- 基于深度学习的游客满意度分析与评论分析 介绍随着旅游业的不断发展，游客对旅游服务和体验的期望也在不断提高。为了更好地了解游客的需求和反馈，基于深度学习的游客满意度和评论分析成为了一个重要的研究方向。该技术通过对游客评论数据进行分析，从中提取有价值的信息，用以改进旅游服务质量。 应用使用场景酒店和住宿：分析游客对酒店设施、服务等方面的满意度。旅游景点：了解游客对景点的评价，帮助景点管理者作出... 基于深度学习的游客满意度分析与评论分析 介绍随着旅游业的不断发展，游客对旅游服务和体验的期望也在不断提高。为了更好地了解游客的需求和反馈，基于深度学习的游客满意度和评论分析成为了一个重要的研究方向。该技术通过对游客评论数据进行分析，从中提取有价值的信息，用以改进旅游服务质量。 应用使用场景酒店和住宿：分析游客对酒店设施、服务等方面的满意度。旅游景点：了解游客对景点的评价，帮助景点管理者作出...
- ASTER L2 Surface Emissivity V003ASTER L2 表面辐射率 V003简介ASTER L2 地表发射率是一种按需生成的产品（(https://lpdaac.usgs.gov/documents/996/ASTER_Earthdata_Search_Order_Instructions.pdf)），利用 8 至 12 µm 光谱范围内的五个热红外（TIR）波... ASTER L2 Surface Emissivity V003ASTER L2 表面辐射率 V003简介ASTER L2 地表发射率是一种按需生成的产品（(https://lpdaac.usgs.gov/documents/996/ASTER_Earthdata_Search_Order_Instructions.pdf)），利用 8 至 12 µm 光谱范围内的五个热红外（TIR）波...
- K均值聚类是⼀种常⽤的⽆监督学习算法，⽤于将数据集分成 K 个不同的类别（簇），使得同⼀类别内的样本点彼此距离最近，不同类别之间的样本点距离最远。K均值聚类算法通过迭代优化来实现聚类，是⼀种简单⽽有效的聚类算法。 1.基本原理K均值聚类的基本原理如下：1、随机初始化：⾸先，随机选择K个数据点作为初始簇中⼼点。2、分配数据点：对于每个数据点，计算其与各个簇中⼼点的距离，并将其分配到距离最近的簇... K均值聚类是⼀种常⽤的⽆监督学习算法，⽤于将数据集分成 K 个不同的类别（簇），使得同⼀类别内的样本点彼此距离最近，不同类别之间的样本点距离最远。K均值聚类算法通过迭代优化来实现聚类，是⼀种简单⽽有效的聚类算法。 1.基本原理K均值聚类的基本原理如下：1、随机初始化：⾸先，随机选择K个数据点作为初始簇中⼼点。2、分配数据点：对于每个数据点，计算其与各个簇中⼼点的距离，并将其分配到距离最近的簇...
- 支持向量机（Support Vector Machine，SVM）是⼀种强⼤的监督学习算法，主要⽤于分类问题，但也可⽤于回归和异常检测。SVM的基本原理是在特征空间中找到⼀个最优的超平⾯，以最大化不同类别之间的间隔，从而使分类更加准确。 1.基本原理1、间隔最大化：SVM 的⽬标是找到⼀个超平⾯，使不同类别的样本点到这个超平⾯的距离（间隔）最大化。这个间隔被称为“间隔最大化”。2、支持向量：... 支持向量机（Support Vector Machine，SVM）是⼀种强⼤的监督学习算法，主要⽤于分类问题，但也可⽤于回归和异常检测。SVM的基本原理是在特征空间中找到⼀个最优的超平⾯，以最大化不同类别之间的间隔，从而使分类更加准确。 1.基本原理1、间隔最大化：SVM 的⽬标是找到⼀个超平⾯，使不同类别的样本点到这个超平⾯的距离（间隔）最大化。这个间隔被称为“间隔最大化”。2、支持向量：...
