- openEuler安装GPU、CUDA、cudnn 准备工作查看当前服务器显卡。查看VGA接口显卡：lspci | grep VGA查看Nvidia：lspci | grep NVIDIA[root@Malluma ~]# lspci | grep VGA05:00.0 VGA compatible controller: Huawei Technologies Co., Ltd. Hi1... openEuler安装GPU、CUDA、cudnn 准备工作查看当前服务器显卡。查看VGA接口显卡：lspci | grep VGA查看Nvidia：lspci | grep NVIDIA[root@Malluma ~]# lspci | grep VGA05:00.0 VGA compatible controller: Huawei Technologies Co., Ltd. Hi1...
- hands-on-data-analysis 第二单元 2,3节第二节 数据重构万事开头记得导入基本的库： # 导入基本库 import numpy as np import pandas as pd2.1.数据合并——concat横向合并官方文档：pandas.concat — pandas 1.4.2 documentation (pydata.org)对text_left_up,tex... hands-on-data-analysis 第二单元 2,3节第二节 数据重构万事开头记得导入基本的库： # 导入基本库 import numpy as np import pandas as pd2.1.数据合并——concat横向合并官方文档：pandas.concat — pandas 1.4.2 documentation (pydata.org)对text_left_up,tex...
- k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终... k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终...
- GPWv411：国家标识符网格（世界网格人口第 4 . 11 版）世界网格人口第 4 版 (GPWv4) 第 11 版在 30 角秒（约 1 公里）网格单元上模拟了 2000、2005、2010、2015 和 2020 年全球人口的分布。使用人口普查和行政单位的人口按比例分配将人口分配到单元格。人口输入数据以 2005 年至 2014 年间发生的 2010 年人口普查结果中可用的最详细空间分... GPWv411：国家标识符网格（世界网格人口第 4 . 11 版）世界网格人口第 4 版 (GPWv4) 第 11 版在 30 角秒（约 1 公里）网格单元上模拟了 2000、2005、2010、2015 和 2020 年全球人口的分布。使用人口普查和行政单位的人口按比例分配将人口分配到单元格。人口输入数据以 2005 年至 2014 年间发生的 2010 年人口普查结果中可用的最详细空间分...
- 针对水稻病害虫害检测精度低、速度慢、模型体量大、部署困难等问题，本研究提出了轻量化YOLOv4-GhostNet水稻病虫害识别方法：1）利用幻象模块代替普通卷积结构，替换主干特征提取网络CSPDarkNet53，构建GhostNet特征提取结构；2）改进YOLOv4网络的加强特征提取部分PANet结构；3）利用迁移学习与YOLOv4网络训练技巧；4）模型对水稻病虫害检测的平均精确度达到89.91% 针对水稻病害虫害检测精度低、速度慢、模型体量大、部署困难等问题，本研究提出了轻量化YOLOv4-GhostNet水稻病虫害识别方法：1）利用幻象模块代替普通卷积结构，替换主干特征提取网络CSPDarkNet53，构建GhostNet特征提取结构；2）改进YOLOv4网络的加强特征提取部分PANet结构；3）利用迁移学习与YOLOv4网络训练技巧；4）模型对水稻病虫害检测的平均精确度达到89.91%
- 今天看到一篇文章讲述了对于土地分类的自动化处理的过程，非常实用，而且你只需要将你的研究区进行放图即可，剩下的就是一键run就能获得1986-2020年的影像，当然这里作者去除了2012年因为色差条带产生的影像。 如果你想加入2012年的影像需要将代码改一下，整体的改动幅度不会太大，就是加入一个集合，剩下的就是弄到融合所有影像集合就欧克。这个程序住主程序部分不是很... 今天看到一篇文章讲述了对于土地分类的自动化处理的过程，非常实用，而且你只需要将你的研究区进行放图即可，剩下的就是一键run就能获得1986-2020年的影像，当然这里作者去除了2012年因为色差条带产生的影像。 如果你想加入2012年的影像需要将代码改一下，整体的改动幅度不会太大，就是加入一个集合，剩下的就是弄到融合所有影像集合就欧克。这个程序住主程序部分不是很...
