深度学习

百度飞桨零基础实践深度学习地址 里面有大波的免费课程，参加课程还有礼品哦！ 这是我的推荐码https://aistudio.baidu.com/aistudio/education/group/info/1297?activityId=5&directly=1&shared=1 好啦，回归正题 开课第一天，就遇到好多问题，我之前是学过一点点python的，但也差不多还给老师啦 对于.format()的朦胧记忆告诉我，我应该记录一下 1.format()的用法 #这里注意有两层大括号，输出的结果只有一层大括号 用法一：不规定位置，将format中的赋值按顺序添加到{}中 >> > '数字{}和{}' . format ( "123" , 456 ) '数字123和456' 用法二：规定顺序，跟数组下标有点像，{0}对应format的“123” >>> '数字{{{1}{2}}}和{0}' . format ( "123" , 456 , '789' ) '数字{456789}和123' 用法三：使用key与value对应的方式 >>> '{name}{age}岁' . format ( age = 24 , name = '吐泡泡' ) '吐泡泡24岁' eta是个什么东西 这是自行定义的移动步长（又叫学习率），可更改哦 特征尺度为什么要归一

　　“看来新鲜事物还是得有个过程，真不是闹着玩的。” 　　山东车主祁先生所说的 “新鲜事物”，正是他的爱车——特斯拉 Model S 100D。 　　据大众报业 · 齐鲁壹点报道，5 月 25 日，山东高速交警接到报警，祁先生的特斯拉轿车，与路面提示牌发生碰撞。 　　他说当时正在使用自动驾驶辅助模式，面对前方障碍物，车辆并未做出提醒。事后联系售后客服，得到的答复却是：“即使开启自动驾驶（辅助）模式，驾驶员也要全神贯注，不能完全相信该模式。” 　　 　　图 | 祁先生的特斯拉出现轻微事故 　　无独有偶，6 月 1 日，台湾一辆特斯拉 Model 3 撞向货车，给本已发生侧翻的货车带来二次事故，两辆车均受到不同程度损伤。 　　 　　图 | 撞向货车的特斯拉 　　据当事特斯拉司机黄某回忆称，当时他正在使用自动驾驶辅助功能，时速 110 公里左右，当看到侧翻货车、并进行刹车时，已经无济于事。 　　 　　图 | 撞向货车后的特斯拉 　　近年来，车主在使用该功能时，已经引发多起事故。2016 年，美国海军海豹突击队前队员乔舒亚 · 布朗（Joshua Brown）的 Model S，因使用该模式撞上一辆卡车，最终不幸丧生。 　　 　　图 | 乔舒亚 · 布朗生前照片 　　让人唏嘘的是，出事之前他曾在 YouTube 发布过自动驾驶如何避免撞车的视频，该视频还被特斯拉 CEO 马斯克转发

一入深度学习”深“似海，升级打怪的路上充满荆棘与挑战，尽管完整的深度学习流程很清晰，但其中数据清洗验证，特征提取，模型训练、测试、部署，计算资源配置、管控等每一项过程都需要系统性的高质量操作才能让模型更准确。 然而，当你排除万难搭建好网络，系统却可能在部署环节上亮起了红灯！ 今晚 19:00 ，B 站 飞桨 开发者说 Live 系列直播间，小伙伴们的救星来咯，不仅会有 Paddle Serving 和 Paddle Lite 部署过程的详细讲解，更有实际应用案例解析，帮助小伙伴们使用成功完成模型训练的同时，还能收获该模型的推理服务，大大提升深度学习模型的落地效率！ 分享主题 《 飞桨 模型部署不完全指南》 直播时间：8月19日 19:00-20:00 直播方式： 飞桨 PaddlePaddle B 站直播间（扫码入群获取直播链接） 飞桨 开发者说 Live・每周三晚七点 每周三晚上， 飞桨 开发者说 Live，和全球人工智能开发者一起丰富技能，扫描上方二维码加入直播交流群，除了可以直接和分享嘉宾交流，了解更多技术踩坑破解诀窍，更有精彩互动和礼品不容错过哟，勇敢的少年啊，快去创造奇迹！ PPDE 百度 飞桨 开发者技术专家 本次的分享嘉宾，是来自百度 飞桨 社区的 PPDE，在未来每周三的直播中，我们将会看到更多 PPDE 的身影，与大家分享自己在项目实践过程中的经验和思考。

古诗词是中国文化殿堂的瑰宝，记得曾经在韩国做 Exchange Student 的时候，看到他们学习我们的古诗词，有中文的还有翻译版的，自己发自内心的骄傲，甚至也会在某些时候背起一些耳熟能详的诗词。 本文将会通过深度学习为我们生成一些古诗词，并将模型部署到 Serverless 架构上，实现基于 Serverless 的古诗词生成 API。 项目构建 古诗词生成实际上是文本生成，或者说是生成式文本。关于基于深度学习的文本生成，最入门级的读物包括 Andrej Karpathy 的博客。他使用例子生动讲解了 Char-RNN (Character based Recurrent Neural Network) 如何用于从文本数据集里学习，然后自动生成像模像样的文本。 上图直观展示了 Char-RNN 的原理。以要让模型学习写出「hello」为例，Char-RNN 的输入输出层都是以字符为单位。输入「h」，应该输出「e」；输入「e」，则应该输出后续的「l」。 输入层我们可以用只有一个元素为1的向量来编码不同的字符，例如，「h」被编码为「1000」、「e」被编码为「0100」，而「l」被编码为「0010」。使用 RNN 的学习目标是，可以让生成的下一个字符尽量与训练样本里的目标输出一致。在图一的例子中，根据前两个字符产生的状态和第三个输入「l」预测出的下一个字符的向量为 <0.1, 0

