- a表示底数，n表示指数，a^n叫做幂。 幂就是一个数和它自己相乘的积,二个乘是二次幂,三个乘是三次幂,四个乘是四次幂, 象三,五这样的幂是奇次幂,二,四是偶次幂负数乘负数是正数,负数乘正数是负. 幂函数与指数函数的区别： 指数函数：自变量 x 在指数的位置上，y=a^x（a>0，a 不等于 1）性质：当 a>1 时，函数是递增函数，且 y>0;... a表示底数，n表示指数，a^n叫做幂。 幂就是一个数和它自己相乘的积,二个乘是二次幂,三个乘是三次幂,四个乘是四次幂, 象三,五这样的幂是奇次幂,二,四是偶次幂负数乘负数是正数,负数乘正数是负. 幂函数与指数函数的区别： 指数函数：自变量 x 在指数的位置上，y=a^x（a>0，a 不等于 1）性质：当 a>1 时，函数是递增函数，且 y>0;...
- 原文：http://www.jianshu.com/p/6eecdeee5012 决策树是一种简单高效并且具有强解释性的模型，广泛应用于数据分析领域。其本质是一颗由多个判断节点组成的树，如： 决策树 在使用模型进行预测时，根据输入参数依次在各个判断节点进行判断游走，最后到叶子节点即为预测结果。 如何构造决策树 决策树算法的... 原文：http://www.jianshu.com/p/6eecdeee5012 决策树是一种简单高效并且具有强解释性的模型，广泛应用于数据分析领域。其本质是一颗由多个判断节点组成的树，如： 决策树 在使用模型进行预测时，根据输入参数依次在各个判断节点进行判断游走，最后到叶子节点即为预测结果。 如何构造决策树 决策树算法的...
- 原文：https://www.cnblogs.com/zongfa/p/8971213.html Softmax函数详解与推导 一、softmax函数 softmax用于多分类过程中，它将多个神经元的输出，映射到（0,1）区间内，可以看成概率来理解，从而来进行多分类！ 假设我们有一个数组，V，Vi表示V中的第i个元素，那么这个元素的softmax值就是... 原文：https://www.cnblogs.com/zongfa/p/8971213.html Softmax函数详解与推导 一、softmax函数 softmax用于多分类过程中，它将多个神经元的输出，映射到（0,1）区间内，可以看成概率来理解，从而来进行多分类！ 假设我们有一个数组，V，Vi表示V中的第i个元素，那么这个元素的softmax值就是...
- 图像中文描述 图像中文描述 + 视觉注意力的 PyTorch 实现。 Show, Attend, and Tell 是令人惊叹的工作，这里是作者的原始实现。 这个模型学会了“往哪瞅”：当模型逐词生成标题时，模型的目光在图像上移动以专注于跟下一个词最相关的部分。 依赖 Python 3.5PyTorch 0.4 数据集 使用 AI Chal... 图像中文描述 图像中文描述 + 视觉注意力的 PyTorch 实现。 Show, Attend, and Tell 是令人惊叹的工作，这里是作者的原始实现。 这个模型学会了“往哪瞅”：当模型逐词生成标题时，模型的目光在图像上移动以专注于跟下一个词最相关的部分。 依赖 Python 3.5PyTorch 0.4 数据集 使用 AI Chal...
- 训练样本量少的时候，确实有效果； 勤劳的神经元们事无巨细地干活，花大量时间把不重要的特征都学到了（过拟合），按这种方式去做其他事效率就很低（模型泛化能力差） 训练的时候需要dropout，测试的时候直接去掉。 如果测试时的时候添加了dropout层，测试的时候直接把前一层的特征结果传到下一层： dropout层相当于组合... 训练样本量少的时候，确实有效果； 勤劳的神经元们事无巨细地干活，花大量时间把不重要的特征都学到了（过拟合），按这种方式去做其他事效率就很低（模型泛化能力差） 训练的时候需要dropout，测试的时候直接去掉。 如果测试时的时候添加了dropout层，测试的时候直接把前一层的特征结果传到下一层： dropout层相当于组合...
