数据结构篇
简述数据的逻辑结构和物理结构的概念和两者的关系
数据的逻辑结构是从思想的角度上对数据进行分类和组织的方式,它描述了数据之间的逻辑关系,可以看作是从具体问题抽象出来的数学模型。逻辑结构一般分为集合、线性、树形、图形四种。
* 网络结构:为网络硬件、软件、协议、存取控制和拓扑提供标准。
数据的物理结构则是指数据在计算机中的存储方式和访问方式,它决定了数据在计算机内存中的实际存储形式。物理结构的选择和实现会受到逻辑结构的影响,不同的逻辑结构可能需要不同的物理结构来实现。
数据的逻辑结构和物理结构是密不可分的,二者相互依存、相互影响。逻辑结构是建立在物理结构之上的,决定了数据的组织方式和操作方式,而物理结构则决定了数据的存储方式和访问方式。在设计和实现数据结构时,需要综合考虑逻辑结构和物理结构的特点和需求,以选择最适合的存储和访问方式,提高数据的存储和检索效率。
什么是算法?算法的性质有哪些?
算法(Algorithm)是解决特定问题的一系列清晰、明确的指令或步骤的集合。更严格地说,算法是由若干条指令组成的有穷序列,这些指令描述了如何完成一项任务或解决一个问题。
算法的性质主要包括以下几点:
1. **有穷性**(Finiteness):算法必须能在执行有限个步骤之后终止。
2. **确定性**(Definiteness):算法的每一步骤必须有明确定义的操作,无二义性。
3. **可行性**(Effectiveness):算法的每一步都必须是可执行的,即每一步都能通过执行有限次操作完成。
4. **输入**(Input):一个算法有0个或多个输入,以刻画运算对象的初始情况,所谓0个输入是指算法本身定出了初始条件。
5. **输出**(Output):一个算法有一个或多个输出,以反映对输入数据加工后的结果。没有输出的算法是毫无意义的。
这些性质确保了算法的有效性和可靠性,使得算法能够在实际问题中得到应用。同时,算法的设计和实现还需要考虑其正确性、可读性、健壮性和高效性,以满足不同场景下的需求。
毕设(深度学习)篇
人工智能
人工智能是当今全球科技创新发展的新引擎,发展新一代人工智能技术已纳入我国国家科技发展规划。人工智能是研究、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交叉学科,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。例如:人脸识别技术,语音识别技术、基于用户兴趣的智能算法推荐技术。
机器学习和深度学习
机器学习是人工智能领域中的一个分支,主要是通过计算机程序对数据进行学习和分析,从而能够自动地发现数据中的规律和模式,并做出预测和决策。机器学习的核心是让计算机程序从数据中学习规律,进而预测未来的趋势和结果。这种学习过程是基于统计学和数学模型的,其中包括监督学习、无监督学习和强化学习等多种学习方式。机器学习技术被广泛应用于多个领域,如智能制造中的质量控制、故障预测、生产计划优化等。
深度学习是机器学习的一个分支,主要是基于神经网络的机器学习方法。深度学习的灵感来源于人类大脑的工作方式,是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并非是一个全新的概念,可以理解为包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果,人们对神经元的连接方法以及激活函数等方面做出了调整。深度神经网络模型可以学习输入数据的特征表示,并通过逐层传递的方式将低层次的特征组合成高层次的特征表示,从而实现对数据的分类、识别和理解等任务。深度学习主要应用于文字识别、人脸技术、语义分析、智能监控等领域,并且在智能硬件、教育、医疗等行业也在快速布局。
总的来说,机器学习和深度学习都是人工智能领域中的重要技术,它们在数据分析和预测等方面有着广泛的应用。机器学习更注重从数据中学习规律和模式,而深度学习则更注重利用神经网络进行特征表达和分类。随着技术的不断发展,这两种方法将会在更多领域得到应用和发展。
卷积神经网络和YOLOv5
卷积神经网络(Convolutional Neural Network, CNN)是一种深度学习算法,广泛应用于图像识别、文本分类、语音识别等领域。CNN通过卷积层、池化层等结构,可以学习到图像的特征,包括颜色、纹理、形状等,并将这些特征转换为概率分布,从而识别图像中的目标物体。
YOLOv5则是一种目标检测算法,它基于CNN实现。该算法采用了一种称为“Backbone-Neck-Head”的网络结构,其中的Backbone部分以CSP-Darknet53网络为基础,是由多个卷积层组成的CNN网络,用于提取图像特征。然后,这些特征通过Neck部分进行进一步的处理和融合,Neck部分采用了自顶向下 的 FPN(Feature Pyramid Network,特征金字塔)模块和自底向上的 PAN(Path Aggregation Network,路径增强)模块结构将特征进行融合,从而获取丰富的特征信息。还采用了SPPF快速空间金字塔池化结构,从而扩大模型的感受野,增强模型对上下文信息的捕捉能力。最后由Head的主体部分是三个 Detect 检测器。三个 Detect 检测器将三个检测不同尺度目标的特征层融合,最终输出包含了待检测目标的类别、类别概率、边界框位置等信息的向量。
YOLOv5算法和卷积神经网络密切相关,卷积神经网络是YOLOv5算法的核心技术之一。YOLOv5通过优化CNN的网络结构和训练方式,实现了更高的检测精度和更快的检测速度。
深度学习的实质
由大量有标签的数据训练出模型,再通过模型预测新的数据的标签
神经网络只能进行浮点数的运算或整数的运算
全连接网络的训练步骤(从权重矩阵计算的角度)
将输入数据数值化为一个向量 -> 标准化(归一化)该向量 -> 神经网络的权重矩阵与归一化后的向量相乘,每个分量再加上一个偏置b(b是一个可学习的参数,加上b是为了线性不可分),再经过一个激活函数(常见的有sigmoid,Relu,Tanh)(使其不再是一个简单的线性变换),最终得到输出向量logits -> 将logits进行softmax -> 得到预测结果的概率分布(向量中的每个分量对应的是预测为某个标签的概率),其中最大的数,对应的就是预测结果 -> 用“损失LOSS”来衡量预测向量与真实结果中之间的差距
其中权重矩阵随机初始化,在每轮训练中通过LOSS来调整权重矩阵和b(损失函数对权重矩阵中的每个元素及b求梯度,就得到了更新的方向,再按照设定的超参数步长来更新)
卷积网络处理图像
初始灰度矩阵(如果是RGB图则有三层)作为输入,与卷积核进行计算 -> 特征图 -> 用新的卷积核在其上运算,得到新的特征图 -> 展开该特征图得到一个向量,再进行上述全连接网络的运算步骤
卷积网络处理文本
用tokenizer将文本分词,并将每个词映射为一个序号,每个标号对应的向量拼接在一起就得到了一个矩阵,作为输入,然后就可以进行和处理图像一样的步骤了
云计算
云计算服务:厂商把自己的数据中心资源按需租用给客户,协助他们在云端进行处理的服务。
Iass:基础设施服务
Pass:平台即服务
Sass:软件即服务
云计算服务:①灵活的订阅机制 ②弹性的按需付费