- 学习总结 第一步是导入 Spark 分割好的训练集和测试集。 第二步是在 TensorFlow 中设置评估指标，再在测试集上调用 model.evaluate 函数计算这些评估指标。这里使用了最常用的 ... 学习总结 第一步是导入 Spark 分割好的训练集和测试集。 第二步是在 TensorFlow 中设置评估指标，再在测试集上调用 model.evaluate 函数计算这些评估指标。这里使用了最常用的 ...
- 简 介： 近年来，深度学习在交通安全、无人驾驶等领域被广泛研究与应用，而车辆检测作为其中不可或缺的一环，被人们所重点关注。本文基于YOLOV3 网络对其不同骨网进行了训练与分析，最终实现了对交通车辆... 简 介： 近年来，深度学习在交通安全、无人驾驶等领域被广泛研究与应用，而车辆检测作为其中不可或缺的一环，被人们所重点关注。本文基于YOLOV3 网络对其不同骨网进行了训练与分析，最终实现了对交通车辆...
- 提高查准率方法 1. 增加beishu_neg 2.提高预测时的confidence_threshold 3.提高标注质量，正样本选择视觉特征明显的物体： 1）模棱两可的不加入训练集正样本 2）特别模糊的不加入训练集正样本 3）在其他环境中，和负样本很像的不能加入正样本 4.增加负样本 5.增加分类网络 ... 提高查准率方法 1. 增加beishu_neg 2.提高预测时的confidence_threshold 3.提高标注质量，正样本选择视觉特征明显的物体： 1）模棱两可的不加入训练集正样本 2）特别模糊的不加入训练集正样本 3）在其他环境中，和负样本很像的不能加入正样本 4.增加负样本 5.增加分类网络 ...
- 为了让菜鸡的自己学习更有方向感，本文贴上各厂的推荐算法岗位的要求 （ps：本文既不是广告问也不是内推文！！！）。 文章目录 算法工程师的工作流程（王喆）一、不知哪个厂：二、联通研究院三、阿里巴巴... 为了让菜鸡的自己学习更有方向感，本文贴上各厂的推荐算法岗位的要求 （ps：本文既不是广告问也不是内推文！！！）。 文章目录 算法工程师的工作流程（王喆）一、不知哪个厂：二、联通研究院三、阿里巴巴...
- 一.非负矩阵分解（Non-negative Matrix Factorization ，NMF） 是在矩阵中所有元素均为非负数约束条件之下的矩阵分解方法。 基本思想：给定一个非负矩阵V，NMF能够找到一个非负矩阵W和一个非负矩阵H，使得矩阵W和H的乘积近似等于矩阵V中的值。 • W矩阵：基础图像矩阵，相当于从原矩阵V中抽取出来的... 一.非负矩阵分解（Non-negative Matrix Factorization ，NMF） 是在矩阵中所有元素均为非负数约束条件之下的矩阵分解方法。 基本思想：给定一个非负矩阵V，NMF能够找到一个非负矩阵W和一个非负矩阵H，使得矩阵W和H的乘积近似等于矩阵V中的值。 • W矩阵：基础图像矩阵，相当于从原矩阵V中抽取出来的...
- （1）线性回归的不足 对于一般地线性回归问题，参数的求解采用的是最小二乘法，其目标函数如下： 参数w的求解，也可以使用如下矩阵方法进行： （2）岭回归 岭回归的优化目标： 对应的矩阵求解方法为： 岭回归(ridge regression)是一种专用于共线性数据分析的有偏估计回归方法 是一种... （1）线性回归的不足 对于一般地线性回归问题，参数的求解采用的是最小二乘法，其目标函数如下： 参数w的求解，也可以使用如下矩阵方法进行： （2）岭回归 岭回归的优化目标： 对应的矩阵求解方法为： 岭回归(ridge regression)是一种专用于共线性数据分析的有偏估计回归方法 是一种...
- 📢📢📢📣📣📣 🌻🌻🌻Hello，大家好我叫是Dream呀，一个有趣的Python博主，多多关照😜😜😜 🏅🏅🏅CSDN Python领域优质创作者，大二在读，欢迎大家... 📢📢📢📣📣📣 🌻🌻🌻Hello，大家好我叫是Dream呀，一个有趣的Python博主，多多关照😜😜😜 🏅🏅🏅CSDN Python领域优质创作者，大二在读，欢迎大家...
- 这个训练ap没有 atss_rfb：训练时高0.9007，但是验证是ap不高 0.7182 hswish_atss_rfb：训练时低一点点 0.8991，但是验证是ap高 0.7429 0.8992_0.8977_0.9008_22.4432_1.0e-04_79 0.7449_0.9378_0.6178_0.0000_0.... 这个训练ap没有 atss_rfb：训练时高0.9007，但是验证是ap不高 0.7182 hswish_atss_rfb：训练时低一点点 0.8991，但是验证是ap高 0.7429 0.8992_0.8977_0.9008_22.4432_1.0e-04_79 0.7449_0.9378_0.6178_0.0000_0....
- 文章目录 一、线性模型二、绘图工具三、作业Reference 一、线性模型 不要小看简单线性模型哈哈，虽然这讲我们还没正式用到pytorch，但是用到的前向传播、损失函数、两种绘loss图... 文章目录 一、线性模型二、绘图工具三、作业Reference 一、线性模型 不要小看简单线性模型哈哈，虽然这讲我们还没正式用到pytorch，但是用到的前向传播、损失函数、两种绘loss图...
