6）

目录一、熵模型和自适应熵编码1.1区别1.2联系二、关于自适应熵模型前面我们讨论了基础架构设计、分析合成变换，本文来梳理和学习编码的第三步，自适应熵模型。一、熵模型和自适应熵编码自适应熵模型和熵编码在概念和应用上有一些区别，同时也存在一定的联系。1.1区别——定义与目标自适应熵模型：是一种能够根据输入数据的特性自动调整其内部参数以优化信息表示和处理的模型。它的目标是实现数据的高效表示和处理，例如通
giszz·2024-01-22 13:02

【AI】深度学习在编码中的应用（8）

接上文，本文来梳理和学习智能编码中，基于残差编码的框架。智能图像编解码器的成功也推动了智能视频编解码器的发展。传统的视频压缩方法依靠预测编码对运动信息和残差信息分别进行编码。根据时-空域冗余消除方式和阶段不同，现有相关方法可分为基于残差编码的框架、基于条件编码的框架、基于3D自编码器的框架和其他架构。基于残差编码的框架，首先基于已解码参考帧，生成当前待编码帧的运动信息，然后生成运动补偿预测帧，最后
giszz·2024-01-22 13:02

【AI】深度学习在编码中的应用（9）

接上，本文来讨论基于条件熵编码的框架。智能图像压缩中的基于条件熵编码的框架是一种先进的编码技术，它利用图像数据的统计特性来实现高效的压缩。以下是关于该框架的定义、原理、优势和劣势，以及关键技术的详细解释，同时包括框架中的主要组成部分及其阐述。定义基于条件熵编码的框架是一种图像压缩方法，它通过分析图像数据的条件概率分布来编码像素或特征，从而达到减少数据存储量的目的。条件熵是衡量在已知某些条件下，随机
giszz·2024-01-22 13:02

【AI】深度学习在编码中的应用（7）

目录一、损失函数在图像压缩中的应用二、损失函数的常见指标2.1感知指标2.2经典失真指标本文来梳理和学习人工智能编码的第4个环节损失函数设计。一、损失函数在图像压缩中的应用损失函数用于指导图像压缩算法的优化过程。在设计图像压缩系统时，常用的损失函数包括重构损失（reconstructionloss）和感知损失（perceptualloss）。重构损失：衡量压缩后图像与原始图像之间的差异，通常使用像
giszz·2024-01-22 13:01

WorkPlus AI助理私有化部署，助力企业降本增效

通过深度学习和自然语言处理技术，WorkPlusA
恒拓高科WorkPlus·2024-01-22 12:00

9 | Tensorflow中的batch批处理

在深度学习中，批处理通常用于提高训练的效率和稳定性。在TensorFlow中，可以使用tf.data.DatasetAPI来设置和处理批处理数据。
RunsenLIu·2024-01-22 12:19

ChatGPT 和文心一言哪个更好用？

这些模型通过大规模的数据预训练和深度学习算法的优化，不断提升其语言理解和生成能力。首先，这些模型在智能回复方面有了显著的进步。它们能够理解用户的问题和意图，快速生成连贯、自然的回答。
和Ye哥学架构·2024-01-22 12:21

动手做个无人机—材料篇

因为该款无人机需要基于深度学习的目标检测，需要较高的算力，而以树莓派4为例，它配备了博通BCM2711So
笑傲江湖2023·2024-01-22 11:21

人脸自收集数据集辅助制作工具——人脸区域数据提取

综述我们在进行人脸识别深度学习算法研究过程中除了使用开源带标签的数据以外，都会用到大量自收集的图像数据（开源/爬虫/自拍等），然这些数据大多数是没有人脸区域标注标签的。
彧侠·2024-01-22 11:52

交通路标识别(教程&代码)

交通路标识别是一种基于计算机视觉和深度学习技术的应用，旨在通过自动识别和分类交通路标来提高交通安全和效率。
毕设阿力·2024-01-22 10:28

图像分类保姆级教程-深度学习入门教程（附代码）

然而，随着深度学习的发展，图像分类问题已经得到了显著的改善。深度学习模型可以自动地从大量的数据中学习到特征表示，并且能够处理高维度数据的非线性关系，这使得对于复杂的图像分类问题更加容易解决。在深
毕设阿力·2024-01-22 10:27

深度学习记录--学习率衰减(learning rate decay)

学习率衰减mini-batch梯度下降最终会在最小值附近的区间摆动(噪声很大)，不会精确收敛为了更加近似最小值，采用学习率衰减的方法随着学习率的衰减，步长会逐渐变小，因此最终摆动的区间会很小，更加近似最小值如下图，蓝色曲线表示mini-batch梯度下降，绿色曲线表示采用学习率衰减的梯度下降学习率衰减的实现1epoch=遍历数据1次是学习率衰减的超参数，是初始学习率，是遍历次数其他衰减方案是初始学
蹲家宅宅·2024-01-22 10:12