- 线性回归是⼀种⽤于建⽴输⼊变量（特征）与连续⽬标变量之间关系的线性模型。它是机器学习和统计学中最简单、最常⻅的回归⽅法之⼀。线性回归假设特征与⽬标之间存在线性关系，并试图找到⼀条最佳拟合的直线（或超平⾯）来描述数据之间的关系。在机器学习领域中的大多数任务通常都与预测（prediction）有关。 当我们想预测一个数值时，就会涉及到回归问题。 常见的例子包括：预测价格（房屋、股票等）、预测住院... 线性回归是⼀种⽤于建⽴输⼊变量（特征）与连续⽬标变量之间关系的线性模型。它是机器学习和统计学中最简单、最常⻅的回归⽅法之⼀。线性回归假设特征与⽬标之间存在线性关系，并试图找到⼀条最佳拟合的直线（或超平⾯）来描述数据之间的关系。在机器学习领域中的大多数任务通常都与预测（prediction）有关。 当我们想预测一个数值时，就会涉及到回归问题。 常见的例子包括：预测价格（房屋、股票等）、预测住院...
- ASTER Orthorectified Digital Elevation Model (DEM) V003ASTER正射纠正数字海拔模型（TEM）V003简介ASTER 数字地面模型和传感器的正交校正注册辐射(AST14DMO)产品( https://lpdaac.usgs.gov/documents/996/aster_earthdata_search_order_instruct... ASTER Orthorectified Digital Elevation Model (DEM) V003ASTER正射纠正数字海拔模型（TEM）V003简介ASTER 数字地面模型和传感器的正交校正注册辐射(AST14DMO)产品( https://lpdaac.usgs.gov/documents/996/aster_earthdata_search_order_instruct...
- 使用Python实现深度学习模型：智能水质监测与管理 使用Python实现深度学习模型：智能水质监测与管理
- 在Python中使用OpenCV录制视频并保存 介绍在计算机视觉领域，视频处理是一个非常重要的课题。通过捕捉和处理视频数据，我们可以实现很多应用，比如监控系统、人脸识别、运动检测等。OpenCV (Open Source Computer Vision Library) 是一个强大的开源计算机视觉库，提供了丰富的视频处理功能。本文将介绍如何使用Python和OpenCV录制视频并保存。 应... 在Python中使用OpenCV录制视频并保存 介绍在计算机视觉领域，视频处理是一个非常重要的课题。通过捕捉和处理视频数据，我们可以实现很多应用，比如监控系统、人脸识别、运动检测等。OpenCV (Open Source Computer Vision Library) 是一个强大的开源计算机视觉库，提供了丰富的视频处理功能。本文将介绍如何使用Python和OpenCV录制视频并保存。 应...
- @[toc] 摘要论文：https://arxiv.org/pdf/2401.09417v1.pdf作者研究了轻量级模型设计的新方法，通过引入视觉状态空间模型（SSM）以提高效率和性能。提出了一种名为EcientVMamba的高效模型变体，结合选择性扫描和有效跳跃采样，同时利用全局和局部表示特征。EcientVMamba在多种视觉任务中取得了具有竞争力的结果，并降低了计算复杂度。文章还探讨了... @[toc] 摘要论文：https://arxiv.org/pdf/2401.09417v1.pdf作者研究了轻量级模型设计的新方法，通过引入视觉状态空间模型（SSM）以提高效率和性能。提出了一种名为EcientVMamba的高效模型变体，结合选择性扫描和有效跳跃采样，同时利用全局和局部表示特征。EcientVMamba在多种视觉任务中取得了具有竞争力的结果，并降低了计算复杂度。文章还探讨了...
- timm（Torch Image Models）是一个在PyTorch上构建的图像模型库，它提供了一系列预训练的深度学习模型，使得研究人员和开发者可以方便地进行图像分类、目标检测等任务。 使用timm库创建模型时，如何确定模型的名字使用timm.list_models方法，找到timm支持的模型import timmif __name__ == '__main__': all_pret... timm（Torch Image Models）是一个在PyTorch上构建的图像模型库，它提供了一系列预训练的深度学习模型，使得研究人员和开发者可以方便地进行图像分类、目标检测等任务。 使用timm库创建模型时，如何确定模型的名字使用timm.list_models方法，找到timm支持的模型import timmif __name__ == '__main__': all_pret...
