HNU_AI_实验4--深度学习算法及应用

已于 2024-05-18 16:28:37 修改
阅读量1.1k 收藏 23
点赞数 29
分类专栏： # 实验_AI 文章标签： 人工智能 实验 深度学习 循环神经网络 卷积神经网络 猫狗识别
于 2024-05-08 22:41:40 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_62323523/article/details/138504757
版权

参考：
yty的小迷弟_【头歌平台】人工智能-深度学习初体验
HNU岳麓山大小姐_人工智能导论：深度学习初体验
A橙_人工智能-实验四

一．实验目的

1、了解深度学习的基本原理；
2、能够使用深度学习开源工具；
3、应用深度学习算法求解实际问题。

二、实验要求

1、解释深度学习原理；
2、采用深度学习框架完成课程综合实验，并对实验结果进行分析；
3、回答思考题。

三、实验平台（2选1）

1、课程实训平台 https://www.educoder.net/paths/369
2、华为云平台（推荐使用昇腾910、ModelArts、OCR识别、图像识别等完成综合实验）
https://www.huaweicloud.com/

四、实验内容与步骤

头歌_深度学习初体验

1.第1关 什么是神经网络

（1）题一

全连接网络包含输入层、隐藏层和输出层

在这里插入图片描述

  • 输入层表示用来接收数据输入的一组神经元。

  • 输出层表示用来输出的一组神经元。

  • 隐藏层表示介于输入层与输出层之间的一组神经元。

  • 对

（2）题二

层数较多的神经网络为深层神经网络

  • 如果神经网络的层数比较多，我们就成为这样的神经网络为深层神经网络。
  • 如果用深层神经网络来完成我们想要的功能，我们就叫它为深度学习

深度学习：

  • 构建多层隐藏层的人工神经网络；

  • 通过卷积，池化，误差反向传播等手段，进行特征学习，提高分类或预测的准确性。

  • 深度学习通过增加网络的深度，减小每层需要拟合的特征个数，逐层提取底层到高层的信息，达到更好的预测和分类性能。强调模型结构的深度，通常有5层以上的隐藏层。

  • 对

（3）题三

ReLU(11)=11

ReLU 函数的公式：f(x)=max(0,x)
图像：
在这里插入图片描述

  • 对

（4）题四

下列说法错误的是
A、用深层神经网络实现想要的功能就是深度学习
B、神经网络的灵感来自于人类大脑的神经系统的构成
C、含有1层隐藏层的神经网络称之为深层神经网络

  • C

2.第2关 反向传播

（1）题一

反向传播主要是为了计算参数对损失函数的梯度？

  • 训练与预测：
    • 预测过程：前向传播的过程；
    • 训练过程：重复前向传播加反向传播的过程
  • 反向传播
    • 不断地寻找合适的 W 和 b 来让预测输出与真实标签之间差异最小的过程
    • （1）衡量差异：损失函数
      • 输入：预测输出和真实标签
      • 输出：量化差异的大小
      • 分类问题-使用交叉熵损失；回归问题-使用均方误差等
    • （2）迭代更新 W 和 b：梯度下降算法
      • 目的：找到使损失函数下降最快的方向，进行参数调优
      • 计算 W 和 b 对于损失函数的偏导；
      • W 和 b 对于神经元中线性计算部分的偏导，线性计算部分对于损失函数的偏导

在这里插入图片描述

  • 对

（2）题二

梯度下降是一种迭代更新的算法？

  • 对

（3）题三

神经网络的训练过程只有前向传播过程？

  • 错

3.第3关 CNN识别手写数字；

（1）卷积神经网络CNN

  • 作用：常用于图像识别。CNN是识别二维形状的一个多层感知器，对于平移、比例缩放、旋转等其他形式的变相具有一定的不变性

  • 算法思想：

    • 将局部感知，权值共享以及下采样这三种结构结合，达到图像降维的特征学习。
    • 通过卷积、池化的方式提取图像特征，减少像素信息，然后建立全连接网络进行分类【卷积，池化，全连接网络合理的组合】
      在这里插入图片描述