深度学习记录--Adam optimization algorithm

Adam优化算法momentum和RMSprop的结合初始化参数：先进行momentum过程：然后进行RMSprop过程：接着进行偏差修正：,,最后更新权重：超参数的设置一般地，学习率需要经过多次调试之后才可得到其他超参数一般设置为：
蹲家宅宅·2024-01-22 10:12

深度学习记录--RMSprop均方根

RMSprop(rootmeansquareprop)减缓纵轴方向学习速度，加快横轴方向学习速度，从而加速梯度下降方法：原理：不妨以b为纵轴，w为横轴(横纵轴可能会不同，因为是多维量)为了让w梯度下降更快，则要使S_dw尽量小，即w每次减去一个大数字，所以w梯度下降更快为了让b梯度下降更慢，则要使S_db尽量大，即b每次减去一个小数字，所以b梯度下降更慢为了防止分母趋近于0，则加上一个常量，一般设
蹲家宅宅·2024-01-22 10:42

深度学习记录--Momentum gradient descent

Momentumgradientdescent正常的梯度下降无法使用更大的学习率，因为学习率过大可能导致偏离函数范围，这种上下波动导致学习率无法得到提高，速度因此减慢(下图蓝色曲线)为了减小波动，同时加快速率，可以使用momentum梯度下降：将指数加权平均运用到梯度下降，成为momentum梯度下降(图中红色曲线)原理：纵轴上，平均过程中正负数相互抵消，所以纵轴上的平均值接近于0横轴上，所有的微
蹲家宅宅·2024-01-22 10:11

深度学习bug笔记

目录1、WARNING:Ignoringinvaliddistribution-ip2、ValueError:check_hostnamerequiresserver_hostname3、ValueError:onlyoneelementtensorscanbeconvertedtoPythonscalars4、TypeError:‘int‘objectisnotiterable5、pandas的
机器学习杨卓越·2024-01-22 10:33

《深度学习之美》读书笔记章三

这一篇文章介绍第三章机器学习的分类。第三章“机器学习”三重门，“中庸之道”趋若人机器学习分为三大类：监督学习，非监督学习，半监督学习3.1监督学习3.1.1感性认知监督学习监督学习：从有标签的训练数据中学习模型，然后给定某个新数组，利用模型预测它的标签。这里的标签可以理解为事物的分类。3.1.2监督学习的形式化描述在监督学习中，根据目标预测变量的类型不同，可以分为回归分析和分类学习。回归分析包括：
wenju_song·2024-01-22 10:38

【深度学习每日小知识】Object Detection 目标检测

对象检测有多种方法，包括基于手工特征的传统方法和基于深度学习的最新方法。传统方法通常涉及从图像中提取一组手工制作的特征，例如颜色、纹理和形状，并使用这些特征来训练分类器来识别对象。最近基于深度
jcfszxc·2024-01-22 10:29

【深度学习：Word embeddings 】理解深度学习中的文本表示

【深度学习：Wordembeddings】理解深度学习中的文本表示将文本表示为数字One-hotencodings独热编码使用唯一的数字对每个单词进行编码词嵌入设置下载IMDb数据集配置数据集以提高性能使用嵌入层文本预处理创建分类模型编译和训练模型检索经过训练的单词嵌入并将其保存到磁盘可视化嵌入下一步工作本教程包含单词嵌入的介绍
jcfszxc·2024-01-22 10:29

【深度学习：数据增强 】提高标记数据质量的 5 种方法

【深度学习：数据增强】提高标记数据质量的5种方法计算机视觉中常见的数据错误和质量问题？为什么需要提高数据集的质量？
jcfszxc·2024-01-22 10:29

【深度学习每日小知识】NLP 自然语言处理

自然语言处理(NLP)是人工智能(AI)的一个子领域，处理计算机和人类（自然）语言之间的交互。它涉及使用算法和统计模型使计算机能够理解、解释和生成人类语言。NLP是人工智能领域的重要工具，广泛应用于语言翻译、文本分类和聊天机器人等领域。在NLP中，存在许多重大困难，例如句法歧义、语义歧义和上下文歧义。句法歧义描述的是相同的单词根据上下文和句子结构可能表示不同的事物的情况。根据使用上下文的不同，单词
jcfszxc·2024-01-22 10:26

iOS开发之移动直播技术秒开、直播优化经验、直播问题解析、直播知识解惑

本文由徐立在高可用架构群分享，来自高可用架构「ArchNotes」现今移动直播技术上的挑战要远远难于传统设备或电脑直播，其完整的处理环节包括但不限于：音视频采集、美颜/滤镜/特效处理、编码、封包、推流、
iOS_developer_zhong·2024-01-22 09:10
上一页 49 50 51 52 53 54 55 56 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他