- #CVPR 2021##全景分割##开放集# 1、Exemplar-Based Open-Set Panoptic Segmentation Network 首尔大学&Adobe Research 先是定义开放集全景分割（OPS）任务，并通过深入分析其固有的挑战，利用合理的假设使其可行。通过重新格式化 COCO 构建一个全新的 O... #CVPR 2021##全景分割##开放集# 1、Exemplar-Based Open-Set Panoptic Segmentation Network 首尔大学&Adobe Research 先是定义开放集全景分割（OPS）任务，并通过深入分析其固有的挑战，利用合理的假设使其可行。通过重新格式化 COCO 构建一个全新的 O...
- 原文：http://www.cnblogs.com/ybjourney/p/4702562.html 机器学习（一）——K-近邻（KNN）算法 最近在看《机器学习实战》这本书，因为自己本身很想深入的了解机器学习算法，加之想学python，就在朋友的推荐之下选择了这本书进行学习。 一 . K... 原文：http://www.cnblogs.com/ybjourney/p/4702562.html 机器学习（一）——K-近邻（KNN）算法 最近在看《机器学习实战》这本书，因为自己本身很想深入的了解机器学习算法，加之想学python，就在朋友的推荐之下选择了这本书进行学习。 一 . K...
- Gaussian YOLOv3 https://github.com/jwchoi384/Gaussian_YOLOv3 预测特征图的属性 RGB3通道图像被输入到yolov3网络。 检测结果在三个不同的尺度下输出，包括目标的坐标位置、目标是正样本还是负样本、目标属于某一类置信度。 对于每个比例尺分支，在每个网格单元中预测三个结果（每个比例尺三个锚）。 结合三个尺度的结... Gaussian YOLOv3 https://github.com/jwchoi384/Gaussian_YOLOv3 预测特征图的属性 RGB3通道图像被输入到yolov3网络。 检测结果在三个不同的尺度下输出，包括目标的坐标位置、目标是正样本还是负样本、目标属于某一类置信度。 对于每个比例尺分支，在每个网格单元中预测三个结果（每个比例尺三个锚）。 结合三个尺度的结...
- 前两天为了加速一段求梯度的代码，用了SSE指令，在实验室PMH大侠的指导下，最终实现了3倍速度提升（极限是4倍，因为4个浮点数一起计算）。在这里写一下心得，欢迎拍砖。 SSE加速的几个关键是 (1) 用于并行计算的数据结构要16字节对齐 (2) 直接写汇编，不要用SSE的Load Store指令 (3) 对于SSE本身不提供的三角函数等指令，可以用查表法，但要用S... 前两天为了加速一段求梯度的代码，用了SSE指令，在实验室PMH大侠的指导下，最终实现了3倍速度提升（极限是4倍，因为4个浮点数一起计算）。在这里写一下心得，欢迎拍砖。 SSE加速的几个关键是 (1) 用于并行计算的数据结构要16字节对齐 (2) 直接写汇编，不要用SSE的Load Store指令 (3) 对于SSE本身不提供的三角函数等指令，可以用查表法，但要用S...
- 形态学可以对着二值图操作，好像也能对着灰度图操作，返回的还是灰度图。 利用morphologyEx这个函数可以方便的对图像进行一系列的膨胀腐蚀组合。 函数讲解 ●函数原型 ○c++ void morphologyEx( InputArray src, OutputArray dst, int op, InputArray kernel, Point a... 形态学可以对着二值图操作，好像也能对着灰度图操作，返回的还是灰度图。 利用morphologyEx这个函数可以方便的对图像进行一系列的膨胀腐蚀组合。 函数讲解 ●函数原型 ○c++ void morphologyEx( InputArray src, OutputArray dst, int op, InputArray kernel, Point a...