  • 卷积

    • 目的：提取图像中物体的特征（卷积核）
    • 算法思路：一个卷积核(其实就是一个带权值的滑动窗口)在图像上从左到右，从上到下地扫描，每次扫描时卷积核与当前被卷积核覆盖的矩阵做内积，得到特征图。
    • 特征图：体现了图像与卷积核的相似程度（也就是内积的计算结果）；
    • 考虑：特征可能只占图像的一小部分、同样的特征可能出现在不同的图像中不同的位置
    • 卷积核如何确定：训练出来
      在这里插入图片描述

  • 池化

    • 目的：缩小输入图像，减少像素信息；减少后续卷积的计算量；保留最佳的特征
    • 算法思路-最大池化：保留了每一小块内（2*2的矩阵）的最大值，也就是相当于保留了这一块最佳的匹配结果（卷积得到的特征图，值越大，与卷积核越相似）
    • 考虑：缩放图像的大小对物体的特征影响可能不大
      在这里插入图片描述

  • 全连接网络

    • 目的：卷积与池化提取图像中物体的特征后，使用全连接网络来进行分类
    • 输入层：对图像进行卷积，池化等计算之后并进行扁平后的特征图
    • 隐藏层：每一个神经元可以看成是一个很简单的线性分类器和激活函数的组合
    • 输出层：神经元的数量一般为标签类别的数量，激活函数为 softmax （因为将该图像是猫或者狗的得分进行概率化）
      在这里插入图片描述

（2）使用 Keras 构建卷积神经网络

  • 不用自己实现细节，直接实例化sequential对象，然后添加层（卷积、池化、全连接训练）就行
  • ①实例化Sequential对象：
from keras.models import Sequential
model = Sequential()
  • 往 Sequential 对象中添加层add
    • add 的对象是 Layer 对象， Layer 对象有很多种，例如 Conv2D （卷积层）， MaxPooling2D (最大池化层)， Flatten （扁平层）， Dense （全连接层）等
  • ②add全连接层
'''
units=64表示这层有64个神经元
activation='relu'表示这层的激活函数是relu
'''
model.add(Dense(units=64, activation='relu')
  • ③add 一层卷积层
'''
16表示该卷积层有16个卷积核
kernel_size=3表示卷积核的大小为3*3
activation='relu'表示卷积层的激活函数是relu
input_shape=[IMAGE_HEIGHT, IMAGE_WIDTH, 3]表示待卷积图像为32*32的3通道图像
'''
model.add(Conv2D(16, kernel_size=3, activation='relu', input_shape=[32, 32, 3]))
  • ④add 一层最大池化层
'''
pool_size=2表示池化窗口的大小为2*2
'''
model.add(MaxPooling2D(pool_size=2))
  • ⑤add 一层扁平层
'''
卷积或者池化后想要接上全连接层之前需要接入扁平层
'''
model.add(Flatten())
  • ⑥compile函数编译模型
    作用：指定损失函数、参数的更新方法等信息。
'''
loss='categorical_crossentropy'表示使用交叉熵损失函数
optimizer=keras.optimizers.SGD(lr=0.0001)表示训练时使用mini-batch梯度下降方法来更新参数，学习率为0.0001
metrics=['accu\fracy']表示训练时模型主要考量正确率
'''
model.compile(loss='categorical_crossentropy',    optimizer=keras.optimizers.SGD(lr=0.0001),
              metrics=['accu\fracy'])
  • ⑦ fit 函数训练模型
    传入训练集的图像、训练集图像所对应的 onehot 编码、训练的迭代次数以及 batch 数量即可
'''
images表示的是训练集图像
onehot表示的是训练集图像所对应的onehot编码
epochs=5表示的是迭代5次
batch=32表示batch的数量是32
verbose=0表示在训练过程中不打印损失值、正确率等信息
'''
model.fit(images, onehot, epochs=5, batch_size=32, verbose=0)
  • ⑧predict 函数预测模型
'''
images表示待预测图像
batch_size表示batch的数量
'''
result = model.predict(images, batch_size=32)

