机器学习（二十四）——从图像处理谈机器学习项目流程 （原创内容，转载请注明来源，谢谢） 一、概述 这里简单讨论图像处理的机器学习过程，主要讨论的是机器学习的项目流程。采用的业务示例是OCR（photo optical character recognition，照片光学字符识别），通过一张照片，识别出上面所有带字符的内容。 二、机器学习流水线 对于一个业务项目，通常机器学习是其中一部分的内容，对于整个项目而言，相当于一个流水线(pipeline)。 对于OCR，主要流水线为：1-获取照片->2-字符串
选自Hackernoon 作者：Sahil Singla 机器之心编译 参与：黄小天、路雪 近日，Sahil Singla 在 Medium 上发表了一篇题为《A new kind of pooling layer for faster and sharper convergence》的文章，提出一种可实现更快更好收敛的新型池化层 sort_pool2d，表现优于最大池化层，同时解决了最大池化层无法使用来自多层激活函数信息的问题，以及反向传播只会提升最大池化的激活函数的问题。作者还给出了该池化层的代码实现。
Java 8 出来很久了，各位也可能已经在用了，不过其中新的时间日期 API 可能很少人用，甚至不知道怎么上手。本文快速介绍一下其中的主要的类的概念和用法。 一、时间戳 Instant Instant 表示一个 EPOCH 时间戳（即以 0 表示 1970-01-01T00:00:00Z），精确到纳秒。 Instant 对象不包含时区信息，且值是不可变的。 虽然概念很简单，但是它可以很方便的和其他时间日期对象之间进行交互和转换。比如： 两个 Instant 可以用来构建一个时间段； 一个 Instant 加
import java.sql.Connection; import java.sql.DriverManager; import java.sql.ResultSet; import java.sql.PreparedStatement; import java.sql.ResultSetMetaData; import java.sql.SQLException; public class TestDemo { public static Connection getConnection() { Con
“0.1 + 0.2 = ?” 这个问题，你要是问小学生，他也许会立马告诉你 0.3。但是在计算机的世界里就没有这么简单了，做为一名程序开发者在你面试时如果有人这样问你，小心陷阱喽！ 你可能在哪里见过
本文介绍了如何基于商圈和地标的位置搜索实现方法，包括多边形、矩形和圆形的划定方式以及地标搜索POI的方法。同时，本文还对比了三种方式的精确度、复杂度和灵活度，并建议在满足需求的前提下选择合适的方法。
去年12月，谷歌发布了DeepVariant。这是一种深度学习模型，研究者训练它分析基因序列，使其准确地识别其中的差异，这种差异就是所谓的变体，它让我们每个人都作为独一无二的个体存在着。我们在最初的文章里主要关注的问题是，DeepVariant如何将识别变体（variant calling）作为图像分类问题来解决，并且得到结果能够比以前的方法更精确。
只需采用正确的过程，为给定的预测任务找到顶尖的超参数配置并非难事。超参数优化主要有三种方法：手工、机器辅助、基于算法。本文主要关注机器辅助这一方法。本文将介绍我是如何优化超参数的，如何证实方法是有效的，理解为何起效。我把简单性作为主要原则。
搜索，是互联网的入口，每个人都离不开搜索，更何况程序员？程序员最离不开的有两样东西，一个是 GitHub ，一个是搜索引擎。离开这两样东西，我相信大部分程序员都不会编程了。所以，一个好的程序员利用好的
受支付宝银行卡识别的启发，腾讯随后在微信、QQ中添加银行卡识别功能，通过技术上的创新提升用户支付的体验，均得到用户的肯定。为此，更多的行业用户希望在其业务系统中集成手机拍照银行卡识别功能，比如：证券公司为股民开户时需要绑定银行卡账号；保险公司为车险用户赔付时需要登记用户的银行卡账号，在线金融公司为提高客户体验度，也在使用银行卡识别。
导语：如果你没能参加 CVPR 2019 ， 别担心。本文列出了会上人们最为关注的 10 篇论文，覆盖了 DeepFakes（人脸转换）, Facial Recognition（人脸识别）, Reconstruction（视频重建）等等。
在ICLR 2018最佳论文On the Convergence of Adam and Beyond（关于Adam的收敛性及其他）中，Google的Reddi等指出了Adam收敛性证明的缺陷，并提出了一个Adam算法的变体AMSGrad。论文通过一个合成任务和少量试验展示了AMSGrad的优势。然而，它仅仅使用了小型网络（MNIST上的单层MLP，CIFAR-10上的小型卷积网络），并且没有表明测试精确度（显然，比起交叉熵损失，我们更加关心精确度）。从训练和测试损失上看，他们在CIFAR-10上训练的卷积网络，比当前最先进的结果要差很多（我们并不知道精确度）。