- 先声明大部分都参照（https://zhuanlan.zhihu.com/p/22543073） 数学知识的复习 线性代数:（矩阵、特征值、特征向量、秩） 微积分：（极限、导数、拉格朗日中值、泰勒级数展开、傅里叶变换） 概率论：（https://blog.csdn.net/chybin500/article/details/78470... 先声明大部分都参照（https://zhuanlan.zhihu.com/p/22543073） 数学知识的复习 线性代数:（矩阵、特征值、特征向量、秩） 微积分：（极限、导数、拉格朗日中值、泰勒级数展开、傅里叶变换） 概率论：（https://blog.csdn.net/chybin500/article/details/78470...
- 学习总结 （1）要熟悉pandas、matplotlib等工具包，如train_df['text_unique'] = train_df['text'].apply(lambda x: ' '.join... 学习总结 （1）要熟悉pandas、matplotlib等工具包，如train_df['text_unique'] = train_df['text'].apply(lambda x: ' '.join...
- 学习总结 协同过滤（Collaborative Filtering）及其衍生的模型，和深度学习推荐系统密切相关。 协同过滤：协同大家的反馈、评价和意见，对海量的信息进行过滤，从中筛选出用户感兴趣信息的一... 学习总结 协同过滤（Collaborative Filtering）及其衍生的模型，和深度学习推荐系统密切相关。 协同过滤：协同大家的反馈、评价和意见，对海量的信息进行过滤，从中筛选出用户感兴趣信息的一...
- 一.实例介绍 （1）实例背景 • 可穿戴式设备的流行，让我们可以更便利地使用传感器获取人体的各项数据，甚至生理数据。 • 当传感器采集到大量数据后，我们就可以通过对数据进行分析和建模，通过各项特征的数值进行用户状态的判断，根据用户所处的状态提供给用户更加精准、便利的服务 （2）数据介绍 • 我们现在收集了来自 A,B,C,D,E... 一.实例介绍 （1）实例背景 • 可穿戴式设备的流行，让我们可以更便利地使用传感器获取人体的各项数据，甚至生理数据。 • 当传感器采集到大量数据后，我们就可以通过对数据进行分析和建模，通过各项特征的数值进行用户状态的判断，根据用户所处的状态提供给用户更加精准、便利的服务 （2）数据介绍 • 我们现在收集了来自 A,B,C,D,E...
- 目录 1.上机考试（120min） 2.复试简介 3.项目经历 4.英语口试（5min） 5.面试34问 1.上机考试 牛客网华为机试题库。 （1）往年真题：17-20的往年复试上机题目。 （2）leetcode分类刷题： 数组-> 链表-> 哈希表->字符串->栈与队列->树->回... 目录 1.上机考试（120min） 2.复试简介 3.项目经历 4.英语口试（5min） 5.面试34问 1.上机考试 牛客网华为机试题库。 （1）往年真题：17-20的往年复试上机题目。 （2）leetcode分类刷题： 数组-> 链表-> 哈希表->字符串->栈与队列->树->回...
- ps：本文转载自知乎用户ID：George的NLP面筋。 文章目录 一面（技术面）1. 简要的自我介绍。2. 研究生阶段最有挑战的项目是什么？3. 对于这个项目，传统的方法是怎么样的？4. 列举... ps：本文转载自知乎用户ID：George的NLP面筋。 文章目录 一面（技术面）1. 简要的自我介绍。2. 研究生阶段最有挑战的项目是什么？3. 对于这个项目，传统的方法是怎么样的？4. 列举...
上滑加载中
推荐直播
-
码道新技能，AI 新生产力——从自动视频生成到开源项目解析2026/04/08 周三 19:00-21:00
童得力-华为云开发者生态运营总监/何文强-无人机企业AI提效负责人
本次华为云码道 Skill 实战活动，聚焦两大 AI 开发场景：通过实战教学，带你打造 AI 编程自动生成视频 Skill，并实现对 GitHub 热门开源项目的智能知识抽取，手把手掌握 Skill 开发全流程，用 AI 提升研发效率与内容生产力。
回顾中 -
华为云码道：零代码股票智能决策平台全功能实战2026/04/18 周六 10:00-12:00
秦拳德-中软国际教育卓越研究院研究员、华为云金牌讲师、云原生技术专家
利用Tushare接口获取实时行情数据，采用Transformer算法进行时序预测与涨跌分析，并集成DeepSeek API提供智能解读。同时，项目深度结合华为云CodeArts（码道）的代码智能体能力，实现代码一键推送至云端代码仓库，建立起高效、可协作的团队开发新范式。开发者可快速上手，从零打造功能完整的个股筛选、智能分析与风险管控产品。
回顾中 -
华为云码道全新升级，多会话并行与多智能体协作2026/05/08 周五 19:00-21:00
王一男-华为云码道产品专家；张嘉冉-华为云码道工程师；胡琦-华为云HCDE；程诗杰-华为云HCDG
华为云码道4月份版本全新升级，此次直播深度解读4月份产品特性，通过“特性解读+实操演示+实战案例+设计创新”的组合，全方位展现码道在多会话并行与多智能体协作方面的能力，赋能开发者提升效率
即将直播
热门标签