（3）编程-完整代码

  • 要求
    • 64 个 5*5 的卷积核组成的卷积层，激活函数为 relu；
    • 最大池化层，池化核大小为 2*2；
    • 扁平；
    • 128 个神经元的全连接层，激活函数为 relu；
    • 10 个神经元的全连接层，激活函数为 softmax。
from keras.models import Sequential
from keras.layers import Conv2D, MaxPool2D, Flatten, Dense
import numpy as np
# 设置随机种子
np.random.seed(1447)

def build_model():
    '''
    在Begin-End段中构建出如下结构的卷积神经网络
    1.64个5*5的卷积核组成的卷积层，激活函数为relu
    2.最大池化层，池化核大小为2*2
    3.扁平
    4.128个神经元的全连接层，激活函数为relu
    5.10个神经元的全连接层，激活函数为softmax
    :return: 构建好的模型
    '''
    model = Sequential()
    model.add(Conv2D(32, (5, 5), activation='relu', input_shape=[28, 28, 1]))
    #********* Begin *********#
    model.add(Conv2D(64, (5, 5), activation='relu'))
    model.add(MaxPool2D(pool_size=(2, 2)))
    model.add(Flatten())
    model.add(Dense(128, activation='relu'))
    model.add(Dense(10, activation='softmax'))

    #********* End *********#
    return model
# 包含两个卷积层，一个池化层，然后连接了一个扁平层，
# 扁平层的作用是将多维的输入一维化，用在从卷积层到全连接层的过渡，
# 最后连接了两个全连接层，输出结果。

4.第4关 RNN分析影评情感

（1）循环神经网络RNN

  • 与卷积神经网络CNN的对比
    • CNN ：通常用于计算机视觉领域
    • RNN ：通常作用于语言处理（ RNN 或者 RNN 的变种）
    • 语言处理用RNN的原因：
      • 语言的数据量十分庞大，使用 CNN 进行训练需要的参数存在几何倍增加
      • 语言有一定的时序，CNN 的层与层之间是独立的，处理非时序的问题比较强大，而RNN 会“记住”之前的内容
  • 算法思想：两部分输入
    • x：当前时刻输入的外部数据
    • 上一个神经元传递的 s，s 代表的是内部数据也就是上一个神经元经过计算后保留的记忆
      在这里插入图片描述

（2）使用 Keras 构建循环神经网络

Embedding层：

  • 实现语义空间到向量空间的映射
  • 把每个词语都转换为固定维数的向量，并且使语义接近的两个词转化为向量后，这两个向量的相似度也高。
from keras.layers import Embedding, SimpleRNN, Dense
from keras import Sequential
model = Sequential()
# 对输入的影评进行word embedding，一般对于自然语言处理问题需要进行word embedding
model.add(Embedding(1000, 64))
# 构建一层有40个神经元的RNN层
model.add(SimpleRNN(40))
# 将RNN层的输出接到只有一个神经元全连接层
model.add(Dense(1, activation='sigmoid'))

（3）编程-完整代码

  • 要求
    • 有 30 个神经元的 SimpleRNN 层；
    • 有 16 个神经元的全连接层，激活函数为 relu；
    • 有 1 个神经元的全连接层，激活函数为 sigmoid
from keras.models import Sequential
from keras.layers import Embedding, SimpleRNN, Dense

def build_model():
    '''
    在Begin-End段中构建如下结构的循环神经网络
    1.有30个神经元的SimpleRNN层
    2.有16个神经元的全连接层，激活函数为relu
    3.有1个神经元的全连接层，激活函数为sigmoid
    :return: 构建好的模型
    '''
    model = Sequential()
    model.add(Embedding(1000, 64))
    #********* Begin *********#
    model.add(SimpleRNN(30))
    model.add(Dense(units=16, activation='relu'))
    model.add(Dense(units=1, activation='sigmoid'))
    #********* End *********#
    return model

5.第5关 猫狗大战（猫狗识别）

（1）数据简介

  • Dogs vs. Cats 比赛的训练数据集总共有 25000 张图片（狗= 1 ，猫= 0 ）
  • 实训从该数据集中随机抽取了 500 张图作为训练集，100 张图作为测试集，并分别位于 train_data 和 test_data 两个目录中
    • 其中 train_data 目录中的图片的文件名命名格式如下图所示：
      在这里插入图片描述

