基于LVQ神经网络的乳腺肿癌诊断

最新推荐文章于 2024-11-01 17:13:19 发布
最新推荐文章于 2024-11-01 17:13:19 发布
阅读量500 收藏 1
点赞数
分类专栏： matlab机器学习-神经网络入门 文章标签： 神经网络 人工智能 深度学习
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/weixin_44209907/article/details/132273824
版权

1.案例背景

1.1 LVQ 神经网络概述

        学习向量量化(Learning Vector Quantization,LVQ)神经网络是一种用于训练竞争层的有监督学习(supervisedlearning)方法的输人前向神经网络,其算法是从Kohonen竞争算法演化而来的。LVQ神经网络在模式识别和优化领域有着广泛的应用。
        1)LVQ神经网络的结构
        LVQ神经网络由3层神经元组成，即输入层、竞争层和线性输出层,如图26-1所示。输人层与竞争层之间采用全连接的方式,竞争层与线性输出层之间采用部分连接的方式。竞争层神经元个数总是大于线性输出层神经元个数,每个竞争层神经元只与一个线性输出层神经元相连接且连接权值恒为1。但是,每个线性输出层神经元可以与多个竞争层神经元相连接。竞争层神经元与线性输出层神经元的值只能是1或0。当某个输人模式被送至网络时,与输人模式距离最近的竞争层神经元被激活,神经元的状态为“1”,而其他竞争层神经元的状态均为“0”。因此，与被激活神经元相连接的线性输出层神经元状态也为“1”,而其他线性输出层神经元的状态均为“0”。

元的输出。
        2)LVQ神经网络的学习算法
        LVQ神经网络算法是在有教师状态下对竞争层进行训练的一种学习算法,因此 LVQ算法可以认为是把自组织特征映射算法改良成有教师学习的算法。LVQ神经网络算法可分为LVQ1算法和LVQ2算法两种。
        (1) LVQ 1算法
        向量量化是利用输人向量的固有结构进行数据压缩的技术,学习向量量化是在向量量化基础上能将输人向量分类的监督学习技术。Kohonen把自组织特征映射算法改良成有教师学习算法,首先设计了LVQ 1算法。LVQ 1的训练过程开始于随机地自“标定”训练集合选择一个输人向量以及该向量的正确类别。
        LVQ 1算法的基本思想是:计算距离输人向量最近的竞争层神经元,从而找到与之相连接的线性输出层神经元,若输人向量的类别与线性输出层神经元所对应的类别--致,则对应的竞争层神经元权值沿着输人向量的方向移动;反之,若两者的类别不一致，则对应的竞争层神经元权值沿着输入向量的反方向移动。基本的LVQ1算法的步骤为：

        (2) LVQ2算法
        在LVQ1算法中,只有一个神经元可以获胜,即只有一个神经元的权值可以得到更新调整。为了提高分类的正确率,Kohonen改进了LVQ1,并且被称为新版本LVQ2。LVQ2算法基于光滑的移动决策边界逼近Bayes极限。LVQ 2版本接着被修改,产生LVQ 2. 1,并且最终发展为LVQ 3。这些后来的LVQ版本的共同特点是引入了“次获胜”神经元,获胜神经元的权值向量和“次获胜"神经元的权值向量都被更新。具体计算步骤如下:

        3）LVQ神经网络特点
        竞争层神经网络可以自动学习对输人向量模式的分类,但是竞争层进行的分类只取决于输入向量之间的距离,当两个输人向量非常接近时,竞争层就可能将它们归为一-类。在竞争层:的设计中没有这样的机制，即严格地判断任意的两个输人向量是属于同一类还是属于不同类。而对于LVQ网络用户指定目标分类结果，网络可以通过监督学习完成对输人向量模式的准确分类。
        与其他模式识别和映射方式相比,LVQ神经网络的优点在于网络结构简单，只通过内部单元的相互作用就可以完成十分复杂的分类处理,也很容易将设计域中的各种繁杂分散的设计条件收敛到结论上来。而且它不需要对输人向量进行归一化、正交化处理,只需要直接计算输入向量与竞争层之间的距离,从而实现模式识别，因此简单易行。