用户体验与人工智能（AI）之间有什么样的关系？这种关系对产品经理而言又意味着什么？
例如，现有的类（例如java.util.Date和SimpleDateFormatter）是非线程安全的，从而导致用户潜在的并发问题，这不是一般开发人员在编写日期处理代码时会期望处理的问题。 一些日期和时间类还表现出相当差的API设计。例如，年份java.util.Date从1900开始，月份从1开始，天从0开始，这不是很直观。
【导读】大家好，我是泳鱼。一个乐于探索和分享AI知识的码农！今天的这篇文章带大家轻松get机器学习建模方法~
decimal 类型可以精确地表示非常大或非常精确的小数。大至 1028（正或负）以及有效位数多达 28 位的数字可以作为 decimal类型存储而不失其精确性。该类型对于必须避免舍入错误的应用程序（如记账）很有用。
最近看到一个实用的搭建机器算法的模板，与大家分享。只需要两步就能构建起自己的机器学习模型：
【导读】文中为AI实践者和研究者们介绍了5种高效模型推断算法，希望这篇文章能够帮助大家更清楚地认识到，在我们所使用的深度学习库的背后，有多少优化正在被应用，从而在像移动电话等小型边缘设备上实现越来越多的实际应用。
【导读】本文是数据科学研究者William Koehrsen撰写的技术博文，介绍了在分类模型中需要用到的度量标准。我们知道，准确率是我们在分类任务中最常用到的度量指标，但是单纯的准确率并不能说明模型的
今天又是相对轻松的一节。今天我们来研究一下评估模型的指标问题。前两节我们已经把模型训练完了，并且能够在TensorBoard上面查看我们的迭代效果。但是模型的效果实在是不如人意，哪怕我已经把全部的数据都加进去了，但是模型也只能学会把类别都归为非节点。
生成式搜索引擎通过直接生成对输入查询的回应以及在线引用来满足用户的信息需求（如下图 1）。现有的生成式搜索引擎正在迅速获得用户，微软报告说 "大约三分之一的每日预览用户每天都在使用 Bing 聊天"，Bing 聊天在其公开预览的第一个月提供了 4500 万次聊天。
在软件开发过程中，我们经常会遇到需要处理金融数据的情况，而BigDecimal类则是Java中处理精确浮点数运算的首选类。本文将介绍如何将String类型的数据转换为BigDecimal，以及BigDecimal常用的操作方法，并分享一些避免在使用BigDecimal时常见的问题和坑。
机器之心原创 作者：Angulia Chao 参与：Joni、侯韵楚、高振 让机器具备生物一样的进化能力一直是计算机科学的一个热门研究领域，今年三月份，谷歌的多位研究者提出了一种图像分类器的大规模进化方法，机器之心也曾报道过这项研究，参阅：《深度 | 谷歌和 OpenAI 新研究：如何使用达尔文进化论辅助设计人工智能算法？》。研究发布之后，机器之心的技术分析师又对这项重要研究进行了更加深度细致的解读。 论文：图像分类器的大规模进化（Large-Scale Evolution of Image Classi
在学习深度学习这门课程中，各种模型指标有一个叫精确度，精确度的意思就是说在模型完成后，测试集的结果与真实值之间的占比程度。那么我们应该如何提高整个模型的精确度呢？我们都知道深度学习模型的建立在经过一些简单的配置，默认的参数，模型在一次训练只有较低的准确率，往往在多次训练后最高也不到85%。所以我们需要一些方式来提高精确度。
Java中的序列化方法 : 在Java中序列化有两种方法, 一种是实现Serializable接口, 一种是实现Parcelable接口, Serializable接口是J2SE固有支持的, Parcelable是Android支持的, 是Android中特有的, 效率比Serializable高;
汽车要实现真正的无人驾驶，它必须能够感知和识别周围的物体，并且要知道自己的确切位置。这两方面都是无人驾驶技术的核心。 英国剑桥大学的一个团队利用图像识别和深度学习技术在这两个方面取得了一定的突破。他们
信息超负荷问题解决方案: 新的用户接口/智能代理 Lucene是一个高性能,可伸缩的信息搜索库,可以为应用程序添加索引和搜索能力. 版本: java/Perl/Python/C++/net 搜索引擎的核心是索引 搜索的质量用精确度和召回率来描述,召回率衡量系统搜索到相关文档的能力,精确度描述过滤不相关的能力
上文和大家一起讨论了人工智能样本的评价参数：准确度、精准度、召回率和F1分数。这篇文章，我们结合这些参数来讨论基于Bug的软件测试质量分析。
今天，我们就来了解一下其聚合分析中较为常见的 percentiles 百分位数分析。n 个数据按数值大小排列，处于 p% 位置的值称第 p 百分位数。