（2）数据的读取与预处理

  • ①读取图片
    • OpenCV库：读取图片，并缩放到固定的宽和高
# 导入 cv2 
import cv2

#使用 imread 函数来读取图片，其中 filename 是想要读取的图片路径。
img = cv2.imread(filename)

#由于训练集中的图片大小不一，所以需要将读取到的图片强制缩放到固定的宽和高
# resize 函数，其中 (32, 32) 的意思是将源图像缩放成宽和高都是 32 个像素的图像。
resized_image = cv2.resize(img, (32, 32))
  • ②图像归一化
    • 目的：提高卷积神经网络在梯度下降时的速度，减少损失的震荡程度
    • 图像的数据结构：opencv 读取后的图像是使用 numpy 的 ndarray 这一数据结构来表示的
img = img / 255.0
  • ③onehot编码
    • 背景：
      • 遍历 train_data 目录中的图片时，可以根据图片的名字来确定图片对应的标签（ 0 (猫)，1 (狗)）
      • 在使用神经网络训练前，需要对标签进行 onehot 编码处理。
    • onehot编码：分类变量作为二进制向量的表示。
      • 首先，将分类值映射到整数值。
      • 然后，每个整数值被表示为二进制向量；
      • 除了整数的索引之外，它都是零值，被标记为 1
        在这里插入图片描述
    • 把真实标签中所有可能的结果作为列（这里只有猫和狗，所以猫和狗作为列），然后把对应的列填上 1 和 0
# 先用 numpy 的 zeros 函数分配好空间
# row 指的是有多少张训练集图片，col 指的是有多少种标签
onehot = np.zeros((row, col))

# 然后根据图片名字在对应的列上填 1 即可
#（在这里假设 onehot 的第 1 列是猫，第 2 列是狗）
  • ④实现猫狗分类
    • 建立、训练模型：
model = keras.Sequential()
model.add(Conv2D(32, kernel_size=3, activation='relu', input_shape=[IMAGE_HEIGHT, IMAGE_WIDTH, 3]))
model.add(MaxPooling2D(pool_size=2))
model.add(Conv2D(32, kernel_size=3, activation='relu'))
model.add(MaxPooling2D(pool_size=2))
model.add(Flatten())
model.add(Dense(96, activation='relu'))
model.add(Dense(2, activation='softmax'))
model.compile(loss='categorical_crossentropy',    optimizer=keras.optimizers.Adam(lr=0.0001),
              metrics=['accu\fracy'])
              
model.fit(images, onehot, epochs=20, batch_size=32, verbose=0)
  • 预测：
result = model.predict(images, batch_size=32)
# 得到预测结果
predict_idx = np.argmax(result, axis=1)

（3）可以通过、不可以通过的代码，及对比

①可以通过的

yty的小迷弟_【头歌平台】人工智能-深度学习初体验

from keras.layers import Dense, Activation, Flatten, Dropout, Conv2D, MaxPooling2D
import keras
import os
import numpy as np
import cv2

# 设置随机种子
np.random.seed(1447)

IMAGE_HEIGHT = 128
IMAGE_WIDTH = 128


def get_train_data(data_path):
    '''
    读取并处理数据
    :return:处理好的图像和对应的one-hot编码
    '''
    images = []
    onehot = np.zeros((500, 2))
    #********* Begin *********#
    for i, img_name in enumerate(os.listdir(data_path)):
        if 'cat' in img_name:
            onehot[i, 0] = 1
        else:
            onehot[i, 1] = 1
        img = cv2.imread(os.path.join(data_path, img_name))
        img = cv2.resize(img, (IMAGE_HEIGHT, IMAGE_WIDTH))
        images.append(np.array(img, "float32") / 255.0)

