12/3总括

Nnbwbyhxy

已于 2024-12-03 17:55:59 修改

阅读量136

点赞数 1

文章标签：深度学习

于 2024-12-03 17:13:25 首次发布

本文链接：https://blog.csdn.net/weixin_46532327/article/details/144219486

版权

1.整理Kimi和豆包大模型的具体应用

2.搭建深度学习环境利用远程服务器实现一个简单图片分类神经网络

3.阅读PID参数整定相关文献

4.阅读软测量相关文献

5.开始学习哈希表完成242两题

哈希表哈希冲突哈希函数线性探测散列表负载因子链地址法哈希桶

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Nnbwbyhxy

关注关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

js运算符（总括）

x15514104477的博客

06-17

1697

初学者对js运算符的总括概括

Mybatis基本使用总括（单表/多表/动态sql）

weixin_45874214的博客

09-23

220

其实就是持久层的数据控制框架 1 基本工具包（1）导入包的方式！准备：jar包，自己找，mybatis的包和mysql的驱动 maven网址：https://mvnrepository.com/artifact/org.mybatis/mybatis/3.5.6，简言之，自己准备包，根据需求选择！（2）maven依赖管理方式(根据需求选择合适包)！ <dependencies>  &l..

参与评论您还未登录，请先登录后发表或查看评论

css选择器总括

ocean_fa的博客

07-29

178

一.CSS选择器元素选择器：最常见的 CSS 选择器是元素选择器。换句话说，文档的元素就是最基本的选择器。如果设置 HTML 的样式，选择器通常将是某个 HTML 元素，比如 p、h1、em、a，甚至可以是 html 本身：选择器分组：将 h2 和 p 选择器放在规则左边，然后用逗号分隔，就定义了一个规则。其右边的样式（color:gray;）将应用到这两个选择器所引用的元素。逗号告诉浏览器，规则中包含两个不同的选择器。通配符选择器：显示为一个星号（*）。该选择器可以与任何元素匹配，就像是一

24-3-12至14 自用

2301_79611133的博客

03-14

356

给出括号数，输出所有括号组成方案。

Bootstrap使用方法总括。

sunmeng_sunmeng的博客

02-19

348

1、Bootstrap的的响应式设计，添加class类名，container-fluid。和container作用类似。padding-right: 15px; padding-left: 15px;margin-right: auto;margin-left: auto 2、图片自适应，在image标签上添加class，img-responsive 3、文本居中添加class，text-center。 4、button按钮的默认样式，class=’btn，btn-default‘。浅蓝色 btn-inf

HTML5开发手机项目-总括

12-29

1079

1、添加viewport标签让网页的宽度自适应屏幕 width ---- viewport的宽度（width=device-width意思是：宽度等于设备宽度） height ------ viewport的高度（height=device-height意思是：高度等于设备宽度） initial-scale ----- 初始的缩放比例 minimum-scale -

Mahout问题总括

weixin_30522095的博客

12-13

iMeta高被引论文｜陈同/刘永鑫等高颜值绘图网站imageGP被引500次(截止22/12/13)

刘永鑫的博客——宏基因组公众号

12-14

303

https://doi.org/10.1002/imt2.52022年2月21日，iMeta 期刊在线发表了中国中医科学院黄璐琦院士、陈同副研究员和中国科学院遗传与发育生物学研究所刘永鑫高级工程师合作题为“ImageGP: An easy-to-use data visualization web server for scientific researchers”的研究论文。该论文介绍了一款简单...

springboot注解总括（学习中）

A_road_broad的博客

11-21

205

一、 1.@SpringBootApplication：表示springboot的主配置类。包括以下注解 @Target({ElementType.TYPE}) @Retention(RetentionPolicy.RUNTIME) @Documented @Inherited @SpringBootConfiguration @EnableAutoConfiguration @...

查找usr/bin里面有gcc-11和gcc-12没有gcc文件夹怎么办

09-11

如果你想在`usr/bin`目录下查找既有`gcc-11`也有`gcc-12`这样的二进制文件，但没有发现名为`gcc`的总括文件夹，可能是由于软件包管理系统将这两个版本分开存放，或者它们被合并到了更通用的`gcc`文件夹内。...

微软excel新手快速入门课程(“分类”文档)共12张.pptx

11-14

3. **建立日记账簿**：日记账是记录所有经济交易的原始记录，按日期顺序排列。Excel可以用来创建日记账簿，通过设置数据验证规则和公式，确保借贷平衡，提高数据准确性。 4. **建立分类账簿**：分类账根据会计科目...

七年级上语文第12课《济南的冬天》同步练习2精选.doc

09-26

第一段采用对比手法，从作者的感受出发，总括了济南冬天的特色，接着详细描绘了阳光朗照下的山，突出其暖和宁静；薄雪覆盖的山，展示其秀美；城外的山水，强调其和谐；最后，描写了水的清澈与温暖。 2. 修辞手法...

