- 在本篇深入探讨的文章中，我们全面分析了C4.5决策树算法，包括其核心原理、实现流程、实战案例，以及与其他流行决策树算法（如ID3、CART和Random Forests）的比较。文章不仅涵盖了丰富的理论细节和实际应用，还提出了独特的洞见，旨在帮助读者全面了解C4.5算法的优缺点和应用场景。关注TechLead，分享AI全维度知识。作者拥有10+年互联网服务架构、AI产品研发经验、团队管理经验... 在本篇深入探讨的文章中，我们全面分析了C4.5决策树算法，包括其核心原理、实现流程、实战案例，以及与其他流行决策树算法（如ID3、CART和Random Forests）的比较。文章不仅涵盖了丰富的理论细节和实际应用，还提出了独特的洞见，旨在帮助读者全面了解C4.5算法的优缺点和应用场景。关注TechLead，分享AI全维度知识。作者拥有10+年互联网服务架构、AI产品研发经验、团队管理经验...
- 本文全面而深入地探讨了AdaBoost算法，从其基础概念和原理到Python实战应用。文章不仅详细解析了AdaBoost的优缺点，还通过实例展示了如何在Python中实现该算法。关注TechLead，分享AI全维度知识。作者拥有10+年互联网服务架构、AI产品研发经验、团队管理经验，同济本复旦硕，复旦机器人智能实验室成员，阿里云认证的资深架构师，项目管理专业人士，上亿营收AI产品研发负责人。... 本文全面而深入地探讨了AdaBoost算法，从其基础概念和原理到Python实战应用。文章不仅详细解析了AdaBoost的优缺点，还通过实例展示了如何在Python中实现该算法。关注TechLead，分享AI全维度知识。作者拥有10+年互联网服务架构、AI产品研发经验、团队管理经验，同济本复旦硕，复旦机器人智能实验室成员，阿里云认证的资深架构师，项目管理专业人士，上亿营收AI产品研发负责人。...
- 本文深入探讨了朴素贝叶斯算法，从基础的贝叶斯定理到算法的各种变体，以及在深度学习和文本分类中的应用。通过实战演示和详细的代码示例，展示了朴素贝叶斯在自然语言处理等任务中的实用性和高效性。关注TechLead，分享AI全维度知识。作者拥有10+年互联网服务架构、AI产品研发经验、团队管理经验，同济本复旦硕，复旦机器人智能实验室成员，阿里云认证的资深架构师，项目管理专业人士，上亿营收AI产品研发... 本文深入探讨了朴素贝叶斯算法，从基础的贝叶斯定理到算法的各种变体，以及在深度学习和文本分类中的应用。通过实战演示和详细的代码示例，展示了朴素贝叶斯在自然语言处理等任务中的实用性和高效性。关注TechLead，分享AI全维度知识。作者拥有10+年互联网服务架构、AI产品研发经验、团队管理经验，同济本复旦硕，复旦机器人智能实验室成员，阿里云认证的资深架构师，项目管理专业人士，上亿营收AI产品研发...
- 更为精细的DW openposeOpenPose代表了第一个在单张图像上联合检测人体、手部、面部和足部关键点（共 135 个关键点）的实时多人系统。全身（身体、脚部、面部和手部）2D 姿势估计 测试 OpenPose：（左）悉尼视频中的 Crazy Uptown Funk 快闪族。（中和右）作者吉内斯·伊达尔戈（Ginés Hidalgo）和托马斯·西蒙（Tomas Simon）测试面部和手... 更为精细的DW openposeOpenPose代表了第一个在单张图像上联合检测人体、手部、面部和足部关键点（共 135 个关键点）的实时多人系统。全身（身体、脚部、面部和手部）2D 姿势估计 测试 OpenPose：（左）悉尼视频中的 Crazy Uptown Funk 快闪族。（中和右）作者吉内斯·伊达尔戈（Ginés Hidalgo）和托马斯·西蒙（Tomas Simon）测试面部和手...