- K-means算法、高斯混合模型 简介： 本节介绍STANFORD机器学习公开课中的第12、13集视频中的算法：K-means算法、高斯混合模型（GMM）。（9、10、11集不进行介绍，略过了哈） 一、K-means算法 属于无监督学... K-means算法、高斯混合模型 简介： 本节介绍STANFORD机器学习公开课中的第12、13集视频中的算法：K-means算法、高斯混合模型（GMM）。（9、10、11集不进行介绍，略过了哈） 一、K-means算法 属于无监督学...
- tensorflow 1.0 学习：参数和特征的提取 在tf中，参与训练的参数可用 tf.trainable_variables()提取出来，如： #取出所有参与训练的参数 params=tf.trainable_variables() print("Trainable variables:-----------------------... tensorflow 1.0 学习：参数和特征的提取 在tf中，参与训练的参数可用 tf.trainable_variables()提取出来，如： #取出所有参与训练的参数 params=tf.trainable_variables() print("Trainable variables:-----------------------...
- 矩阵的秩: 用初等行变换将矩阵A化为阶梯形矩阵, 则矩阵中非零行的个数就定义为这个矩阵的秩, 记为r(A)。 满秩矩阵(non-singular matrix): 设A是n阶矩阵, 若r(A) = n, 则称A为满秩矩阵。但满秩不局限于n阶矩阵。若矩阵秩等于行数，称为行满秩;若矩阵秩等于列数，称为列满秩。既是行满秩又是列满秩则为n阶矩阵即n阶方阵。 满秩矩阵是一个很重要的... 矩阵的秩: 用初等行变换将矩阵A化为阶梯形矩阵, 则矩阵中非零行的个数就定义为这个矩阵的秩, 记为r(A)。 满秩矩阵(non-singular matrix): 设A是n阶矩阵, 若r(A) = n, 则称A为满秩矩阵。但满秩不局限于n阶矩阵。若矩阵秩等于行数，称为行满秩;若矩阵秩等于列数，称为列满秩。既是行满秩又是列满秩则为n阶矩阵即n阶方阵。 满秩矩阵是一个很重要的...
- 有监督机器学习方法可以分为生成方法和判别方法（常见的生成方法有混合高斯模型、朴素贝叶斯法和隐形马尔科夫模型等，常见的判别方法有SVM、LR等），生成方法学习出的是生成模型，判别方法学习出的是判别模型。 HMM 是生成模型，因为它对状态序列本身的分布 P(X) 和给定状态后观测值的分布 P(Y|X) 都进行了建模。 DNN 是判别模型，因为它直... 有监督机器学习方法可以分为生成方法和判别方法（常见的生成方法有混合高斯模型、朴素贝叶斯法和隐形马尔科夫模型等，常见的判别方法有SVM、LR等），生成方法学习出的是生成模型，判别方法学习出的是判别模型。 HMM 是生成模型，因为它对状态序列本身的分布 P(X) 和给定状态后观测值的分布 P(Y|X) 都进行了建模。 DNN 是判别模型，因为它直...
- 本文是加州大学默塞德分校Ming-Hsuan Yang团队在动态滤波器卷积方面的工作，已被CVPR2021接收。本文针对标准卷积存在的两个问题：内容不可知与计算量大问题，提出了一种具有内容自适应且更轻量的解耦动态滤波器，它将常规动态滤波器拆分为空域动态滤波器与通道动态滤波器，这种拆分可以极大的降低参数量，并将计算量限定在深度卷积同等水平。在图像分类、目标... 本文是加州大学默塞德分校Ming-Hsuan Yang团队在动态滤波器卷积方面的工作，已被CVPR2021接收。本文针对标准卷积存在的两个问题：内容不可知与计算量大问题，提出了一种具有内容自适应且更轻量的解耦动态滤波器，它将常规动态滤波器拆分为空域动态滤波器与通道动态滤波器，这种拆分可以极大的降低参数量，并将计算量限定在深度卷积同等水平。在图像分类、目标...
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 -
基于华为云CodeArts的软件需求工程实践2025/08/27 周三 19:00-20:30
马瑞新-华为开发者布道师-高校教师
基于华为云CodeArts的软件开发技术，深度体验>>智能化软件全流程
回顾中
热门标签