勋章
粉丝
技术能力
暂时未有相关云产品技术能力~
人工智能领域爱好者
-
发表了文章 2023-07-10
SqueezeNet算法解析—鸟类识别—Paddle实战
SqueezeNet算法，顾名思义，Squeeze的中文意思是压缩和挤压的意思，所以我们通过算法的名字就可以猜想到，该算法一定是通过解压模型来降低模型参数量的。当然任何算法的改进都是在原先的基础上提升精度或者降低模型参数，因此该算法的主要目的就是在于降低模型参数量的同时保持模型精度。随着CNN卷积神经网络的研究发展，越来越多的模型被研发出来，而为了提高模型的精度，深层次的模型例如AlexNet和ResNet等得到了大家的广泛认可。
-
发表了文章 2023-06-25
UnicodeEncodeErron: ‘gbk‘ codec can‘t encode character ‘ \ue615‘ in position 346139...编码问题解决
不论使用urllib还是使用requests库经常会遇到中文编码错误的问题，我就经常遇到，因为python安装在windows平台上，cmd的默认编码为GBK，所以在cmd中显示中文时会经常提示gbk编码错误。
-
发表了文章 2023-06-25
头歌计算机算法设计与分析：随机化算法
> 任务描述 > 相关知识 > 随机数 > 编程要求 > 测试说明
-
发表了文章 2023-06-25
python元组和集合基本知识
python元组和集合基本知识适合新手小白~
-
发表了文章 2023-06-25
深度学习中各个模型简介
深度学习中各个模型简介
-
发表了文章 2023-06-25
PyTorch与Paddle映射表
PyTorch与Paddle映射表
-
发表了文章 2023-06-25
【文心一言】广告文案、演讲稿与请假条自动生成
作为一名大学生而言，平时参加或者举办一些学校组织的活动的时候，总是避免不了需要准备一些演讲稿、广告宣传文案等内容，甚至于在疫情十分严重的这几年内，如何跟老师“委婉的”请假，也成为了我日常头疼的事情。但在百度推出文心一言以后，我发现这些事情反而变得简单而有趣了起来。
-
发表了文章 2023-06-25
PyTorch基础知识(超基础)
PyTorch基础知识(超基础)
-
发表了文章 2023-06-25
头歌计算机算法设计与分析线性规划问题和单纯形算法第1关：单纯性算法解一般线性方程组
任务描述 相关知识 单纯形算法的第1步：选出使目标函数增加的非基本变量作为入基变量。 单纯形算法的第2步：选取离基变量。 单纯形算法的第3步：转轴变换。 单纯形算法的第4步：转回并重复第1步，进一步改进目标函数值。 编程要求 测试说明
-
发表了文章 2023-06-25
常见的几种距离量度（欧式距离、曼哈顿距离、切比雪夫距离等）
在机器学习和数据挖掘中，我们经常需要计算样本之间的相似度，通常的做法是计算样本之间的距离。本文介绍几种常用的距离量度方法。
-
发表了文章 2023-06-25
Python面向对象的三大特征
Python面向对象的三大特征适合新手小白
-
发表了文章 2023-06-25
Xception算法解析-鸟类识别实战-Paddle实战
今天详解以下Xception算法，同时应用它做一个鸟类识别。由于Xception模型在极大的减少了网络参数量和计算复杂度的同时，可以保持卓越的性能表现。因此，Xception模型已经被广泛地应用与图像分类、目标检测等任务中。 本次实战案例就是一个典型的图像分类。
-
发表了文章 2023-06-25
数据库SQL语句基础
数据库SQL语句基础(浅)
-
发表了文章 2023-06-25
python字典介绍
python字典介绍适合新手小白~
-
发表了文章 2023-06-25
基于PP-OCRv3的车牌检测和识别
本项目基于百度飞桨[AI Studio平台](https://aistudio.baidu.com/aistudio/projectoverview/public/1)进行实现，百度出品的深度学习平台飞桨（PaddlePaddle）是主流深度学习框架中一款完全国产化的产品，与Google TensorFlow、Facebook Pytorch齐名。2016 年飞桨正式开源，是国内首个全面开源开放、技术领先、功能完备的产业级深度学习平台。相比国内其他平台，飞桨是一个功能完整的深度学习平台，也是唯一成熟稳定、具备大规模推广条件的深度学习平台。
-
发表了文章 2023-06-25
python基础之字符串、函数、BUG和异常类型介绍及类和对象详细笔记
python基础之字符串、函数、BUG和异常类型介绍及类和对象详细笔记
-
发表了文章 2023-04-18
报错解决：Could not build wheels for soxr, which is required to install pyproject.toml-based projects（可用）
