人工智能
文章平均质量分 62
人工智能专题
风间野鹤
某985毕业
国企程序员
展开
-
用讯飞星火来生成代码效果怎么样,以计算CNI指标为例
用讯飞星火来生成代码效果怎么样原创 2023-10-24 13:17:54 · 146 阅读 · 0 评论 -
【Kaggle-AAAMLP中文翻译】Approaching (Almost) Any Machine Learning Problem——第二章:监督学习与无监督学习
在这本书中,我们将主要关注有监督的数据和模型,但这并不意味着我们将忽视无监督的数据问题。同样,当我们提供了猫和狗的图像,我们事先知道哪些是猫,哪些是狗,如果任务是创建一个模型,预测提供的图像是猫还是狗,这个问题被认为是有监督的。MNIST是一个有监督的分类问题,我们将其转换为无监督的问题,只是为了检查它是否给出了任何类型的好结果,很明显,我们用t-SNE分解确实得到了好结果。数据集,这是一个非常流行的手写数字数据集,它是一个有监督的问题,在这个问题中,你会得到数字的图像和与之相关的正确标签。原创 2023-10-24 12:59:51 · 660 阅读 · 1 评论 -
【Kaggle-AAAMLP中文翻译】Approaching (Almost) Any Machine Learning Problem——第一章:建立工作环境
Kaggle大师Abhishek Thakur关于机器学习的书籍中文翻译原创 2023-07-28 14:44:25 · 2238 阅读 · 0 评论 -
【2】MediaPipe面部识别
上次因为课设写了MediaPipe的手势识别后就一直没有更新,今天写一下人脸检测网页参考:https://google.github.io/mediapipe/solutions/face_detection.htmlMediaPipe 人脸检测是一种超快的人脸检测解决方案,具有 6 个特征点和多面支持。它基于BlazeFace,是一种轻量级且性能良好的人脸检测器。接口:MODEL_SELECTION整数索引或 .用于选择最适合距相机 2 米以内的人脸的短距离型号,以及最适合 5 米以内人脸的.原创 2022-04-03 10:31:50 · 4752 阅读 · 0 评论 -
《深度学习入门》学习笔记三:感知机
感知机模型是由美国学者Frank Rosenblatt在1957年中提出的。它是一种二类分类的模型。文章目录前言1、何为感知机2、人工神经元3、权重和偏置前言如果我们教一个小朋友如何去分辨苹果和橙子,我们会怎么做呢?我们可能会告诉他,表皮光滑的、红色的是苹果,表皮粗糙的、黄色的是橙子。这个方法也许并不那么合适,毕竟不是所有的苹果都是红色的,所有的橙子都是黄色的。但是这也能教会小朋友如何去分辨一般情况中的苹果和橙子了。这就是一个感知机模型。而颜色、表皮则是输入信号。1、何为感知机感知机可以接收多.原创 2022-03-15 16:33:40 · 662 阅读 · 0 评论 -
【0】MediaPipe安装
目录1.安装mediapipe环境2.vscode3.pycharm附录1.安装mediapipe环境打开Anaconda Prompt(若没有anaconda请自行百度下载)输入命令conda create -n mediapipe python=3.7回车,结果应该为(因为我已经有了mediapipe环境,所以此处由mediapipe1代替)输入activate mediapipe回车,本次使用的是0.8.3.1版本,故输入pip..原创 2021-11-25 22:03:38 · 12869 阅读 · 5 评论 -
《深度学习入门》学习笔记一:NumPy
参考书籍和文献:《深度学习入门:基于Python的理论与实现》前言在深度学习的实现中,往往会用到数组和矩阵的计算,此时Numpy中的数组库提供了许多快捷的方法。1、NumPy首先我们需要引入Numpy库。import numpy as np这样我们在引用numpy库的时候就给可以用np来代替。1.1 NumPy数组生成numpy数组可以使用np.array的方法1.2 NumPy数组计算正如案例中的numpy中的加减乘除都是逐项进行的,因此如果x和y的元素个数不相同的话,那么.原创 2022-03-13 22:55:53 · 1673 阅读 · 0 评论 -
【1】MediaPipe手部识别示例代码
关于mediapipe手部识别代码原创 2021-12-16 00:05:30 · 4271 阅读 · 0 评论 -
《深度学习入门》学习笔记二:matplotlib
文章目录1.绘制简单的图形2.pyplot的功能3.显示图片1.绘制简单的图形import numpy as npimport matplotlib.pyplot as plt#生成数据x = np.arange(0, 6, 0.1)y = np.sin(x)#绘制图形plt.plot(x, y)plt.show()首先通过NumPy中的arange方法生成了从0到6,间隔为0.1的数据,设置成了x。并且对其进行sin计算,生成了相同数量的y,最终将x,y的数据传给了plt.plo原创 2022-03-14 22:48:08 · 2360 阅读 · 0 评论