- 以下来自官网文档说明和个人总结支持使用SDXL模型和一定的选项直接生成高清大图，不再需要上传模板，需要16GB显存SDXL--TXT2video第二版本1.安装与使用教程2学习前言在视觉方向的AIGC领域，AI写真是一个靠谱且经过验证的落地方案，随着StableDiffusion领域开源社区的快速发展，社区也涌现了类似 FaceChain 这样基于 Modelscope开源社区结合 diff... 以下来自官网文档说明和个人总结支持使用SDXL模型和一定的选项直接生成高清大图，不再需要上传模板，需要16GB显存SDXL--TXT2video第二版本1.安装与使用教程2学习前言在视觉方向的AIGC领域，AI写真是一个靠谱且经过验证的落地方案，随着StableDiffusion领域开源社区的快速发展，社区也涌现了类似 FaceChain 这样基于 Modelscope开源社区结合 diff...
- 损失函数与反向传播计算模型目标输出和实际输出之间的误差。并通过反向传播算法更新模型的权重和参数，以减小预测输出和实际输出之间的误差。计算实际输出和目标输出之间的差距为更新输出提供一定依据(反向传播)不同的模型用的损失函数一般也不一样。平均绝对误差MAE Mean Absolute Errortorch.nn.L1Loss(size_average=None, reduce=None, re... 损失函数与反向传播计算模型目标输出和实际输出之间的误差。并通过反向传播算法更新模型的权重和参数，以减小预测输出和实际输出之间的误差。计算实际输出和目标输出之间的差距为更新输出提供一定依据(反向传播)不同的模型用的损失函数一般也不一样。平均绝对误差MAE Mean Absolute Errortorch.nn.L1Loss(size_average=None, reduce=None, re...
- 写在前面对我来说，家不是一个地方，而是一个人。我们分开太久后，现在终于又“回家”了。 --- 安娜的法式吻 anna french kiss两个人相遇就像两种化学物质接触，如果有任何反应，两者都发生变化。 矩阵分解亦是如此。 5 概念和几个例子以下为已知的常见矩阵分解方式，以生成不同的A = LU, A=PLU, A = QR, S = Q ^ Q^t A = U*ΣV^t... 写在前面对我来说，家不是一个地方，而是一个人。我们分开太久后，现在终于又“回家”了。 --- 安娜的法式吻 anna french kiss两个人相遇就像两种化学物质接触，如果有任何反应，两者都发生变化。 矩阵分解亦是如此。 5 概念和几个例子以下为已知的常见矩阵分解方式，以生成不同的A = LU, A=PLU, A = QR, S = Q ^ Q^t A = U*ΣV^t...
- 最珍贵的东西通常是免费的，比如阳光，水，空气，人们一刻也无法离开它们。 彼此彼此，从现实中来，回到现实中去。 最珍贵的东西通常是免费的，比如阳光，水，空气，人们一刻也无法离开它们。 彼此彼此，从现实中来，回到现实中去。
- 本实验将使用MindSpore深度学习框架，使用鸢尾花数据集，搭建简单的全连接神经网络，完成鸢尾花种类分类任务。 本实验将使用MindSpore深度学习框架，使用鸢尾花数据集，搭建简单的全连接神经网络，完成鸢尾花种类分类任务。
- 简介：JRC Monthly Water History产品，是利用1984至2020年获取的landsat5、landsat7和landsat8的卫星影像，生成的一套30米分辨率的全球地表水覆盖的月度地表水监测地图集。该数据集共有442景数据，包含1984年3月至2020年12月间的月度水体检测情况，用户可以在全球尺度上按地区回溯某月份水体检测情况。前言 – 人工智能教程JRC Mont... 简介：JRC Monthly Water History产品，是利用1984至2020年获取的landsat5、landsat7和landsat8的卫星影像，生成的一套30米分辨率的全球地表水覆盖的月度地表水监测地图集。该数据集共有442景数据，包含1984年3月至2020年12月间的月度水体检测情况，用户可以在全球尺度上按地区回溯某月份水体检测情况。前言 – 人工智能教程JRC Mont...
- 简介：JRC Global Surface Water Mapping Layers产品，是利用1984至2020年获取的landsat5、landsat7和landsat8的卫星影像，生成分辨率为30米的一套全球地表水覆盖的地图集。用户可以在全球尺度上按地区回溯某个时间上地表水分的变化情况。产品由包含7个波段的图像组成，反映了过去35年间地表水在空间和时间的分布情况。前言 – 人工智能教... 简介：JRC Global Surface Water Mapping Layers产品，是利用1984至2020年获取的landsat5、landsat7和landsat8的卫星影像，生成分辨率为30米的一套全球地表水覆盖的地图集。用户可以在全球尺度上按地区回溯某个时间上地表水分的变化情况。产品由包含7个波段的图像组成，反映了过去35年间地表水在空间和时间的分布情况。前言 – 人工智能教...