    #********* End *********#
    return np.array(images), onehot

def build_model():
    '''
    构建模型
    :return:构建好的模型
    '''
    model = keras.Sequential()
    #********* Begin *********#
    model.add(Conv2D(32, kernel_size=3, activation='relu', input_shape=[IMAGE_HEIGHT, IMAGE_WIDTH, 3]))
    model.add(MaxPooling2D(pool_size=2))
    model.add(Conv2D(32, kernel_size=3, activation='relu'))
    model.add(MaxPooling2D(pool_size=2))
    model.add(Flatten())
    model.add(Dense(96, activation='relu'))
    model.add(Dense(2, activation='softmax'))
    #********* End *********#
    return model


def fit_and_predict(model, train_images, onehot, test_images):
    '''
    训练模型，并对测试图像进行预测
    :param model: 训练好的模型
    :param train_images: 训练集图像
    :param onehot: 训练集的one-hot编码
    :param test_images: 测试集图像
    :return: 预测结果
    '''
    #********* Begin *********#
    # 编译模型
    model.compile(loss='categorical_crossentropy', optimizer=keras.optimizers.Adam(lr=0.0001), metrics=['accuracy'])
    #********* End *********#
    model.fit(train_images, onehot, epochs=20, batch_size=32, verbose=0)
    result = model.predict(test_images, batch_size=10)
    predict_idx = np.argmax(result, axis=1)
    return predict_idx
②不能通过的
from keras.layers import Dense, Activation, Flatten, Dropout, Conv2D, MaxPooling2D
import keras
import os
import numpy as np
import cv2

# 设置随机种子
np.random.seed(1447)

IMAGE_HEIGHT = 128
IMAGE_WIDTH = 128


def get_train_data(data_path):
    '''
    读取并处理数据
    :return:处理好的图像和对应的one-hot编码
    '''
    images = []
    onehot = np.zeros((500, 2))
    #********* Begin *********#
    for i, img_name in enumerate(os.listdir(data_path)):
        if 'cat' in img_name:
            onehot[i, 0] = 1
        else:
            onehot[i, 1] = 1
        img = cv2.imread(os.path.join(data_path, img_name))
        img = cv2.resize(img, (IMAGE_HEIGHT, IMAGE_WIDTH))
        img = img / 255.0
        images.append(img)
    #********* End *********#
    return np.array(images), onehot

def build_model():
    '''
    构建模型
    :return:构建好的模型
    '''
    model = keras.Sequential()
    #********* Begin *********#
    model.add(Conv2D(32, kernel_size=3, activation='relu', input_shape=[IMAGE_HEIGHT, IMAGE_WIDTH, 3]))
    model.add(MaxPooling2D(pool_size=2))
    model.add(Conv2D(32, kernel_size=3, activation='relu'))
    model.add(MaxPooling2D(pool_size=2))
    model.add(Flatten())
    model.add(Dense(96, activation='relu'))
    model.add(Dense(2, activation='softmax'))
    #********* End *********#
    return model


def fit_and_predict(model, train_images, onehot, test_images):
    '''
    训练模型，并对测试图像进行预测
    :param model: 训练好的模型
    :param train_images: 训练集图像
    :param onehot: 训练集的one-hot编码
    :param test_images: 测试集图像
    :return: 预测结果
    '''
    #********* Begin *********#
    # 编译模型
    model.compile(loss='categorical_crossentropy', optimizer=keras.optimizers.Adam(lr=0.0001), metrics=['accuracy'])
    #********* End *********#
    model.fit(train_images, onehot, epochs=20, batch_size=32, verbose=0)
    result = model.predict(test_images, batch_size=10)
    predict_idx = np.argmax(result, axis=1)
    return predict_idx
③不同
  • 上面通过、不通过的不同之处只在于函数get_train_data(data_path)的图像归一化部分：
# 通过版本
images.append(np.array(img, "float32") / 255.0)

# 不通过版本
img = img / 255.0
images.append(img)

  • 两种实现的异同：

    • 同：都是将图像数据归一化到[0, 1]范围内
    • 异：
      • error（img=img/255.0）： 假设img是一个包含像素值的数组或矩阵，其数据类型为浮点数或整数。
      • rigth（np.array(img, “float32”)）：首先将图像img转换为浮点数数组，然后再将其归一化到[0, 1]范围内

  • 结论：把img先变成float32类型，再进行除法就可以通过（这里改成float64的话也会出错）

# right
img = img.astype("float32")/ 255.0
img = img.astype(np.float32)/ 255.0
# error
img = img.astype(float)/ 255.0
img = img.astype("float")/ 255.0
img = img.astype(np.float)/ 255.0
img = img.astype("float64")/ 255.0
img = img.astype(np.float64)/ 255.0