ElasticSearch 作为一个分布式的开源搜索和分析引擎，不仅能够进行全文匹配搜索，还可以进行聚合分析。
iOS提供了两个框架用来定位以及地图显示。CoreLocation框架包含的类可以帮助设备确定位置和航向以及使用基于位置的有效信息。MapKit框架未定位提供了户用页面的支持（地图显示），里面包含了地图视图、卫星地图视图以及2D、3D混合视图，并且能够让开发人员管理地图标注和地图覆盖层，前者 用于标注地点（常见的地图大头针），后者用来突出某区域或者路线等。
本论文旨在对常见的分类算法进行综合比较和评估，并探索它们在机器学习分类领域的应用。实验结果显示，随机森林模型在CIFAR-10数据集上的精确度为0.4654，CatBoost模型为0.4916，XGBoost模型为0.5425，LightGBM模型为0.5311，BP神经网络模型为0.4907，而经过100次迭代的深度学习模型达到了0.6308的精确度。相对于随机森林模型，CatBoost和XGBoost模型表现出更好的性能，而深度学习模型在CIFAR-10数据集上展现出卓越的性能。
图像分割技术是计算机视觉领域的重要研究方向，也是该领域其他应用的一个重要前期步骤。近些年来，随着深度学习技术的逐步深入，图像分割技术有了突飞猛进的发展，尤其在场景物体分割、人体背景分割、三维重建等技术在无人驾驶、增强现实等城市数字化领域得到了广泛应用。 而近日，特斯联科技集团首席科学家邵岭博士及团队提出具有语义对齐的多级表征学习框架解决指定视频目标分割（Referring Video Object Segmentation, RVOS）中存在的问题，且相关研究成果（标题为: Multi-Level Repr
如何测试人工智能产品越来越受到广大测试工程师的关注，由于人工智能的测试预言（Test Oracle）不是像普通软件产品那么明确，到目前为止，基于大数据的第四代人工智能产品的测试，主要集中在“对大数据测试”“白盒测试”“基于样本分析算法的优劣”以及“对最终产品的验收测试”。“对大数据测试”主要针对数据阶段验证、对数据计算验证和对输出阶段验证；“白盒测试”主要考虑神经元覆盖（Neuron Coverage）、阈值覆盖率（Threshold Coverage）、符号变更率（Sign Change Coverage）、值变更覆盖率（Value Change Coverage）、符号-符号覆盖率（Sign-SignCoverage）和层覆盖（LayerCoverage）这六个指标；“对最终产品的验收测试”可以采用对传统软件验收测试的方法，基于业务来进行测试，比如对于人脸识别系统，是否可以在各个人脸角度变化，光线等条件下正确识别人脸。本文重点讨论的是“基于样本分析算法的优劣”。
Analog Display是简洁的显示控件，用于显示指定精确度和单位的模拟值（实数），可以将精确度设置为0，使显示结果为整数。
在这篇文章中，我们将使用Python中最流行的机器学习工具scikit- learn,在Python中实现几种机器学习算法。使用简单的数据集来训练分类器区分不同类型的水果。这篇文章的目的是识别出最适合
阿尔兹海默症AD是痴呆中最为普遍的病症，约占痴呆病例的60-80%。AD的病理性标志是Aβ蛋白的沉积。近些年来，利用静息态fMRI对AD发病机制和影响标志物的研究发现AD患者许多脑区之间的功能连接如默认网络DMN出现异常。此外，图论方法可以通过计算全局和局部参数来表征脑网络的不同方面。这里，笔者为大家分享一篇发表在Clinical Neurophysiology杂志上的题目为《Identifying patients with Alzheimer’s disease using resting-state fMRI and graph theory》的研究论文，该论文利用静息态fMRI构建脑网络，计算脑网络的图论参数，以图论参数作为特征值，结合机器学习实现AD的100%准确率分类诊断。
AI 科技评论按：谷歌前日在博客中宣布开源大规模神经网络模型高效训练库 GPipe，这是一款分布式机器学习库，可以让研究员在不调整超参数的情况下，部署更多的加速器以对大规模模型进行训练，有效扩展了模型性能。雷锋网 AI 科技评论对此进行编译如下。
AI 科技评论按：谷歌昨日在博客中宣布开源大规模神经网络模型高效训练库 GPipe，这是一款分布式机器学习库，可以让研究员在不调整超参数的情况下，部署更多的加速器以对大规模模型进行训练，有效扩展了模型性能。雷锋网 AI 科技评论对此进行编译如下。
首先，学习一个东西，我们都必须要带着问题去学，这边我分为 【为什么？】【是什么？】【怎么用？】
