Machine Learning Mastery 计算机视觉教程 通道在前和通道在后图像格式的温和介绍 深度学习在计算机视觉中的 9 个应用 为 CNN 准备和扩充图像数据的最佳实践 8 本计算机视觉入门书籍 卷积层在深度学习神经网络中是如何工作的？ DeepLearningAI 卷积神经网络课程（复习） 如何在 Keras 中配置图像数据扩充 如何从零开始为 CIFAR-10 照片分类开发 CNN 用于 Fashion-MNIST 服装分类的深度学习 CNN 如何为 MNIST 手写数字分类开发 CNN
Machine Learning Mastery 机器学习算法教程 机器学习算法之旅 利用隔离森林和核密度估计的异常检测 机器学习中的装袋和随机森林集成算法 从零开始实现机器学习算法的好处 更好的朴素贝叶斯：从朴素贝叶斯算法中收益最大的 12 个技巧 机器学习的提升和 AdaBoost 选择机器学习算法：Microsoft Azure 的经验教训 机器学习的分类和回归树 什么是机器学习中的混淆矩阵 如何使用 Python 从零开始创建算法测试工具 通过创建机器学习算法的目标列表来获得控制权 机器学习中算法
李林 编译自 pyimagesearch 作者 Adrian Rosebrock 量子位 报道 | 公众号 QbitAI OpenCV是一个2000年发布的开源计算机视觉库，有进行物体识别、图像分割、
花朵识别系统，基于Python实现，深度学习卷积神经网络，通过TensorFlow搭建卷积神经网络算法模型，并对数据集进行训练最后得到训练好的模型文件，并基于Django搭建可视化操作平台。
当使用libtorch进行C++深度学习开发时，有时可能会遇到错误error C1021: 无效的预处理器命令“warning”。这个错误意味着在源代码中使用了无效的预处理器命令warning，通常是因为在编译时开启了特定的警告选项。本篇文章将详细介绍这个错误的原因以及如何解决它。
📷 向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程 公众号：datayx 之前只用过单线程处理，加载模型进行测试，运行时间上也可以接受。但是现在需要处理比较大量的数据，如果进行线性处理，可能测试一次就花10个小时，而且还不知道结果怎么样，所以多线程就必须使用上了。有关线程部分主要参考：https://junyiseo.com/python/211.html 1 多线程 多线程类似于同时执行多个不同程序，线程在执行过程中与进程还是有区别的。每个独立的进程有一个程序运行的入口、顺序执行序列和程
大数据文摘授权转载自数据派THU 作者：陈之炎 对于据科学的初学者来说，利用开源的深度学习框架，可以大幅度简化复杂的大规模度学习模型的实现过程。在深度学习框架下构建模型，无需花费几天或几周的时间从头开始编写代码，便可以轻松实现诸如卷积神经网络这样复杂的模型。在本文中，将介绍几种非常有用的深度学习框架、它们的优点以及应用，通过对每个框架进行比较，研发人员了解如何有选择地使用它们，高效快捷完成项目任务。 深度学习框架概述 深度学习框架是一种界面、库或工具，它使编程人员在无需深入了解底层算法的细节的情况下，能够更
本文通过详细且实践性的方式介绍了 PyTorch 的使用，包括环境安装、基础知识、张量操作、自动求导机制、神经网络创建、数据处理、模型训练、测试以及模型的保存和加载。
向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程 公众号：datayx 一、介绍 批量文字识别（OCR）是Python办公自动化的基本操作，应用在我们工作生活中的方方面面，比如车牌识别、证件识别、银行卡识别、票据识别等等。 Python中OCR第三方库非常多，比如easyocr、PaddleOCR、cnocr等等。 EasyOCR 是一个用 Python 编写的 OCR 库，用于识别图像中的文字并输出为文本，支持 80 多种语言。 检测部分使用CRAFT算法，识别模型为CRNN，由3个组件组
使用tf.keras，您可以设计，拟合，评估和使用深度学习模型，从而仅用几行代码即可做出预测。它使普通的深度学习任务（如分类和回归预测建模）可供希望完成任务的普通开发人员使用。