五、思考题：

1.深度算法参数的设置对算法性能的影响？

深度学习中的参数是控制模型结构、训练效率、训练效果的关键。常见的参数及对模型训练的影响如下：

  • 学习率(Learning rate)：决定在优化算法中更新参数权重的幅度。学习率可以是恒定的，逐渐降低的，基于动量的等

    • 学习率的值过小会降低收敛速度，增加训练时间;过大则可能导致参数在最优解两侧振荡
    • 可以进行动态调整，一般在开始时较大，随着迭代次数的增加减小学习率，提高稳定性

  • 迭代次数(Epoch)：训练次数;

    • 次数少则训练效果可能不够好
    • 次数过多可能导致过拟合

  • 一次训练选取的样本数(Batch size)：影响训练时间;

    • 过小则可能存在梯度振荡，
    • 过大则梯度准确，收敛快,但容易陷入局部最优

  • 优化器：常见的有SGD(随机梯度下降)，dagrad(自适应梯度下降，不同参数学习率不同)等

  • 激活函数：增加神经网络模型的非线性，要根据具体问题选择合适的激活函数。

  • 损失函数：影响收敛速度和模型整体性能。

    • 回归模型常用的损失函数有均方损失函数MSE，平滑L1损失Huber，平均绝对误差MAE;
    • 分类问题常用交叉熵损失函数。
_蟑螂恶霸_
关注
  • 29
    点赞
  • 踩
  • 23
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
HNU-电路电子学-实验4（2021级）
10-31
在本实验中，我们主要探讨的是电路电子学的实践应用，特别是针对2021级学生设计的实验4。这个实验旨在让学生深入理解并实际操作计算机系统中的核心组件，包括随机存取存储器（RAM）、通用寄存器组、指令寄存器、指令...
HNU-电路电子学-实验2-ALU（2021级）
10-31
【标题】"HNU-电路电子学-实验2-ALU（2021级）"涉及的是在高等教育阶段，华中科技大学（HNU）电路与电子学课程的一个实验项目，该实验主要聚焦于实现算术逻辑单元（ALU）。ALU是计算机硬件中的核心组成部分，能够...
HNU-电路电子学-实验3（2021级）
10-31
【标题】"HNU-电路电子学-实验3（2021级）" 涉及的是在湖南大学（HNU）2021级的电路电子学课程中的一个实验项目，旨在让学生通过实际操作加深对单路电子学的理解。实验通常包括理论学习、电路设计、模拟和分析等环节...
HNU2024年编译原理课程实验-LEX和YACC工具的使用.zip
06-01
在编译原理这门课程中，LEX（也称为lex或flex）和YACC（也称为yacc或bison）是两个非常重要的...在实践中，学生将学习如何将理论知识应用于实际问题，增强动手能力和问题解决能力，这是课程设计和课程实验的重要目标。
揭示生成式 AI 在数据叙事和分析中的影响
gongdiwudu的专栏
07-16 1115
在广阔的数据分析领域，改变游戏规则的最深刻的发展之一是生成式人工智能 （GAI）。这是一个激动人心的时刻，人工智能不仅仅是基于历史数据进行处理和预测;它正在创造一些全新的东西，彻底改变数据叙事和分析过程。在最近的一次会议中，我有机会探讨了这项技术创新的基本原理、架构和潜在影响。以下是我们介绍的内容的简明摘要。
python训练模型报错：BrokenPipeError: [Errno 32] Broken pipe
Dxy1239310216的博客
07-18 313
如果问题持续存在，并且你的项目不是必须在 Windows 上运行，考虑在 Unix/Linux 系统上运行你的代码。确保在数据加载器中使用的任何自定义函数或类都是可序列化的，因为多进程需要能够在不同进程间传递它们。进行多进程数据加载时尤其常见，尤其是在 Windows 系统上，因为 Windows 对多进程的支持与 Unix/Linux 系统有所不同。有时候，错误可能是由其他部分的代码引起的，而不是直接由数据加载器引起。如果问题依然存在，你可能需要更详细地检查你的代码或寻求更专业的帮助。
园区道路车辆智能管控视频解决方案，打造安全畅通的园区交通环境
TSINGSEE青犀视频官方技术博客
07-16 827
AI智能分析网关V4消防通道占用算法基于人工智能视觉分析技术，通过摄像头实时监测识别是否有机动车违规停放在消防车通道上，并及时提醒管理人员进行处理。