链接如下：【金山文档】 1-Microsoft Visual C++ Build Tools。找了好久，才找到正确的解决方案，网上一大堆升级setuptools的方法只对少数人管用。注意，虽然我的这个报错内容有点长，但是我感觉和其它的。如果网页提示登录，可以不用登录，直接下载即可。然后打开镜像ios文件（双击即可）错误是一样的解决方案。文件，打开后安装即可。
-
发表了文章 2023-04-18
python机器学习数据建模与分析——数据预测与预测建模
机器学习的预测建模在多个领域都具有重要的应用价值，包括个性化推荐、商品搜索、自动驾驶、人脸识别等。本篇文章将带领大家了解什么是预测建模
-
发表了文章 2023-04-18
python机器学习——朴素贝叶斯算法笔记详细记录
朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBM）。和决策树模型相比，朴素贝叶斯分类器(Naive Bayes Classifier 或 NBC)发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。
-
发表了文章 2023-04-18
python机器学习课程——决策树全网最详解超详细笔记附代码
决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。决策树方法最早产生于上世纪60年代，到70年代末。由J Ross Quinlan提出了ID3算法，此算法的目的在于减少树的深度。但是忽略了叶子数目的研究。C4.5算法在ID3算法的基础上进行了改进，对于预测变量的缺值处理、剪枝技术、派生规则等方面作了较大改进，既适合于分类问题，又适合于回归问题。决策树算法构造决策
-
发表了文章 2023-04-18
python机器学习数据建模与分析——决策树详解及可视化案例
你是否玩过二十个问题的游戏，游戏的规则很简单:参与游戏的一方在脑海里想某个事物，其他参与者向他提问题，只允许提20个问题，问题的答案也只能用对或错回答。问问题的人通过推断分解，逐步缩小待猜测事物的范围。决策树的工作原理与20个问题类似，用户输人一系列数据，然后给出游戏的答案。我们经常使用决策树处理分类问题,近来的调查表明决策树也是最经常使用的数据挖掘算法。它之所以如此流行，一个很重要的原因就是使用者基本上不用了解机器学习算法，也不用深究它是如何工作的。
-
发表了文章 2023-04-18
计算机组成原理笔记——计算机性能指标（CPI、IPS、MIPS等）
计算机系统的性能评价有两种指标，分别为非时间指标和时间指标。非时间指标时间指标机器一次能处理的二进制位数 数据总线一次能并行传送的最大信息位数 例子： 每秒执行多少条指令 IPS=主频平均CPIIPS=\frac{主频}{平均CPI}IPS=平均CPI主频 例子:
-
发表了文章 2023-03-24
OpenCV——图像灰度变换
OpenCV——图像灰度变换
-
发表了文章 2023-03-24
深度学习基础——PyTorch简介和Tensor张量详解
PyTorch具有悠久的历史，它的前身 Torch 是用Lua写的机器学习框架，后来受到 Facebook、NVIDIA (著名显卡生产厂商)、Uber 等大公司以及斯坦福大学、卡内基梅隆大学等著名高校的支持。下面，就让我们走进PyTorch的世界。
-
发表了文章 2023-03-24
pandas库中的read_csv函数读取数据时候的路径问题详解(ValueError: embedded null character)
read_csv()函数不仅是R语言中的一个读取csv文件的函数，也是pandas库中的一个函数。pandas是一个用于数据分析和处理的python库。它的read_csv函数可以读取csv文件里的数据，并将其转化为pandas里面的DataFrame对象。它由很多参数可以设置，例如分隔符、编码、列名、索引等。
-
发表了文章 2023-03-24
OpenCV——line、circle、rectangle、ellipse、polylines函数的使用和绘制文本putText函数以及绘制中文的方法。
学习OpenCV的过程中，画图是不可避免的，本篇文章旨在介绍OpenCV中与画图相关的基础函数。
-
发表了文章 2023-03-24
机器学习数据预处理——归一化（Normalization）和标准化（standardlization）
昨天进行一场答辩，被评委老师问起来归一化的概念，一时间紧张没有想起来，后来复盘回忆，感觉还是自己的理解不够深刻，才导致关键时刻掉链子，没有想起。所以特此整理一下，以供加深印象。
-
发表了文章 2023-03-24
卷积神经网络CNN入门篇——形成、演变及其应用和影响。