Keras库为深度学习提供了一个相对简单的接口，使神经网络可以被大众使用。然而，我们面临的挑战之一是将Keras的探索模型转化为产品模型。Keras是用Python编写的，直到最近，这个语言之外的支持还很有限。虽然Flask，PySpark和Cloud ML等工具可以直接在Python中产品化模型，但我通常更喜欢使用Java来部署模型。
scikit-learn（简称sklearn）是一个广泛使用的Python机器学习库，它提供了丰富的功能和工具，用于数据挖掘和数据分析。它构建在NumPy，SciPy和matplotlib等科学计算库的基础上，使得使用者可以轻松地进行机器学习模型的构建、训练和评估等工作。 本文将介绍sklearn库的基本概念和常用功能，并利用示例代码演示如何使用sklearn进行机器学习模型的训练和评估。
对于学习数据科学的同学来说，从头开始实现神经网络，会让你理解很多有趣的东西。但是，我并不认为在真实数据集上构建深度学习模型是个明智的做法，除非你有数天或数周的时间来等待模型的构建。那么对于绝大部分无法获得无限资源的人来说，使用易于使用的开源深度学习框架，我们可以立即实现如卷积神经网络这样的复杂模型。
在今天博客的最后，你将会了解如何在你自己的数据库中建立、训练并评估一个卷积神经网络。
深度学习是机器学习中一种基于对数据进行表征学习的方法，作为当下最热门的话题，谷歌、Facebook、微软等巨头纷纷围绕深度学习做了一系列研究，一直在支持开源深度学习框架的建设。 深度学习是机器学习中一种基于对数据进行表征学习的方法，作为当下最热门的话题，谷歌、Facebook、微软等巨头纷纷围绕深度学习做了一系列研究，一直在支持开源深度学习框架的建设。 过去一年间，在这些巨头的加持下，深度学习框架格局发生了极大改变：新框架横空出世，旧的框架也逐渐退出历史舞台，而框架与框架之间的联系也更加紧密，生态更为开放。
导语：在这篇 Keras 教程中, 你将学到如何用 Python 建立一个卷积神经网络!事实上, 我们将利用著名的 MNIST 数据集, 训练一个准确度超过 99% 的手写数字分类器. 开始之前, 请
TensorRT（TensorRT ）是一个高性能深度学习推理优化器和运行时引擎，用于在 NVIDIA GPU 上加速深度学习推理。然而，在使用TensorRT时，我们可能会遇到一些错误提示。其中，一个常见的错误是：[TensorRT] ERROR: Network must have at least one output。本文将详细解释这个错误的含义，以及如何解决它。
选自pyimagesearch 作者：Adrian Rosebrock 机器之心编译 参与：Panda 圣诞将至，你可能已经在商场、公园或自家的烟囱里发现了圣诞老人。随着机器识别技术的发展，用人工智能来识别路过或来送礼物的圣诞老人似乎是个不错的选择。近日，Adrian Rosebrock 在 PyImageSearch 上发表了一篇教程，介绍了在树莓派上使用 Keras 实现深度学习圣诞老人识别器的过程。你可通过文末链接访问原文——也可在原文末尾留下电子邮箱地址向原作者索取本项目的完整代码。另外，本教程中
问耕 编译整理 量子位 出品 | 公众号 QbitAI 前几天，量子位发过一篇《忽悠VC指南》。其中有一条建议是，当你假装AI专家时，最好别谈众人皆知的TensorFlow，那谈什么？ PyTorch
在机器学习和深度学习领域，模型评估和模型比较是非常重要的任务。然而，存在许多不同的框架和库，使得这个过程变得复杂和困难。为了解决这个问题，ModelScope应运而生。 ModelScope是一个用于模型评估和比较的开源工具，它提供了一个统一的接口和一组功能来帮助用户更方便地管理和分析他们的模型和结果。本篇文章将介绍如何入门使用ModelScope，并展示其强大的特性。
在使用 TensorFlow 进行开发和训练深度学习模型时，有时候可能会遇到 ImportError: cannot import name 'pywrap_tensorflow' 这个错误。这个错误通常是由于 TensorFlow 版本不兼容或没有正确安装所引起的。本文将介绍如何解决这个错误。
本文介绍了几种非常有用的深度学习框架、它们的优点以及应用，通过对每个框架进行比较，研发人员了解如何有选择地使用它们，高效快捷完成项目任务。
导读：本文将介绍OpenCV的源码结构、OpenCV深度学习应用的典型流程，以及深度学习和OpenCV DNN（Deep Neural Networks，深度神经网络）模块的背景知识，让读者可以快速认识OpenCV，消除神秘感，同时对计算机视觉从传统算法到深度学习算法的演进历史有所了解。