大模型面经
最新发布
weixin_43744732的博客
07-19 742
大模型，面试，八股文
Gradio从入门到精通（1）---快速入门
疯狂飙车的蜗牛的博客
07-15 1402
Gradio 是一个开源 Python 包，允许您为机器学习模型、API 或任何任意 Python 函数快速构建演示或 Web 应用程序。然后，您可以使用 Gradio 的内置共享功能在几秒钟内共享指向演示或 Web 应用程序的链接。无需 JavaScript、CSS 或 Web 托管经验！Gradio最大的特点就是简单，便捷，短短几行代码就可以快速构建大模型web应用程序；当前很多人工智能模型的演示都是使用Gradio打造的；您会注意到，为了制作第一个演示，您创建了该类的实例。
ChaosMeta for AI：混沌工程让AI稳定性更上一层楼
samson
07-18 491
混沌工程的核心思想是“通过在真实环境中引入故障，评估和提升系统的稳定性”。在实际应用中，这意味着通过故意制造各种错误和故障，观察系统的表现，从而找出和修复系统的脆弱点。随着AI系统逐渐成为现代技术的支柱，混沌工程的应用范围也在不断扩展。输出内容：模拟历史已发生的故障，如输出乱码，通过注入代码篡改故障，检验系统的容错能力，确保终端用户看到的是稳定可用的内容。任意代码篡改：模拟意外代码修改对输出的影响。输入内容：通过对抗性样本测试，确保模型的合规合法，符合伦理道德标准。
深度学习计算机视觉中，如何理解feature maps的channel？
985小菜鸡
07-16 853
输入图像的通道：在最开始，输入图像通常有三个通道，对应于RGB三个颜色通道。因此，一个输入图像可以表示为一个形状为H×W×3H×W×3的张量，其中HHH是图像高度，WWW是图像宽度，3 是颜色通道数。卷积操作：当我们对图像应用卷积层时，我们会使用多个卷积核（filter）来扫描输入图像。每个卷积核会在输入图像上滑动，并产生一个单独的特征图。通常，我们会使用多个卷积核来提取不同的特征，这样我们就会得到多个特征图。特征图的通道：经过卷积操作后，输出的特征图也会有多个通道。
AI作画入门指南：从基础到高级的全面教程
2401_85639015的博客
07-15 604
定义：AI作画是利用人工智能技术生成艺术作品的过程。常用的工具包括Midjourney、DALL-E和Stable Diffusion等。原理：通过深度学习模型，AI能够解析输入的文字描述，并生成相应的图像。通过这份指南，您可以从基础入门逐步掌握AI作画的技巧，最终创作出独具个性的艺术作品。AI作画不仅是技术的应用，更是艺术的创作。希望这份全面教程能为您的创作之旅提供有益的帮助，激发您的艺术潜能。
上海昇腾AI训练营笔记
嵌入式点灯砖家的博客
07-18 963
Ascend C系列AI处理器适用于计算力需求较低的场景，如智能监控、边缘计算等。提供多种精简模式和高性能模式，满足不同应用场景下的性能要求。支持全场景覆盖，既可以部署在云端也可以部署在端侧。
机器学习数据集的一致性表现在哪些方面-九五小庞
qq_37241964的博客
07-19 185
总结而言，确保数据集的一致性是提高模型效果和泛化能力的关键。通过综合检查特征分布、数据规律、时间因素、分布式环境和神经网络特征表达的一致性，可以全面评估和保障数据集的一致性。这不仅有助于提升模型的性能，也为后续的特征工程和模型优化提供了坚实的基础。
基于深度残差网络迁移学习的浸润性导管癌检测
qq_47896523的博客
07-18 720
癌症是一种异常细胞不受控制地分裂损害健康组织的疾病。皮肤或覆盖我们内脏的组织中的癌细胞被称为癌。乳房中的大多数癌是导管癌。侵袭性导管癌(Invasive Ductal Carcinoma, IDC)始于乳管，侵犯乳房周围纤维组织，晚期可通过血液扩散至淋巴结或身体其他部位，威胁患者生命。这种恶性肿瘤的治疗取决于它的分期、严重程度和它所属的亚型。事实证明，早期诊断有助于减少治疗过程中的并发症，从而提高患者的生存几率。IDC癌的诊断可基于病理任务，包括显微镜观察和多片载玻片检查。
《电脑知识与技术》是什么级别的期刊？是正规期刊？能评职称吗？
2301_81053900的博客
07-18 576