- 本次的实验目的主要是，我们平时很多情况下会在进行影像分析的时候，特别是在进行植被指数分析的时候，我们一般会选择阈值法将其进行水体去除，但是还有一种更简单的方法，就是利用已有影像的水体部分将其进行扣除，然后再利用剩余的影像进行NDVI的分析和计算，这样整体影像看起来就会好很多，就是把水带来的元素给去除掉。当让我们如果做某一区域的NDWI运算的时候样去除掉相应的非水体部分，制作水体部分。我们... 本次的实验目的主要是，我们平时很多情况下会在进行影像分析的时候，特别是在进行植被指数分析的时候，我们一般会选择阈值法将其进行水体去除，但是还有一种更简单的方法，就是利用已有影像的水体部分将其进行扣除，然后再利用剩余的影像进行NDVI的分析和计算，这样整体影像看起来就会好很多，就是把水带来的元素给去除掉。当让我们如果做某一区域的NDWI运算的时候样去除掉相应的非水体部分，制作水体部分。我们...
- 聚类算法案例 聚类算法聚类算法（Clustering），是对大量未知标注的数据集，按数据的内在相似性，将数据集划分为多个互不相交的子集，每个子集称为一个簇，使簇内数据的相似度较大而簇间数据的相似度较小。聚类算法属于无监督机器学习，只有数据x，没有标签y。常见的聚类算法：k-Means、 spectral clustering、mean-shift等。from sklearn.cluster... 聚类算法案例 聚类算法聚类算法（Clustering），是对大量未知标注的数据集，按数据的内在相似性，将数据集划分为多个互不相交的子集，每个子集称为一个簇，使簇内数据的相似度较大而簇间数据的相似度较小。聚类算法属于无监督机器学习，只有数据x，没有标签y。常见的聚类算法：k-Means、 spectral clustering、mean-shift等。from sklearn.cluster...
- 在各种模型训练，特征选择相关的算法中，大量涉及到数据归一化的问题。比如最常见的情况是计算距离，如果不同维度之间的取值范围不一样，比如feature1的取值范围是[100,200],feature2的取值范围是[1,2]，如果数据不做归一化处理，会造成feature1在距离计算中占压倒性的优势，feature2完全体现不出来作用。而数据做归一化处理以后，会让各个不同特征对距离计算的贡献大致相同... 在各种模型训练，特征选择相关的算法中，大量涉及到数据归一化的问题。比如最常见的情况是计算距离，如果不同维度之间的取值范围不一样，比如feature1的取值范围是[100,200],feature2的取值范围是[1,2]，如果数据不做归一化处理，会造成feature1在距离计算中占压倒性的优势，feature2完全体现不出来作用。而数据做归一化处理以后，会让各个不同特征对距离计算的贡献大致相同...
- 性能分析一直是性能实施项目中的一个难点。对于只做性能测试不做性能分析的团队来说，总是不能把问题非常显性地展示出来，不能给其他团队非常明确的引导。对于这种类型的测试实施，只能把问题抛出来，让其他相关团队去查。沟通成本很高。而一个成熟的性能团队应该是要把问题点分析出来，给其他团队或责任人非常明确的瓶颈点，以加快问题的处理进度。从完整的分析思路上考虑。有两个要点：分段和分层。如上图所示，分段就是要... 性能分析一直是性能实施项目中的一个难点。对于只做性能测试不做性能分析的团队来说，总是不能把问题非常显性地展示出来，不能给其他团队非常明确的引导。对于这种类型的测试实施，只能把问题抛出来，让其他相关团队去查。沟通成本很高。而一个成熟的性能团队应该是要把问题点分析出来，给其他团队或责任人非常明确的瓶颈点，以加快问题的处理进度。从完整的分析思路上考虑。有两个要点：分段和分层。如上图所示，分段就是要...