2021年8月上岗资格考试专题3(保险基础知识).pdf

10-17

3. **损失发生的特性**：损失的发生要求具有不确定性，意味着无法准确预测何时何地会发生。 4. **风险单位**：如果一个单位的各岗位工种属于同一风险等级，那么该单位即为风险单位，它是保险计算和管理的基础。 5....

深度学习入门：深度学习（完结）

2301_79704601的博客

05-15

957

正如大家能想到的，这样的方法需要按照像素数量进行相应次forward处理，因而需要耗费大量的时间（正确地说，卷积运算中会发生重复计算很多区域的无意义的计算）。R-CNN中会将图像变形为正方形，或者在分类时使用SVM（支持向量机），实际的处理流会稍微复杂一些，不过从宏观上看，也是由刚才的两个处理（候选区域的提取和CNN特征的计算）构成的。这个递归指的是神经网络的递归的网络结构。在R-CNN的前半部分的处理——候选区域的提取（发现形似目标物体的处理）中，可以使用计算机视觉领域积累的各种各样的方法。

Pycharm（十九）深度学习

higerwy的博客

05-06

1555

深度学习是机器学习中的一种特殊方法，它使用称为神经网络的复杂结构，特别是“深层”的神经网络，来学习和做出预测。深度学习特别适合处理大规模和高维度的数据，如图像、声音和文本。深度学习、机器学习和人工智能之间的关系如下图所示：深度学习⊆机器学习⊆人工智能优点：1）精度高，性能优于其他的机器学习算法，甚至在某些领域超过了人类；2）随之计算机硬件的发展，可以近似任意的非线性函数；3）近年来在学界和业界受到了热捧，有大量的框架和库可供调。缺点：1）黑箱。

基于EMD-PCA-LSTM的光伏功率预测模型研究

专注AI大模型,软件混淆,授权

05-14

124

本文提出了一种结合经验模态分解(EMD)、主成分分析(PCA)和长短期记忆网络(LSTM)的混合模型，用于提高光伏功率预测的准确性。该模型首先利用EMD将非平稳的光伏功率序列分解为多个本征模态函数(IMF)，然后通过PCA对多维气象特征进行降维处理，最后将处理后的特征输入LSTM网络进行预测。实验结果表明，与单一LSTM模型和传统预测方法相比，EMD-PCA-LSTM模型在预测精度和稳定性方面均有显著提升。该模型有效处理了光伏功率序列的非平稳性和非线性，同时通过特征降维提高了模型效率，为光伏功率预测提供了一

YOLOv7训练时4个类别只出2个类别

最新发布

qq_48873240的博客

05-16

354

在使用YOLOv7进行训练和预测时，发现模型仅能预测出两个类别（LFM和SFM），而实际应有四个类别。经过检查，特征图大小和anchors设置均与YOLOv3一致，且YOLOv3表现正常。最终发现问题可能出在detect.py中的conf-thres参数设置过高，将其从0.5调整为0.1后，问题得到解决。此外，还需注意在NMS操作时不使用classes参数，并在train.py中根据实际类别数和图片大小调整hyp['cls']和hyp['obj']的缩放比例。这些调整有助于确保模型能够正确预测所有类别。

基于深度学习的高效图像失真校正框架总结

weixin_56337944的博客

05-16

679

本文介绍了一种基于深度学习的高效图像失真校正框架，该框架采用两阶段方法进行图像校正。第一阶段使用改进的GeoNet（EfﬁGeoNet）进行初步校正，通过模型剪枝和知识蒸馏实现轻量化；第二阶段通过图像配准优化，消除残留失真。实验表明，该方法在PSNR和SSIM指标上分别提高了10.39%和30.42%，处理速度提升了85%。该框架适用于多种失真类型，并在医疗内窥镜等实际场景中表现出色。未来研究方向包括增强全局特征提取能力和开发无需参考图像的端到端校正网络。代码和数据已开源，便于复现和进一步研究。

极限学习机进行电厂相关数据预测

leo__520的博客

05-13

852

使用极限学习机（Extreme Learning Machine, ELM）进行电厂相关数据预测的详细步骤和MATLAB代码示例。假设任务是预测电厂发电量或设备状态（如温度、压力），代码包含数据预处理、ELM模型构建、训练与预测全过程。其中，(\mathbf{H} = g(\mathbf{X} \mathbf{W}_{\text{hidden}} + \mathbf{b})) 为隐层输出，(g) 为激活函数（如Sigmoid、ReLU）。通过调整隐层节点数、激活函数和正则化参数，可优化模型性能。