是一本面向计算机全行业的综合性学术刊物。编委委员均来自国内各著名高校的教授和博士生导师，他们是我国计算机科学领域方面的专家、学者和权威人士；主要面向高等院校、各公共图书馆、情报所（室）、研究所以及厂矿的科技工作者、科学研究人员、广大教师、研究生、博士生。7、来稿请注明姓名、性别、籍贯、出生年月、学历、职称、工作单位、联系电话、详细邮寄地址。10、若不能被录用，恕不退稿，请作者自留底稿，不同意上述稿件处理方式的作者请转投他刊。3、题目下面均应写作者姓名、单位名称、所在城市、邮编，多位作者分别列出上述信息。
【附源码】Python ：人脸实时检测与抓捕
脱发快乐中
07-17 225
使用Python和OpenCV检测人脸是一个常见的计算机视觉任务。本文代码将打开你的摄像头，并在窗口中显示实时视频流，同时在检测到的人脸上绘制矩形框。按’q’键可以退出程序。
生成式 AI 的发展方向，是 Chat 还是 Agent？
21空间的博客
07-18 527
Agent将实现更高级别的自主决策和任务执行能力，具备更强的环境感知和自适应能力，并确保在复杂任务中的安全性和可靠性。2.上下文理解：使用长短期记忆（LSTM）、门控循环单元（GRU）、BERT、GPT等模型来理解和生成上下文相关的对话。3.多轮对话：利用对话状态跟踪（DST）和对话管理（DM）技术，实现多轮对话的逻辑和流畅性。5.多模态交互：集成语音识别、语音合成、图像识别等技术，实现文本、语音、图像的综合处理。3. 环境感知：利用传感器融合、计算机视觉、环境建模等，实现对环境的全面感知和理解。
手动实现k-means聚类使用noise_moon数据集
04-02
以下是手动实现k-means聚类使用noise_moon数据集的Python代码： ```python import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import make_moons # 生成noise_moon数据集 X, y = make_moons(n_samples=200, noise=0.05, random_state=0) # 定义k-means聚类函数 def k_means(X, k, max_iter=1000): n_samples, n_features = X.shape # 随机初始化k个聚类中心 centroids = X[np.random.choice(n_samples, k, replace=False)] # 迭代更新聚类中心和聚类标签 for i in range(max_iter): distances = np.zeros((n_samples, k)) for j in range(k): distances[:, j] = np.linalg.norm(X - centroids[j], axis=1) labels = np.argmin(distances, axis=1) new_centroids = np.zeros((k, n_features)) for j in range(k): new_centroids[j] = np.mean(X[labels == j], axis=0) if np.all(centroids == new_centroids): break centroids = new_centroids return centroids, labels # 对数据集进行聚类 k = 2 centroids, labels = k_means(X, k) # 绘制聚类结果 colors = ['blue', 'red'] for i in range(k): plt.scatter(X[labels == i, 0], X[labels == i, 1], c=colors[i]) plt.scatter(centroids[:, 0], centroids[:, 1], marker='*', s=200, c='black') plt.title('k-means Clustering with k=%d' % k) plt.show() ``` 上述代码生成了一个`noise_moon`数据集，并定义了一个`k-means`聚类函数。通过调用`k_means`函数对数据集进行聚类，并绘制聚类结果。结果如下图所示： ![k-means clustering with k=2](https://i.imgur.com/hnU6ZvU.png)

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值