- @[toc]在上一篇文章中完成了前期的准备工作，见链接：FlashInternImage实战：使用FlashInternImage实现图像分类任务（一）前期的工作主要是数据的准备，安装库文件，数据增强方式的讲解，模型的介绍和实验效果等内容。接下来，这篇主要是讲解如何训练和测试 训练部分完成上面的步骤后，就开始train脚本的编写，新建train.py 导入项目使用的库在train.py导入i... @[toc]在上一篇文章中完成了前期的准备工作，见链接：FlashInternImage实战：使用FlashInternImage实现图像分类任务（一）前期的工作主要是数据的准备，安装库文件，数据增强方式的讲解，模型的介绍和实验效果等内容。接下来，这篇主要是讲解如何训练和测试 训练部分完成上面的步骤后，就开始train脚本的编写，新建train.py 导入项目使用的库在train.py导入i...
- 模块化RAG技术路线图：从基础Naive RAG 到Modular RAG全方位技术解读 模块化RAG技术路线图：从基础Naive RAG 到Modular RAG全方位技术解读
- ASTER Digital Elevation Model V003简介ASTER全球数字海拔模型（GTEM）第3版（ASTG TM）提供了地球陆地区域的全球数字海拔模型（TEM），空间分辨率为1角秒（赤道处水平位置约30米）。ASTER GTEM数据产品的开发是美国国家航空航天局（NASA）和日本经济产业省（METI）之间的合作成果。ASTER GTEM数据产品由东京的传感器信息实验室... ASTER Digital Elevation Model V003简介ASTER全球数字海拔模型（GTEM）第3版（ASTG TM）提供了地球陆地区域的全球数字海拔模型（TEM），空间分辨率为1角秒（赤道处水平位置约30米）。ASTER GTEM数据产品的开发是美国国家航空航天局（NASA）和日本经济产业省（METI）之间的合作成果。ASTER GTEM数据产品由东京的传感器信息实验室...
- @[toc]在上一篇文章中完成了前期的准备工作，见链接：SG-Former实战：使用SG-Former实现图像分类任务（一）这篇主要是讲解如何训练和测试 训练部分完成上面的步骤后，就开始train脚本的编写，新建train.py 导入项目使用的库在train.py导入import jsonimport osimport matplotlib.pyplot as pltimport torch... @[toc]在上一篇文章中完成了前期的准备工作，见链接：SG-Former实战：使用SG-Former实现图像分类任务（一）这篇主要是讲解如何训练和测试 训练部分完成上面的步骤后，就开始train脚本的编写，新建train.py 导入项目使用的库在train.py导入import jsonimport osimport matplotlib.pyplot as pltimport torch...
- I. 项目背景介绍A. 新闻生成的背景新闻生成是指通过自动化技术生成新闻报道的过程。在信息爆炸的时代，新闻机构面临着大量的信息和紧迫的发布时间压力。传统的新闻撰写过程通常耗时且劳动密集，这促使研究者们寻求自动化解决方案。语言模型的进步为新闻生成提供了新的可能性，它们能够从海量的数据中学习并生成流畅、准确的新闻报道。B. 语言模型在新闻生成中的应用提高报道效率：自动生成新闻报道可以大幅提高新闻... I. 项目背景介绍A. 新闻生成的背景新闻生成是指通过自动化技术生成新闻报道的过程。在信息爆炸的时代，新闻机构面临着大量的信息和紧迫的发布时间压力。传统的新闻撰写过程通常耗时且劳动密集，这促使研究者们寻求自动化解决方案。语言模型的进步为新闻生成提供了新的可能性，它们能够从海量的数据中学习并生成流畅、准确的新闻报道。B. 语言模型在新闻生成中的应用提高报道效率：自动生成新闻报道可以大幅提高新闻...
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
苏州工业园区“华为云杯”2025人工智能应用创新大赛赛中直播2025/08/21 周四 16:00-17:00
Vz 华为云AIoT技术布道师
本期直播将与您一起探讨如何基于华为云IoT平台全场景云服务，结合AI、鸿蒙、大数据等技术，打造有创新性，有竞争力的方案和产品。
即将直播
热门标签