卷积神经网络最初是受到视觉系统的神经机制启发、针对二维形状的识别设计的一种生物物理模型，在平移情况下具有高度的不变形，在缩放和倾斜情况下也具有一定的不变形。这种生物物理模型集成了“感受野”的思想，可以看作一种特殊的多层感知器或者前馈神经网络，具有局部连接、权值共享的特点，其中大量神经元按照一定方式组织起来对视野中的交叠区域产生反应。
-
发表了文章 2023-03-24
解决jupyter以及windows系统中pycharm编译器画图的中文乱码问题大全
解决jupyter以及windows系统中pycharm编译器画图的中文乱码问题大全，我们在jupyter的notebook中使用matplotlib画图的时候，经常性的会遇见一些中文乱码显示□的情况,如下所示:
-
发表了文章 2023-03-24
遗传算法五大基本要素——参数编码、群体设定
遗传算法主要借用生物进化中的“适者生存”的规律。 遗传算法包括两个数据转换操作，一个是从表现型到基因型的转换，将搜索空间中的`参数或解`转化成遗传空间中的`染色体或者个体`，这个过程叫做编码（coding）。另一个就是从基因型到变现型的转换，即将个体转换成搜索空间中的参数，这个过程叫做解码（decode）。 遗传算法中包含了五个基本要素：参数编码，初始群体的设定，适应度函数的设计；遗传操作设计和控制参数设定。 由于遗传算法不能直接处理问题空间的参数，因此，必须通过编码将要求解的问题表示成遗传空间的染色体或者个体。它们由基因按一定的结构组成。由于遗传算法的健壮性，对编码的要求并不苛刻。对一
-
发表了文章 2023-03-24
人工智能导论——谓词公式化为子句集详细步骤
在谓词逻辑中，有下述定义： 原子（atom）谓词公式是一个不能再分解的命题。 原子谓词公式及其否定，统称为文字（literal）。$P$称为正文字，$\neg P$称为负文字。$P$与$\neg P$为互补文字。 <font color="ddd0000">任何文字的析取式称为子句（clause）。任何文字本身也是子句。</font> 由子句构成的集合称为子句集。 不包含任何文字的子句称为空子句，表示为NIL。 <font color="ddd0000">由于空子句不含有文字，它不能被任何解释满足，所以，空子句是永假的、不可满足的。</font> 在谓词逻辑中，任何一个谓词公式都可以通过应用等
-
发表了文章 2023-02-09
数据库系统概论——函数依赖、码和范式（1NF、2NF、3NF、BCNF）详解
关系模式由五部分组成，即它是一个五元组： R(U,D,DOM,F)R(U, D, DOM, F)R(U,D,DOM,F)关系模式R（U,D,DOM,F）R（U, D, DOM, F）R（U,D,DOM,F）中，DDD和DOMDOMDOM与逻辑结构设计关系不大，因此，将关系模式简化为一个三元组：当且仅当UUU上的一个关系rrr 满足FFF时，rrr称为关系模式R（U,F）R（U, F）R（U,F）的一个。设R(U)R(U)R(U)是一个属性集UUU上的关系模式，XXX和YYY是UUU的子集。若对于R(U)R(
-
发表了文章 2023-02-09
数据库系统概论——关系代数详解
关系代数是一种抽象的查询语言，是关系数据操纵语言的一种传统表达方式，它是利用对关系的运算来表达查询的。任何运算都是将一定的运算符作用于一定的运算对象上，得到预期的运算结果。关系代数的运算对象是关系，运算结果亦为关系。集合运算符将关系看成元组的集合从关系的“水平”方向即行的角度来进行运算专门的关系运算符不仅涉及行而且涉及列算术比较符辅助专门的关系运算符进行操作逻辑运算符辅助专门的关系运算符进行操作。
-
发表了文章 2023-02-09
数据库系统概论②——关系数据库基础
本篇文章主要讲解关系数据库基础中的基本概念，包括关系模型概述、关系的完整性约束等等内容。 同时想要了解更多数据库系统概论知识的朋友可以看下我的上一篇文章数据库系统概论①——数据库系统基本概念
-
发表了文章 2023-02-09
数据库系统概论①——数据库系统基本概念
有组织的理解4个基本概念：数据 数据库 数据库系统 数据库管理系统掌握E-R图的使用。掌握数据模型的三个组成部分。了解常用的结构数据模型。了解数据库的三级模式结构及两级映像了解数据库技术的发展历程📢本文由 心无旁骛~ 原创，首发于 CSDN博客🙉📢停下休息的时候不要忘了别人还在奔跑，希望大家抓紧时间学习，全力奔赴更美好的生活✨。
-
发表了文章 2023-02-09
python机器学习数据建模与分析——pandas中常用函数总结
本文主要对数据建模与分析中常使用到的pandas内置函数进行总结分析，以此来熟悉数据建模与分析的流程。
-
发表了文章 2023-02-09
Python机器学习数据建模与分析——Numpy和Pandas综合应用案例：空气质量监测数据的预处理和基本分析