1.2 乳腺肿瘤诊断概述

        目前,乳腺癌已成为世界上妇女发病率最高的癌症。近年来在中国,尤其在相对比较发达的东部地区,乳腺癌的发病率及死亡率呈明显的增长趋势。研究表明,乳腺恶性肿瘤若能早期发现、早期诊断、早期治疗,可取得良好的效果。过去的20年里,人们在分析和诊断各种乳腺肿瘤方面发现了很多方法，尤其是针对乳腺图像的分析已日趋成熟。医学研究发现,乳腺肿瘤病灶组织的细胞核显微图像与正常组织的细胞核显微图像不同,但是用一般的图像处理方法很难对其进行区分。因此,运用科学的方法,根据乳腺肿瘤病灶组织的细胞核显微图像对乳腺肿瘤属于良性或恶性进行诊断显得尤为重要。
        威斯康辛大学医学院经过多年的收集和整理,建立了一个乳腺肿瘤病灶组织的细胞核显微图像数据库。数据库中包含了细胞核图像的10个量化特征(细胞核半径、质地、周长、面积、光滑性、紧密度、凹陷度、凹陷点数、对称度、断裂度),这些特征与肿瘤的性质有密切的关系。因此，需要建立-一个确定的模型来描述数据库中各个量化特征与肿瘤性质的关系,从而可以根据细胞核显微图像的量化特征诊断乳腺肿瘤是良性还是恶性的。

2.模型建立

2.1 设计恩路

        将乳腺肿瘤病灶组织的细胞核显微图像的10个量化特征作为网络的输人，良性乳腺肿瘤
和恶性乳腺肿瘤作为网络的输出。用训练集数据对设计的LVQ神经网络进行训练，然后对
测试集数据进行测试并对测试结果进行分析。

2.2 设计步骤

        根据上述设计思路,设计步骤主要包括以下几个,如图26-2所示。

        1)数据采集
        威斯康辛大学医学院的乳腺癌数据集共包括569个病例,其中，良性357例,恶性212例。本书随机选取500组数据作为训练集,剩余69组作为测试集。每个病例的一组数据包括采样组织中各细胞核的10个特征量的平均值、标准差和最坏值(各特征的3个最大数据的平均值)共30个数据。数据文件中每组数据共分32个字段,第1个字段为病例编号;第2个字段为确诊结果,B为良性,M为恶性;第3~12个字段是该病例肿瘤病灶组织的各细胞核显微图像的10个量化特征的平均值;第13~22个字段是相应的标准差;第23~32个字段是相应的最坏值。
        2)网络创建
        数据采集完成后,利用MATLAB自带的神经网络工具箱中的函数newlvq()可以构建一个LVQ神经网络，函数具体用法将在第3节中详细介绍。
        3)网络训练
        网络创建完毕后,若需要,还可以对神经网络的参数进行设置和修改。将训练集500个病例的数据输入网络,便可以对网络进行训练。
        4)网络仿真
        网络通过训练后,将测试集69组的10个量化特征数据输人网络,便可以得到对应的输出(即分类)。
        5)结果分析.
        通过对网络仿真结果的分析,可以得到误诊率(包括良性被误诊为恶性及恶性被误诊为良性),从而可以对该方法的可行性进行评价。同时,可以与其他方法进行比较,探讨该方法的有效性。

3.LVQ 网络的神经网络工具箱函数

        MATLAB的神经网络工具箱为LVQ神经网络提供了大量的函数工具,本节将详细介绍这些函数的功能、调用格式和注意事项等问题。

3.1LVQ网络创建函数

        newlvq()函数用于创建一一个学习向量量化LVQ网络,其调用格式为:
net = newlvq(PR,S1, PC,LR,LE)
        其中,PR为输人向量的范围,size(PR)=[R 2],R为输人向量的维数;S1为竞争层神经元的个数;PC为线性输出层期望类别各自所占的比重;LR为学习速率,默认值为0.01;LF为学习函数,默认为“learnlv1"。

3.2LVQ网络学习函数

        1) LVQ 1学习算法
        learnlv1是LVQ1算法对应的权值学习函数,其调用格式为:
[dw,Ls] = learnlv1(W,P,Z,N,A,T,E,gW,gA,D,LP,LS)

        其中,dW为权值(或阈值)变化矩阵;LS为当前学习状态(可省略);W为权值矩阵或者是阈值矢量;P为输入矢量或者是全为1的矢量;Z为输人层的权值矢量(可省略);N为网络的输人矢量(可省略);A为网络的输出矢量;T为目标输出矢量(可省略);E为误差矢量(可省略);gW为与性能相关的权值梯度矩阵(可省略);gA为与性能相关的输出梯度矩阵;D为神经元的距离矩阵;LP为学习参数，默认值为0.01;LS为初始学习状态。
        2) LVQ2学习算法
        learnlv2是LVQ2算法对应的权值学习函数,其调用格式为:
[dw,ls] = learnlv2(W,P,Z,N,A,T, E,gW,gA,D,LP,LS)
        其参数意义与learnlv1中的参数意义相同，只是权值调整的方法不同,此处不再赘述。