神经网络是计算密集型和内存密集型，很难使它们用有限的硬件资源去部署在嵌入式系统中。为了解决这种限制，本文引入“深度压缩”，一共有三个阶段的流水线：剪枝、量化和霍夫编码，它们一起工作去减少神经网络的存储问题，并在没有影响精确度的情况下压缩了35倍到49倍。最后在ImageNet数据集上的实验结果，将AlexNet压缩了35倍（从240MB压缩到6.9MB）并没有精确度损失；将VGG-16压缩了49倍（从552MB压缩到11.3MB），也没有精确度损失。 训练主要步骤： 剪枝神经网络，只学习重要的连接； 量化
传统的精神分裂症（SZ）诊断往往采用问卷调查的方式进行，医生会依据一定的标准(如DSM-5)询问患者一系列问题，以此来判定患者是否符合SZ的标准。但是这种传统的诊断方式往往具有一定的主观性，如患者可能会隐藏或可以回避一些问题，使得诊断出现一定的偏差。因此，研究者一直致力于寻找客观、定量的方法来实现SZ的分类和诊断。研究者采用EEG/ERP技术发现，SZ患者在某些任务中的ERP成分、功能连接或某些频段的振荡活动等都会出现异常。一些研究者尝试把上述EEG的标志物与机器学习结合起来，实现SZ的诊断和分类。比如说，有研究者利用Oddball任务诱发的ERP成分的幅值作为特征值，实现了SZ高达79%的诊断正确率。但是，上述这些研究都是利用电极水平（sensor-level）的特征来进行分类，而利用溯源水平（source-level）特征来对SZ进行机器学习诊断的研究似乎还很少。本次，笔者在这里分享一篇题目为《Machine-learning-based diagnosis of schizophrenia using combined sensor-level and source-level EEG features》的研究论文，该论文发表于Schizophrenia Research杂志，其联合使用EEG电极和溯源空间特征实现精神分裂症的机器学习诊断。 材料与方法 1.被试。从医院募集34个SZ患者和34个健康人，被试的临床资料如表1所示。
🙋♂️声明：本人目前大学就读于大二，研究兴趣方向人工智能&硬件（虽然硬件还没开始玩，但一直很感兴趣！希望大佬带带）
精度函数创建两个局部变量total和count，用于计算预测与标签匹配的频率。这个频率最终作为精确度返回:一个幂等运算，简单地将total除以count。为了估计数据流上的度量，函数创建一个update_op操作，更新这些变量并返回精度。在内部，is_correct操作使用元素1.0计算张量，其中预测和标签的对应元素匹配，否则计算0.0。然后update_op用权值和is_correct乘积的约简和递增total，它用权值和的约简和递增count。如果权值为空，则权值默认为1。使用0的权重来屏蔽值。
机器人名叫Salto-1P，来自加州伯克利，曾经被IEEE Spectrum热烈地称赞为“最不可思议的弹跳机器人”。
---- 新智元专栏 作者：上海交通大学未来媒体网络协同创新中心 【新智元导读】训练一个高准确率的检测模型需要大量精细标注的图片数据，其成本很高。本文提出了一种弱监督协同学习框架，仅使用粗略标签的图片训练目标检测模型，测试结果显示其定位精确率和检测准确率均显著优于目前最先进的方法。 目标检测是机器视觉的基本问题，在视频监控、无人驾驶等场景都有广泛应用。随着深度学习的兴起，近年来涌现了大量优秀的目标检测模型。然而，训练一个高准确率的检测模型需要大量的以包围框形式精细标注的图片数据作为模型监督条件，需要
在TensorFlow的许多功能和工具中，隐藏着一个名为TensorFlow对象探测API（TensorFlow Object Detection API）的组件。正如它的名字所表达的，这个库的目的是训练一个神经网络，它能够识别一个框架中的物体。这个库的用例和可能性几乎是无限的。它可以通过训练来检测一张图像上的猫、汽车、浣熊等等对象。本文将用它来实现皮卡丘的检测。 TensorFlow对象检测API：https://github.com/tensorflow/models/tree/master/resea
大家一定会疑问，2.01+3.1 应该是5.11吗，为什么控制台输出的是5.109999999呢？其实这是浮点数一个普遍的问题，浮点数并不能准确地表示十进制，
压力差压变送器的制造技术不断发展，产品的精确度已由上世纪六十年代的1%、0.5%提高到上世纪七八十年代的0.25%，在上世纪九十年代提高到0.1%、0.075%，近年来又提高到0.05%、0.025%。这个精确度指标通常是由变送器的制造厂商提供的，有的制造厂商称其为“参考精度”，原因在于这个精确度指标通常是在试验室恒温、恒湿及标准大气压条件下得到的，而在用户的实际生产现场，往往离试验室条件相差甚远，变送器的精确度是很难达到的，所以称为其“参考精度”可能更为合适。“参考精度”在实际使用时多半要打折扣，这个折扣有多大？怎么样才能不打或少打折扣？这是用户关心的。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