- 从软件实现的角度研究了多元线性回归、k-近邻、k-means聚类、概率神经网络和自组织神经网的机器学习算法。对自组织网络输出节点分布进行了环形和球面扩展，避免了学习算法的邻域边界问题。对无监督聚类的自组织网络和k-means聚类方法进行改进，使其具有决策功能。为了对数据体现的变量关系有初步了解，列举了一些实用的数据可视化方法。为多维特征参数机器学习软件系统的实现及应用奠定了基础。 从软件实现的角度研究了多元线性回归、k-近邻、k-means聚类、概率神经网络和自组织神经网的机器学习算法。对自组织网络输出节点分布进行了环形和球面扩展，避免了学习算法的邻域边界问题。对无监督聚类的自组织网络和k-means聚类方法进行改进，使其具有决策功能。为了对数据体现的变量关系有初步了解，列举了一些实用的数据可视化方法。为多维特征参数机器学习软件系统的实现及应用奠定了基础。
- python 数据分析机器学习介绍 python 数据分析机器学习介绍
- Kohonen自组织特征映射神经网络，按照输出节点的分布可分为直线型、环型、平面型和球面型。网络的学习结果使得相似的输入向量的响应节点在拓扑空间上也接近。在对网络的训练过程中随着时间的推移响应节点的邻域逐渐缩小，学习率也逐步减小，使得权重逐步趋于稳定。如果网络的输出节点分布在圆环或球面上，响应节点的邻域就不存在边界。网络的相似相近特性可对输入向量排序。 Kohonen自组织特征映射神经网络，按照输出节点的分布可分为直线型、环型、平面型和球面型。网络的学习结果使得相似的输入向量的响应节点在拓扑空间上也接近。在对网络的训练过程中随着时间的推移响应节点的邻域逐渐缩小，学习率也逐步减小，使得权重逐步趋于稳定。如果网络的输出节点分布在圆环或球面上，响应节点的邻域就不存在边界。网络的相似相近特性可对输入向量排序。
- 预定义边框就是一组预设的边框，在训练时，以真实的边框位置相对于预设边框的偏移来构建训练样本。 这就相当于，预设边框先大致在可能的位置“框“出来目标，然后再在这些预设边框的基础上进行调整。为了尽可能的框出目标可能出现的位置，预定义边框通常由上千个甚至更多，通常使用各种形状的“滑动窗口”，在原图像滑动来产不同位置不同形状的预设边框，深度学习中可以使用Anchor Box在图像的不同位置生成边框，... 预定义边框就是一组预设的边框，在训练时，以真实的边框位置相对于预设边框的偏移来构建训练样本。 这就相当于，预设边框先大致在可能的位置“框“出来目标，然后再在这些预设边框的基础上进行调整。为了尽可能的框出目标可能出现的位置，预定义边框通常由上千个甚至更多，通常使用各种形状的“滑动窗口”，在原图像滑动来产不同位置不同形状的预设边框，深度学习中可以使用Anchor Box在图像的不同位置生成边框，...
- 目录🤗第十三届蓝桥杯总结🤗🤗第十三届蓝桥杯国赛计划🤗🤗计划安排🤗国赛备考通知🤗第十三届蓝桥杯总结🤗对于蓝桥杯来说，今年是一个特殊的玩法，与往年相比，线上与线下相结合导致出现了很多问题，为了阻止学生作弊也是下了很大功夫，就说今年的题目难度吧，上升了至少2个维度，在模拟过程中用的是5个填空题，5个编程题，导致很多人把方向弄偏了，很多的经历又放到了填空题上，亏了很多时间，还有对于... 目录🤗第十三届蓝桥杯总结🤗🤗第十三届蓝桥杯国赛计划🤗🤗计划安排🤗国赛备考通知🤗第十三届蓝桥杯总结🤗对于蓝桥杯来说，今年是一个特殊的玩法，与往年相比，线上与线下相结合导致出现了很多问题，为了阻止学生作弊也是下了很大功夫，就说今年的题目难度吧，上升了至少2个维度，在模拟过程中用的是5个填空题，5个编程题，导致很多人把方向弄偏了，很多的经历又放到了填空题上，亏了很多时间，还有对于...
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 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签