4.MATLAB 实现

        利用MATLAB神经网络工具箱提供的函数可以方便地在MATLAB环境下实现上述步骤。

%% LVQ神经网络的分类——乳腺肿瘤诊断

%% 清空环境变量
clear all
clc
warning off

%% 导入数据
load data.mat
a = randperm(569);
Train = data(a(1:500),:);
Test = data(a(501:end),:);
% 训练数据
P_train = Train(:,3:end)';
Tc_train = Train(:,2)';
T_train = ind2vec(Tc_train);
% 测试数据
P_test = Test(:,3:end)';
Tc_test = Test(:,2)';

%% 创建网络
count_B = length(find(Tc_train == 1));
count_M = length(find(Tc_train == 2));
rate_B = count_B/500;
rate_M = count_M/500;
net = newlvq(minmax(P_train),20,[rate_B rate_M],0.01,'learnlv1');
% 设置网络参数
net.trainParam.epochs = 1000;
net.trainParam.show = 10;
net.trainParam.lr = 0.1;
net.trainParam.goal = 0.1;

%% 训练网络
net = train(net,P_train,T_train);

%% 仿真测试
T_sim = sim(net,P_test);
Tc_sim = vec2ind(T_sim);
result = [Tc_sim;Tc_test]
%% 结果显示
total_B = length(find(data(:,2) == 1));
total_M = length(find(data(:,2) == 2));
number_B = length(find(Tc_test == 1));
number_M = length(find(Tc_test == 2));
number_B_sim = length(find(Tc_sim == 1 & Tc_test == 1));
number_M_sim = length(find(Tc_sim == 2 &Tc_test == 2));
disp(['病例总数：' num2str(569)...
      '  良性：' num2str(total_B)...
      '  恶性：' num2str(total_M)]);
disp(['训练集病例总数：' num2str(500)...
      '  良性：' num2str(count_B)...
      '  恶性：' num2str(count_M)]);
disp(['测试集病例总数：' num2str(69)...
      '  良性：' num2str(number_B)...
      '  恶性：' num2str(number_M)]);
disp(['良性乳腺肿瘤确诊：' num2str(number_B_sim)...
      '  误诊：' num2str(number_B - number_B_sim)...
      '  确诊率p1=' num2str(number_B_sim/number_B*100) '%']);
disp(['恶性乳腺肿瘤确诊：' num2str(number_M_sim)...
      '  误诊：' num2str(number_M - number_M_sim)...
      '  确诊率p2=' num2str(number_M_sim/number_M*100) '%']);

        某次运行神经网络训练测试的结果如下:

病例总数:569  良性:357   恶性 :212
训练集病例总数:500  良性:312  恶性 :188
测试集病例总数:69  良性:45   恶性:24
良性乳腺肿瘤确诊:43  误诊:2   确诊率 p1= 95.5556%
恶性乳腺肿瘤确诊:20  误诊:4   确诊率 p2= 83.3333%

        从上述结果可以看出，在69组测试集数据中,有6组数据误诊断(2组将良性乳腺肿瘤误诊为恶性乳腺肿瘤,4组将恶性乳腺肿瘤误诊为良性乳腺肿瘤),平均诊断正确率达91. 3%(63/69)。实验结果表明,将LVQ神经网络应用于模式识别是可行的。

5.案例拓展

        本小节将对比上述 LVQ 神经网络 经网络两 种模 型的效果， BP神经网络模型的程序如下： 
%% BP神经网络的分类——乳腺肿瘤诊断

%% 创建网络
net = newff(minmax(P_train),[50 1],{'tansig','purelin'},'trainlm');

%% 设置网络参数
net.trainParam.epochs = 1000;
net.trainParam.show = 10;
net.trainParam.lr = 0.1;
net.trainParam.goal = 0.1;

%% 训练网络
net = train(net,P_train,Tc_train);

