输入/输出
图像 C++爪哇岛蟒
从文件加载图像：
垫子 img = imread（文件名）;
如果您读取 jpg 文件，则默认创建一个 3 通道图像。如果您需要灰度图像，请使用：
垫子 img = imread（文件名，IMREAD_GRAYSCALE);
-
注意
文件的格式由其内容（前几个字节）决定。要将图像保存到文件：
imwrite（文件名，img）;
-
注意
文件的格式由其扩展名决定。
使用 cv：：imdecode 和 cv：：imencode 从内存而不是文件读取和写入图像。
图像的基本操作
访问像素强度值 C++爪哇岛蟒
为了获得像素强度值，您必须知道图像的类型和通道数。以下是单通道灰度图像（类型 8UC1）和像素坐标 x 和 y 的示例：
标量强度 = img.at（y， x）;
仅限 C++ 版本：intensity.val[0] 包含从 0 到 255 的值。注意 x 和 y 的顺序。由于在 OpenCV 中，图像由与矩阵相同的结构表示，因此我们对这两种情况使用相同的约定 - 从 0 开始的行索引（或 y 坐标）排在最前面，从 0 开始的列索引（或 x 坐标）紧随其后。或者，您可以使用以下表示法（仅限 C++）：
现在让我们考虑一个带有 BGR 颜色排序的 3 通道图像（imread 返回的默认格式）：
C++ 代码
Vec3b 强度 = img.at<Vec3b>（y， x）;
乌查尔蓝 = intensity.val[0];
乌查尔绿 = Intensity.Val[1];
乌查尔红 = 强度.val[2];
蟒蛇
_blue = img[y，x，0]
_green = img[y，x，1]
_red = img[y，x，2]
您可以对浮点图像使用相同的方法（例如，您可以通过在 3 通道图像上运行 Sobel 来获取此类图像）（仅限 C++）：
Vec3f 强度 = img.at<Vec3f>（y， x）;
浮动蓝色 = 强度。val[0];
浮点绿 = intensity.val[1];
浮点红 = intensity.val[2];
可以使用相同的方法来更改像素强度：
img.at（y， x） = 128;
OpenCV 中有一些函数，尤其是来自 calib3d 模块的函数，例如 cv：:p rojectPoints，它们以 Mat 的形式接受 2D 或 3D 点的数组。 矩阵应该正好包含一列，每行对应一个点，矩阵类型应该对应为 32FC2 或 32FC3。这样的矩阵可以很容易地从（仅限 C++）中构造：std::vector
vector 点;
//…填充数组
垫子点Mat = 垫子（点）;
可以使用相同的方法（仅限 C++）访问此矩阵中的点：Mat::at
Point2f 点 = pointsMat.at<Point2f>（i， 0）;
内存管理和引用计数 C++爪哇岛蟒
Mat 是一种结构，用于保留矩阵/图像特征（行和列数、数据类型等）和指向数据的指针。因此，没有什么能阻止我们拥有对应于相同数据的多个 Mat 实例。Mat 保留一个引用计数，该计数指示在销毁特定 Mat 实例时是否必须释放数据。下面是在不复制数据的情况下创建两个矩阵的示例（仅限 C++）：
std::vector points;
// … fill the array
Mat pointsMat = Mat(points).reshape(1);
As a result, we get a 32FC1 matrix with 3 columns instead of 32FC3 matrix with 1 column. uses data from points and will not deallocate the memory when destroyed. In this particular instance, however, developer has to make sure that lifetime of is longer than of If we need to copy the data, this is done using, for example, cv::Mat::copyTo or cv::Mat::clone:pointsMat``points``pointsMat
Mat img = imread(“image.jpg”);
Mat img1 = img.clone();
An empty output Mat can be supplied to each function. Each implementation calls Mat::create for a destination matrix. This method allocates data for a matrix if it is empty. If it is not empty and has the correct size and type, the method does nothing. If however, size or type are different from the input arguments, the data is deallocated (and lost) and a new data is allocated. For example:
Mat img = imread(“image.jpg”);
Mat sobelx;
Sobel(img, sobelx, CV_32F, 1, 0);
Primitive operations C++爪哇岛蟒
矩阵上定义了许多方便的运算符。例如，以下是我们如何从现有的灰度图像中制作黑色图像img
img = 标量（0）;
选择感兴趣的区域：
矩形 r（10， 10， 100， 100）;
垫子 smallImg = img（r）;
从彩色到灰度的转换：
Mat img = imread（“图像.jpg”）;加载 8UC3 镜像
哑光灰色;
cvtColor（img， 灰色， COLOR_BGR2GRAY);
将映像类型从 8UC1 更改为 32FC1：
src.convertTo（dst， CV_32F);
可视化图像 C++爪哇岛蟒
在开发过程中查看算法的中间结果非常有用。OpenCV 提供了一种可视化图像的便捷方式。可以使用以下方式显示 8U 图像：
垫子 img = imread（“image.jpg”);
namedWindow（“图像”， WINDOW_AUTOSIZE);
imshow（“图像”， img）;
等待键();
对 waitKey（） 的调用会启动一个消息传递周期，该周期在“image”窗口中等待击键。32F镜像需要转换为8U型。例如：
垫子 img = imread（“image.jpg”);
哑光灰色;
cvtColor（img， 灰色， COLOR_BGR2GRAY);
垫子索贝尔克斯;
Sobel（灰色，sobelx，CV_32F，1,0）;
double minVal， maxVal;
minMaxLoc（sobelx， &minVal， &maxVal）;最小和最大强度
垫子拉;
sobelx.convertTo（draw， CV_8U， 255.0/（maxVal - minVal）， -minVal * 255.0/（maxVal - minVal））;
namedWindow（“图像”， WINDOW_AUTOSIZE);
imshow（“图像”， 绘制）;
等待键();
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
😝有需要的小伙伴，可以Vx扫描下方二维码免费领取==🆓
1655
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