- 简介：全球地表水覆盖（Global Surface Water）是利用1984至2019年获取的landsat5、landsat7和landsat8的卫星影像，生成分辨率为30米的一套全球地表水覆盖的地图集。用户可以在全球尺度上按地区回溯某个时间上地表水分的变化情况。该数据集包含change为全球地表水体变化程度，它提供了1984-1999年和2000-2019年间地表水发生增加、减少或保持... 简介：全球地表水覆盖（Global Surface Water）是利用1984至2019年获取的landsat5、landsat7和landsat8的卫星影像，生成分辨率为30米的一套全球地表水覆盖的地图集。用户可以在全球尺度上按地区回溯某个时间上地表水分的变化情况。该数据集包含change为全球地表水体变化程度，它提供了1984-1999年和2000-2019年间地表水发生增加、减少或保持...
- 简介：本数据集是一个20年（2002/07/27~2022/08/31）的全球连续一致的地表土壤水分数据集，分辨率为日尺度的36km，数据单位为m3/m3。数据集采用Yao et al.(2017)发展的土壤水分神经网络反演算法，将SMAP的优势传递到AMSR-E/2，以目前卫星最优精度的SMAP标准土壤水分产品为训练目标，以AMSR-E/2的亮温为输入，最终输出长时序土壤水分数据。该数据... 简介：本数据集是一个20年（2002/07/27~2022/08/31）的全球连续一致的地表土壤水分数据集，分辨率为日尺度的36km，数据单位为m3/m3。数据集采用Yao et al.(2017)发展的土壤水分神经网络反演算法，将SMAP的优势传递到AMSR-E/2，以目前卫星最优精度的SMAP标准土壤水分产品为训练目标，以AMSR-E/2的亮温为输入，最终输出长时序土壤水分数据。该数据...
- 简介：全球历史粮食产量数据集是农业普查统计（粮农组织报告的国家产量统计数据）和卫星遥感（遥感反演的作物指数）的混合数据产品，玉米有两个生长季节，以“主要（major）”/“次要（second）”区分。前言 – 人工智能教程根据联合国粮食和农业组织（FAO）提供的数据，以下是近年来全球玉米产量的历史数据和空间分布：历史数据：2019年全球玉米产量为1.134亿吨，同比下降2.8%。2018年... 简介：全球历史粮食产量数据集是农业普查统计（粮农组织报告的国家产量统计数据）和卫星遥感（遥感反演的作物指数）的混合数据产品，玉米有两个生长季节，以“主要（major）”/“次要（second）”区分。前言 – 人工智能教程根据联合国粮食和农业组织（FAO）提供的数据，以下是近年来全球玉米产量的历史数据和空间分布：历史数据：2019年全球玉米产量为1.134亿吨，同比下降2.8%。2018年...
- Element 0 of tensors does not require grad and does not have a grad_fn在使用PyTorch进行深度学习模型训练的过程中，你可能会遇到一个错误消息："element 0 of tensors does not require grad and does not have a grad_fn"（张量的第0个元素不需要梯度且没有... Element 0 of tensors does not require grad and does not have a grad_fn在使用PyTorch进行深度学习模型训练的过程中，你可能会遇到一个错误消息："element 0 of tensors does not require grad and does not have a grad_fn"（张量的第0个元素不需要梯度且没有...
上滑加载中
推荐直播
-
HDC深度解读系列 - AI时代的华为开发者空间2025/07/24 周四 16:30-18:00
Edwin 华为开发者空间产品总监 姚圣伟 HCDG天津核心组代表&HCDE
继HDC发布开发者空间新特性后，本期直播聚焦华为开发者空间核心升级，邀您一起深度解读其如何赋能AI时代智能应用开发，解锁开发新体验
回顾中 -
华为云师资培训——《云计算》课程2025/07/29 周二 15:00-16:30
郭源潮 DTSE开发者技术专家
华为云师资培训直播，带您掌握产业级云计算课程体系与华为开发者空间实战能力，助力高校数字化转型！
去报名
热门标签