机器学习作为当今最热门的领域之一，为数据科学和人工智能带来了巨大的突破和进步。然而，在Python中进行机器学习和深度学习开发时，我们可能会遇到一些常见的问题。本文将分享一些这些常见问题，并给出解决方案，帮助您更好地进行机器学习和深度学习的实践。
AI 科技评论按：关于深度学习的框架之争一直没有停止过。PyTorch，TensorFlow，Caffe还是Keras ？近日， 斯坦福大学计算机科学博士生Awni Hannun就发表了一篇文章，对比当前两个主流框架PyTorch和TensorFlow。 AI 科技评论编译如下： 这篇指南是我目前发现的PyTorch和TensorFlow之间的主要差异。写这篇文章的目的是想帮助那些想要开始新项目或者转换深度学习框架的人进行选择。文中重点考虑训练和部署深度学习堆栈组件时框架的可编程性和灵活性。我不会权衡速度、
向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程 公众号：datayx 项目描述 本项目是一个带有超级详细中文注释的基于GPT2模型的新闻标题生成项目。 本项目参考了GPT2-Chinese、GPT2-chitchat、CDial-GPT、GPT2等多个GPT2开源项目，并根据自己的理解，将代码进行重构，添加详细注释，希望可以帮助到有需要的人。 本项目使用HuggingFace的transformers实现GPT2模型代码编写、训练及测试。 本项目通过Flask框架搭建了一个Web服务，将新
很高兴能有机会在LiveVideoStock做有关于FFmpeg深度学习模块相关内容的技术分享。
做研究打比赛和真正的做一个机器学习和深度项目是不一样的，如果你有这方面的困惑的话，可以看看这篇文章。
今天看到这篇文章的时候，立马放下了手中的活，把论文大概刷了一遍。以下是对这篇论文的简单的解读。文末有文章和代码链接。
来源 | Data Science from Scratch， Second Edition 作者 | Joel Grus 全文共6778字，预计阅读时间50分钟。 深度学习 1. 张量 2. 层（Layer）的抽象 3. 线性层 4. 神经网络作为一个层的序列 5. 损失和优化 6. 示例：XOR 重新实现 7. 其他激活函数 8. 示例：重新实现 FizzBuzz 9. softmax 和交叉熵（cross-entropy） 10. Dropout 11. 例子：MNIST 12
numba是一个用于编译Python数组和数值计算函数的编译器，这个编译器能够大幅提高直接使用Python编写的函数的运算速度。
自动机器学习是现在非常流行的一个概念，我们在进行深度学习的时候需要调整的典型超参数包括优化算法（SGD，Adam等），学习速率和学习速率调度以及正则化等。根据数据集和具体问题，深度学习专家可以进行数十到数百次实验，以找到神经网络架构和超参数之间的平衡，这些实验通常需要计算数百到数千小时。刚刚提到的这种模式仅适用于专家，那非深度学习专家呢？如果一个业余爱好者也想快速搭建一个深度神经网络，那这种半自动化的搭建方式就再适合不过了，于是现在Auto-Keras和AutoML就应运而生了。
计算机视觉和机器学习的融合为我们带来了前所未有的机会和挑战。从智能助手到自动驾驶，OpenCV 4.0+Python提供了强大的工具来实现各种应用。本文将带您深入探索如何在实际项目中应用这些技术，为您打开计算机视觉与机器学习的大门。
最近在使用深度学习框架进行图像处理的时候，我遇到了一个问题，错误信息显示为has invalid type '<class 'numpy.ndarray'>', must be a string or Tensor，这个问题困扰了我很长时间。经过一番研究和实践，我找到了解决方法，现在将与大家分享。
书中其中一个应用例子就是用于预测波士顿的房价，这是一个有趣的问题，因为房屋的价值变化非常大。这是一个机器学习的问题，可能最适用于经典方法，如 XGBoost，因为数据集是结构化的而不是感知的。然而，这也是一个数据集，深度学习提供了一个非常有用的功能，就是编写一个新的损失函数，有可能提高预测模型的性能。这篇文章的目的是来展示深度学习如何通过使用自定义损失函数来改善浅层学习问题。
图像识别一直是人工智能领域的热门研究方向之一。深度学习模型在图像识别中的应用已经取得了显著的进展，使计算机能够像人一样理解和分类图像。本文将介绍如何使用深度学习模型来识别CIFAR-10数据集中的图像，并对模型的准确率进行分析。