%% 仿真测试
T_sim = sim(net,P_test);
for i = 1:length(T_sim)
    if T_sim(i) <= 1.5
        T_sim(i) = 1;
    else
        T_sim(i) = 2;
    end
end
result = [T_sim;Tc_test]

number_B = length(find(Tc_test == 1));
number_M = length(find(Tc_test == 2));
number_B_sim = length(find(T_sim == 1 & Tc_test == 1));
number_M_sim = length(find(T_sim == 2 &Tc_test == 2));

disp(['病例总数：' num2str(569)...
      '  良性：' num2str(total_B)...
      '  恶性：' num2str(total_M)]);
disp(['训练集病例总数：' num2str(500)...
      '  良性：' num2str(count_B)...
      '  恶性：' num2str(count_M)]);
disp(['测试集病例总数：' num2str(69)...
      '  良性：' num2str(number_B)...
      '  恶性：' num2str(number_M)]);
disp(['良性乳腺肿瘤确诊：' num2str(number_B_sim)...
      '  误诊：' num2str(number_B - number_B_sim)...
      '  确诊率p1=' num2str(number_B_sim/number_B*100) '%']);
disp(['恶性乳腺肿瘤确诊：' num2str(number_M_sim)...
      '  误诊：' num2str(number_M - number_M_sim)...
      '  确诊率p2=' num2str(number_M_sim/number_M*100) '%']);

        说明:由于BP网络输出非二值结果,因此程序中进行了四舍五入处理，即若输出小于1.5则认为属于良性肿瘤，输出大于1.5则表示属于恶性肿瘤。
        在训练集和测试集与LVQ神经网络相同的情况下,程序运行结果为:
病例总数:569  良性:357  恶性:212
训练集病例总数:500  良性:312   恶性:188
测试集病例总数:69   良性:45   恶性:24
良性乳腺肿瘤确诊:35   误诊:10   确诊率p1= 77.7778%
恶性乳腺肿瘤确诊:16   误诊:8     确诊率p2= 66.6667%
        从上述结果可以看出,在69组测试集数据中,有18组数据误诊断(10组将良性乳腺肿瘤误诊为恶性乳腺肿瘤,8组将恶性乳腺肿瘤误诊为良性乳腺肿瘤),平均诊断正确率达73.9%(51/69)。对比LVQ神经网络及BP神经网络的仿真结果，可以看出,LVQ神经网络的效果比BP神经网络要好很多,这也表明LVQ神经网络用于模式识别是有效的。
        LVQ神经网络无需对数据进行预处理，这使得相比于其他神经网络,LVQ神经网络更简单、有效。LVQ神经网络已经应用到各行各业中,如故障诊断、性能评价、风险预测等。近年来,许多人致力于研究LVQ神经网络的特点,提出了很多改进的算法以解决“死”神经元问题、改善权值调整规则等。