本篇文章主要以北京市空气质量监测数据为例子，聚集数据建模中的数据预处理和基本分析环节，说明Numpy和Pandas的数据读取、数据分组、数据重编码、分类汇总等数据加工处理功能。同时在实现案例的过程中对用到的Numpy和Pandas相关函数进行讲解。
-
发表了文章 2023-02-09
深度学习入门基础CNN系列——批归一化（Batch Normalization）和丢弃法（dropout）
批归一化方法（Batch Normalization，BatchNorm）是由Ioffe和Szegedy于2015年提出的，已被广泛应用在深度学习中，其目的是对神经网络中间层的输出进行标准化处理，使得中间层的输出更加稳定。丢弃法（Dropout）是深度学习中一种常用的抑制过拟合的方法，其做法是在神经网络学习过程中，随机删除一部分神经元。训练时，随机选出一部分神经元，将其输出设置为0，这些神经元将不对外传递信号。
-
发表了文章 2023-01-18
深度学习入门基础CNN系列——池化（Pooling）和Sigmoid、ReLU激活函数
池化是使用某一位置的相邻输出的总体统计特征代替网络在该位置的输出，其好处是当输入数据做出少量平移时，经过池化函数后的大多数输出还能保持不变。比如：当识别一张图像是否是人脸时，我们需要知道人脸左边有一只眼睛，右边也有一只眼睛，而不需要知道眼睛的精确位置，这时候通过池化某一片区域的像素点来得到总体统计特征会显得很有用。由于池化之后特征图会变得更小，如果后面连接的是全连接层，能有效的减小神经元的个数，节省存储空间并提高计算效率。
-
发表了文章 2023-01-18
深度学习入门基础CNN系列——感受野和多输入通道、多输出通道以及批量操作基本概念
本篇文章主要讲解卷积神经网络中的感受野和通道的基本概念，适合于准备入门深度学习的小白，也可以在学完深度学习后将其作为温习。
-
发表了文章 2023-01-18
深度学习入门基础CNN系列——填充（padding）与步幅（stride）
深度学习入门基础之填充和步幅相关知识点~
-
发表了文章 2023-01-18
深度学习入门基础CNN系列——卷积计算
卷积是数学分析中的一种积分变换的方法，在图像处理中采用的是卷积的离散形式。这里需要说明的是，在卷积神经网络中，卷积层的实现方式实际上是数学中定义的**互相关 （cross-correlation）运算**，与数学分析中的卷积定义有所不同，这里跟其他框架和卷积神经网络的教程保持一致，都使用互相关运算作为卷积的定义，具体的计算过程如 **图** 所示。
-
发表了文章 2023-01-18
YOLOv8代码上线，官方宣布将发布论文，附精度速度初探和对比总结
【YOLOv8 注意事项】 1. YOLOv8 的官方仓库和代码已上线，文档教程网址也刚刚更新。 2. YOLOv8 代码集成在 ultralytics 项目中，目前看不会再单独创建叫做 YOLOv8 的项目。 3. YOLOv8 即将有论文了！要知道 YOLOv5 自从 2020 年发布以来，一直是没有论文的。而 YOLOv8（YOLOv5团队）这次首次承认将先发布 arXiv 版本的论文（目前还在火速撰写中）。
-
发表了文章 2023-01-16
绝了，超越YOLOv7、v8,YOLOv6 v3.0正式发布！
YOLOv6 全新版本v3.0正式发布！引入新的网络架构和训练方案，其中YOLOv6-S以484 FPS的速度达到45.0% AP，超过YOLOv5-S、YOLOv8-S，其代码刚刚开源。由于前段时间Ultralytics公司透露出V8的发布消息，美团也坐不住了，YOLO社区一直情绪高涨！ 随着中国农历新年2023（兔年）的到来，美团技术团队对YOLOv6进行了许多新的网络架构和训练方案的改进。此版本标识为YOLOv6 v3.0。
-
发表了文章 2023-01-16
机器学习基础——k-近邻算法概述和简单实现
本章介绍第一个机器学习算法:k-近邻算法，它非常有效而且易于掌握。首先，我们将探讨k-近邻算法的基本理论，以及如何使用距离测量的方法分类物品;其次我们将使用Python从文本文件中导人并解析数据。
-
发表了文章 2023-01-16
人工智能入门基础概念—教你正确打开人工智能世界的大门
人工智能(Artificial Intelligence)，是一个以计算机科学（Computer Science）为基础，由计算机、心理学、哲学等多学科交叉融合的交叉学科、新兴学科，研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等
-
发表了文章 2023-01-13
python爬虫爬取房源信息
写这篇博客的原因是在我爬取房产这类数据信息的时候，发现csdn中好多博主写的关于此类的文章代码已经不适用，因为好多房产网站代码已经更改，使用老的代码明显爬取不到所需要的房产信息。......