欢迎来到本书的第一部分。在这里，我们将与 PyTorch 迈出第一步，获得理解其结构和解决 PyTorch 项目机制所需的基本技能。
摘要： R语言现在能也进行深度学习了，而且和python一样好，快来试一试吧。 众所周知，R语言是统计分析最好用的语言。但在Keras和TensorFlow的帮助下，R语言也可以进行深度学习了。 在机器学习的语言的选择上，R和Python之间选择一直是一个有争议的话题。但随着深度学习的爆炸性增长，越来越多的人选择了Python，因为它有一个很大的深度学习库和框架，而R却没有（直到现在）。 但是我就是想使用R语言进入深度学习空间，所以我就从Python领域转入到了R领域，继续我的深度学习的研究了。这可能看
NVIDIA去年发布了一个线上讲座，题目是《 AI at the Edge TensorFlow to TensorRT on Jetson 》。
翻译 | AI科技大本营 参与 | 王赫 上个月，我有幸结识了 DeepCognition.ai 的创始人。 Deep Cognition (深度认知) 建立的深度学习工作室，为很多准备部署深度学习框架和采用人工智能技术的机构打破了诸多难以逾越的障碍。 究竟什么是深度学习？ 在我们说明Deep Cognition是如何简化深度学习和人工智能之前，先让我们定义一些深度学习的主要概念。 深度学习，它的核心是用连续"层状"结构来逐级递进的学习有意义的特征表示，其作为机器学习的一个特定的子研究领域，现已成为
📷 向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程 公众号：datayx 目前支持蓝色标准车牌，黄色标准车牌，小型新能源车牌的车牌生成。 实际的车牌示例 实际的大型新能源车牌示例 📷 实际的小型新能源车牌示例 📷 生成的蓝色底牌车牌示例 📷 📷 生成的小型新能源车牌示例 📷 📷 全部代码 获取方式： 关注微信公众号 datayx 然后回复 车牌生成 即可获取。 程序结构说明 license_plate_elements.py: 车牌号元素，其中定义： 车牌号中，不同车牌位的取值范围； 不
选自pyimagesearch 作者：Adrian Rosebrock 机器之心编译 参与：Jane W、黄小天 本文介绍了如何使用 Keras、Redis、Flask 和 Apache 将自己的深度学习模型迁移到生产环境。文中的大多数工具可以互换，比如 Keras 可替换成 TensorFlow 或 PyTorch，Django 可代替 Flask，Nginx 可代替 Apache。作者唯一不推荐替换的工具是 Redis。同时本文还对深度学习 REST API 进行了压力测试，这种方法可以轻松扩展到添加的
AI 科技大本营按：本文编译自 Adrian Rosebrock 发表在 PyImageSearch 上的一篇博文。该博文缘起于一位网友向原作者请教的两个关于目标检测的问题：
正文之前，小梦先来说说什么是TensorFlow。TensorFlow是谷歌研发的第二代人工智能学习系统，可被用于语音识别或图像识别等多项机器深度学 习领域。TensorFlow可运行的设备非常广泛，小到一部智能手机。大到数千台数据中心服务器，都可以运行TensorFlow。而且呢，TensorFlow是开 源，这会大大降低深度学习在各个行业中的应用难度。 TensorFlow的流行让深度学习门槛变得越来越低，只要你有Python和机器学习基础，入门和使用神经网络模型变得非常简单。TensorFlow支持
摘要 深度学习的概念源于人工神经网络的研究，含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。 机器学习与深度学习应用
在深度学习中，经常需要对张量进行形状变换和维度扩展操作。PyTorch库提供了丰富的函数和方法来方便地操作张量的维度。本文将重点讲解torch.unsqueeze和torch.unsqueeze_函数，它们可以用来扩展张量的维度。
从出道起，我就一直是一名程序员。我喜欢从头开始编写代码，这有助于我清楚地理解主题（或技巧）。当我们刚开始学习数据科学时，这种方法尤为有用。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
即时通信 IM
ICP备案
对象存储
实时音视频