配电网和matlab
关注
专栏目录
《MATLAB 神经网络43个案例分析》：第26章 LVQ神经网络的分类——乳腺肿瘤诊断
sinat_34897952的博客
06-21 796
《MATLAB 神经网络43个案例分析》是MATLAB技术论坛（www.matlabsky.com）策划，由王小川老师主导，2013年北京航空航天大学出版社出版的关于MATLAB为工具的一本MATLAB实例教学书籍，是在《MATLAB神经网络30个案例分析》的基础上修改、补充而成的，秉承着“理论讲解—案例分析—应用扩展”这一特色，帮助读者更加直观、生动地学习神经网络。《MATLAB神经网络43个案例分析》共有43章，内容涵盖常见的神经网络（BP、RBF、SOM、Hopfield、Elman、LVQ、Koho
学习向量量化 Learning Vector Quantization | LVQ
JasonH2021的博客
06-03 1822
本文主要简单介绍了学习向量量化的基本概念，优缺点，应用场景，建模时的注意事项，评价指标，实现方法，python示例和模型参数等。
matlab newlvq函数 建立…
Coding home - 漂流瓶jz
03-14 3531
newlvq() 功能  建立一个向量量化神经网络函数 格式   (1) net = newlvq  (2) net = newlvq(PR，S1，PC，LR，LF) 说明  式(1)返回一个没有定义结构的空对象，并显示函数nntool的帮助文字； 式(2)中，net为生成的学习向量量化网络； PR为一个Rx2维的网络输入向量取值范围的矩阵[Pmin Pmax]； Sl表示隐含层神经元的数目； P
LVQ（Learning Vector Quantization）神经网络概述
凌空的桨
02-19 9953
      LVQ（Learning Vector Quantization）神经网络是一种用于训练竞争的有监督学习方法的输入向前神经网络，其算法是从Kohonen竞争算法演化而来的。LVQ神经网络在模式识别和优化领域有着广泛的应用。 LVQ神经网络由三层神经元组成，即输入层、竞争层和线性输出层。如下图所示：             输入层与竞争层之间采用全连接的方式，竞争层与线性输出...
基于MATLAB的LVQ神经网络乳腺肿瘤分类诊断实践
weixin_42389113的博客
08-30 1398
本文还有配套的精品资源，点击获取 简介：本项目旨在探索MATLAB中LVQ神经网络在乳腺肿瘤诊断中的应用。LVQ网络通过调整码书向量实现模式识别和分类，尤其适用于医疗诊断领域。内容包括LVQ网络原理、MATLAB实现步骤、数据预处理、特征选择、网络结构调整、验证和测试策略以及结果后处理等优化方法，为乳腺肿瘤提供高精度的分类模型辅助工具。 1. LVQ神经网络原理 ...
LVQ神经网络的分类——乳腺肿瘤诊断
小黄的博客
06-26 3671
这篇文章是我的一个结课小论文，分享出来，希望对各位有所帮助，源码以及解释都有。 author：xiao黄 缓慢而坚定的生长 公众号：Community Detection 欢迎各位关注嘻嘻嘻 程序和数据上传到网盘中，程序也可以看附录。 链接：https://pan.baidu.com/s/1cxVOK54Qx1ohhg-hURBtaw 提取码：k2yx 摘要：对于乳腺肿瘤分类过程中的问题，用LVQ神经网络来实现乳腺肿瘤的分类。LVQ算法是一种有监督的学习方法，其在模式识别和优化领域有广泛的应用。本文
matlab newlvq,基于LVQ神经网络的乳腺肿瘤分类
weixin_32540109的博客
03-22 787
LVQ神经网络1.结构由3层神经元组成，即输入层、竞争层和线性输出层，输入层与竞争层之间采用全连接方式，竞争层与线性输出层之间采用部分连接的方式。2.学习算法LVQ1算法、LVQ2算法概述数据库包含细胞核图像的10个量化特征(细胞核半径、质地、周长、面积、光滑度等)，这些特征与肿瘤的性质密切相关。因此需要建立一个确定的模型来描述数据库中各个量化特征与肿瘤性质的关系，从而可以根据细胞核显微图像的量化...
LVQ神经网络的分类——乳腺肿瘤诊断（matlab实现）
Ke_Yan_She的博客
04-27 162
' 确诊率p1=' num2str(number_B_sim/number_B*100) '%']);' 确诊率p2=' num2str(number_M_sim/number_M*100) '%']);' 误诊：' num2str(number_B-number_B_sim)...' 误诊：' num2str(number_M-number_M_sim)...disp(['良性乳腺肿瘤确诊：' num2str(number_B_sim)...' 恶性：' num2str(total_M)]);
matlab实现-LVQ神经网络入门例子
dbat
05-24 1221
LVQ神经网络是Kohonen于1989年提出基于竞争网络的学习矢量量化网络,主要用于做分类。 本文讲解matlab神经网络工具箱使用LVQ神经网络的Demo以及入参说明(基本参考于matlab2014b函数newlvq的官方说明)。...........................
基于 LVQ神经网络的分类——乳腺肿瘤诊断
04-01
本主题聚焦于“基于LVQ神经网络的分类——乳腺肿瘤诊断”，这是一种利用人工神经网络进行医疗诊断的应用。LVQ（Learning Vector Quantization）神经网络是一种监督学习算法，它在模式识别和分类任务中表现出色，特别...