-
发表了文章 2023-01-13
语义特征的理解
再讲语义特征之前，先将语义的概念讲一下。那么什么是语义呢？数据的含义就是语义(semantic）。简单来说，数据就是符号。数据本身没有任何意义，只有被赋予含义的数据才能够被使用，否则就是一堆没用的数字或载体。这时候，被赋予含义的数据就转化为了信息，而转化为信息的数据便是语义，即数据的含义就是语义。语义可以简单地看作是数据所对应的现实世界中的事物所代表的概念的含义，以及这些含义之间的关系，是数据在某个领域上的解释和逻辑表示。在计算机视觉中，大家经常会提起图像的语义信息以及图像的高层特征和底层特征。
-
发表了文章 2023-01-13
[Paddle Detection]基于PP-PicoDet行车检测（完成安卓端部署）
基于PP-PicoDet行车检测（完成安卓端部署）_哔哩哔哩_bilibili基于视觉深度学习的自动驾驶场景，旨在对车载摄像头采集的视频数据进行道路场景解析（行车检测），为自动驾驶提供一种解决思路。该项目使用bdd100k_car数据集训练，并完成了安卓部署。现如今，汽车在日益普及人们的生活，再给人们带来极大便利的同时也造成了拥堵的交通更为频发的交通事故。通过行车检测不仅能够更好的帮助司机检查路况，并且还能够更好的规化当前的路程管理，减轻道路的拥堵情况。 在车辆驾驶中主要考验的是司机如何应对其他行驶车辆的可
-
发表了文章 2023-01-13
[Paddle Detection]基于PP-YOLOE+实现道路场景目标检测及部署
该项目着眼于基于视觉深度学习的自动驾驶场景，旨在对车载摄像头采集的视频数据进行道路场景解析，为自动驾驶提供一种解决思路。利用YOLO系列模型PP_YOLOE+完成车辆检测实现一种高效高精度的道路场景解析方式,从而实现真正意义上的自动驾驶，减少交通事故的发生，保障车主的人身安全。数据集地址视频数据： 超过1,100小时的100000个高清视频序列在一天中许多不同的时间，天气条件，和驾驶场景驾驶经验。视频序列还包括GPS位置、IMU数据和时间戳。道路目标检测。
-
发表了文章
2023-07-10
SqueezeNet算法解析—鸟类识别—Paddle实战
-
发表了文章
2023-06-25
UnicodeEncodeErron: ‘gbk‘ codec can‘t encode character ‘ \ue615‘ in position 346139...编码问题解决
-
发表了文章
2023-06-25
中缀表达式转化为后缀表达式
-
发表了文章
2023-06-25
头歌计算机算法设计与分析：随机化算法
-
发表了文章
2023-06-25
python元组和集合基本知识
-
发表了文章
2023-06-25
深度学习中各个模型简介
-
发表了文章
2023-06-25
PyTorch与Paddle映射表
-
发表了文章
2023-06-25
【文心一言】广告文案、演讲稿与请假条自动生成
-
发表了文章
2023-06-25
PyTorch基础知识(超基础)
-
发表了文章
2023-06-25
头歌计算机算法设计与分析线性规划问题和单纯形算法第1关：单纯性算法解一般线性方程组
-
发表了文章
2023-06-25
常见的几种距离量度（欧式距离、曼哈顿距离、切比雪夫距离等）
-
发表了文章
2023-06-25
Python面向对象的三大特征
-
发表了文章
2023-06-25
Xception算法解析-鸟类识别实战-Paddle实战
-
发表了文章
2023-06-25
Java基础笔记(初学者适用)
-
发表了文章
2023-06-25
python文件操作以及os的使用
-
发表了文章
2023-06-25
python列表基础内容
-
发表了文章
2023-06-25
数据库SQL语句基础
-
发表了文章
2023-06-25
python字典介绍
-
发表了文章
2023-06-25
基于PP-OCRv3的车牌检测和识别
-
发表了文章
2023-06-25
python基础之字符串、函数、BUG和异常类型介绍及类和对象详细笔记