用神经网络自动玩游戏
崎山小鹿的专栏
10-22 1785
CartPole是OpenAI gym中的一个游戏测试,车上顶着一个自由摆动的杆子，实现杆子的平衡，杆子每次倒向一端车就开始移动让杆子保持动态直立的状态.env = gym.make('CartPole-v1', render_mode="human") # 使用新版本时，需要指定 render_mode。return policy_net(state).argmax(dim=1).item() # 利用网络选择最优动作。clock.tick(FPS) # 设置帧率为 60 帧/秒。
Pytorch学习--神经网络--最大池化的使用
weixin_68930974的博客
10-28 686
Pytorch学习--神经网络--最大池化的使用（代码2包含dataset、DataLoader、nn.Module、Tensorboard、nn.MaxPool2d的使用）
自监督强化学习：对比预测编码（CPC）算法深度解析
hong161688的博客
10-31 416
自监督强化学习是一种结合自监督学习与强化学习优势的新兴方法。它利用数据的内在结构生成监督信号，从而减少对外部标签的依赖，使智能体能够在无标签或标签稀缺的环境中学习有效的表示。CPC算法则是自监督强化学习中的一种重要算法，它通过对比学习（Contrastive Learning）来提取全局特征，帮助智能体学习有用的状态表示。CPC算法由DeepMind提出，旨在减少无监督学习中对标签的依赖，同时最大化局部信息和全局特征之间的关联。
神经网络与深度学习
huanfeng_AI的博客
10-30 1303
深度学习是机器学习的一个子领域，它专注于使用多层神经网络进行复杂的模式识别和特征提取。所谓“深度”指的是神经网络中隐藏层的数量，通常来说，深度学习模型包含多个隐藏层。这些多层结构使得深度学习模型能够学习到数据的深层特征，从而实现对复杂任务的精确处理。多层结构：深度学习模型通常包含多个隐藏层，这使得模型能够学习到数据的深层特征。非线性激活函数：深度学习模型使用非线性激活函数（如ReLU、sigmoid等），使得模型能够处理非线性问题。大数据支持。
探讨Facebook的AI研究：未来社交平台的技术前瞻
LokiSan的博客
10-29 1326
在数字时代，社交媒体已成为人们日常生活的重要组成部分。作为全球最大的社交网络之一，Facebook不断致力于人工智能（AI）的研究与应用，以提升用户体验、增强平台功能并推动技术创新。本文将探讨Facebook在AI领域的研究方向及其对未来社交平台的潜在影响。
UOS AI 1.6 版本升级，如何实现精准搜索，效率翻倍？
vickynesss的博客
11-01 422
通过直接接入互联网的实时数据流，搜索结果变得多样化，不仅限于文字总结，还包括思维导图、事件与人物的综合概述，以及图片、视频、音频等多种形式，显著提高了回答的准确性和全面性。全局搜索全新搭载端侧大模型：支持离线自然语言搜索，无论身在何处，即使没有网络，只需通过快捷键“Shift+space(空格键）”唤醒全局搜索，都能轻松找到所需文件。：对于日常积累的海量截图，只需借助全局搜索功能，简要描述图片内的文字信息，便能迅速锁定并检索到所需图片。：重要信息直接添加到知识库，方便日后查阅，让全局搜索成为你的第二大脑。
基于Keras的U-Net模型在图像分割与计数中的应用
10-31 1997
网络结构优化：项目基于经典的U-Net模型进行改进，采用了更深的网络层次结构，使模型能够在多尺度上捕捉到图像中的细节信息。特别是针对医学图像分割，项目通过增加卷积层数和引入Dropout层来增强模型的特征提取能力，并有效防止过拟合，从而提高模型在训练数据较少情况下的表现。项目中采用了he_normal初始化器和relu激活函数组合，使得网络在训练时能够更快地收敛，降低梯度消失的风险。自定义数据增强策略：在中实现了一个自定义的图像增强类。
人工智能—机器学习-图像处理
中段丸家
10-31 1034
使用深度学习算法来分析医学影像（如X光、CT扫描、MRI），帮助医生更快、更准确地做出诊断。：图像处理技术在自动驾驶汽车中至关重要，用于识别路标、行人和其他车辆。：通过机器学习分析监控视频，实时检测异常行为或可疑活动，提高安全性。：在身份验证和安防领域广泛应用，尤其在金融服务和个人设备解锁中。：利用图像处理技术提升用户体验，实现更沉浸的互动环境。
如何在 AI 时代打造你的核心竞争力？
最新发布
玉树芝兰
11-01 302
（注：本文为小报童精选文章。已订阅小报童或加入知识星球「玉树芝兰」用户请勿重复付费）焦虑在《AI 研究已摘得诺奖桂冠，普通科研工作者将何去何从？》一文中我谈过自己对目前 AI 技术浪潮对大众影响的体会——未来已来，只是分布不均。很多人在还没有意识到 AI 带来的变革潜能时，觉得与自己无关，日子该怎么过怎么过，倒也轻松。而一旦突然意识到 AI 的重要性，就会变得焦虑万分。这种焦虑，就是挣扎与思考在外...
评论
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

打赏作者

配电网和matlab

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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