我是 Guide 哥，一 Java 后端开发，会一点前端，自由的少年。 如果文章有任何需要改善和完善的地方，欢迎在评论区指出，共同进步！ 最近看了太多读者小伙伴的简历，发现各种商城/秒杀系统/在线教育系统真的是挺多的。推荐几个昨晚找的几个不错的基于 Java 图片识别处理系统给小伙伴们。 中药图片拍照识别系统 项目地址： https://gitee.com/xiaohaoo/chinese-medicine-identification-admin 项目简介 主要用来对拍摄的中药图片进行识别，系统会给出概率值最高的 10 种中药， 同时主要包含功能还有：中药详细信息查看、中药筛选、中药全文检索、问题社区等。 项目后端介绍 本项目后端包含五个模块： admin： 服务器端。Maven+SpringBoot+MongoDB+Elasticsearch 和 IK 分词器（全文检索）+MySQL+Deeplearning4j（基于 Java 深度学习框架探索） medicine-collection： 爬虫工程，用于爬取中药数据。爬虫框架：WebMagic，数据持久化：MongoDB。 image-cnn-model： 卷积神经网络工程 。Python+TensorFlow（深度学习框架） util： 抽离的项目公用工具类 datasets： 数据集 效果预览 依赖环境说明 依赖 版本

可以使用WebFlux的WebClient类很方便的对网络请求进行代理处理操作，我想Spring Cloud Gateway中主要用的就是WebClient进行操作，这里简单介绍一下WebClient的用法，想要深度学习的话，看一下Spring Cloud Gateway源码准没错 一些用法 流数据 首先创建一个server端，用于产生一些网络服务： Employee为员工类 EmployeeFaker为通过javafaker包生成的一些数据 EmployeeController生成一些服务，其中getEmployee为每一秒生成一个Employee对象，因为是流数据使用 APPLICATION_STREAM_JSON_VALUE 进行传输 @Data @Builder @NoArgsConstructor @AllArgsConstructor class Employee { Long id ; String name ; Integer age ; Integer salary ; String phoneNumber ; String address ; } class EmployeeFaker extends Employee { private final Faker f = new Faker ( Locale . CHINA ) ; public

自数字孪生定义提出至今，数字孪生技术在持续迅速演变，不论是对商品的设计、制造还是服务，都造成了极大的促进功效。 一、智能制造发展三大关键趋势 （一）数字化到网络化再到智能化推动智能制造范式演变 广义而论，智能制造是一个大定义，是先进制造技术与新一代信息科技的紧密结合，围绕于商品、制造、服务项目生命周期的重要环节及制造信息系统集成，完成制造的数字化、网络化、智能化，持续提高企业的产品品质、经济效益、服务质量，促进制造业自主创新、绿色、融洽、开放、区域协调发展。数十年来，智能制造在实践活动演变中产生了很多不一样的模式，包含精益生产管理、柔性制造、并行工程、灵巧制造、数字化制造、电子计算机集成化制造、数字化制造、云制造、智能化制造等，在引导制造业智能转型发展中充分发挥了积极功效。面临智能制造层出不穷的新技术、新思想、新模式，综合早已出现的智能制造有关模式，通过汇总梳理，能够综合为三种基础模式，即数字化、网络化、智能化。 三种基础模式次第进行、迭代升级。一方面，三种基础模式反映着国际上智能制造发展史中的三个环节；另一方面，对中国来讲，务必充分发挥后发优势，采用三个基础模式“并行推动、融合发展”的技术方案。 （二）柔性化生产要求猛增推动制造过程硬件软件深层协作 我国是制造业强国，但是面临国际上制造业“双向回流”的局势，怎样提高我国制造业柔性生产水准，将决定我国本土留存中高档制造水平的多少。

本文作者：y****n 业内首款全国产化工业视觉智能平台——百度工业视觉智能平台亮相中国机器视觉展（Vision China），该平台所具有的核心AI能力完全自主可控，在质检、巡检等场景中具有高效、准确、强大的功能，已经应用在3C、汽车等十几个行业。 Vision China由中国机器视觉产业联盟主办，在业内具有广泛的影响力。展会中，百度工业视觉智能平台展出了最新技术、生态产品及应用场景，吸引了大量行业内人士前来参观，现场人潮涌动。 作为业内首款全国产化工业视觉智能平台，百度工业视觉智能平台搭载最新的百度昆仑芯片、采用百度开源深度学习框架 飞桨 ，其核心AI能力完全自主可控，模型整体性能比基于其他开源深度学习框架模型提升30%-40%，支持工业图像、视频数据的标注、模型训练、模型测试、模型下发全流程。 升级后的百度工业视觉智能平台在原有智能工业质检解决方案的基础上，新增厂区安全巡检解决方案与AR远程协助及培训解决方案。三大方案涵盖了工业场景绝大部分的视觉应用，使得平台更加立体，应用更丰富。 为解决工业视觉质检场景中，缺陷样本少、收集时间长的问题，展会上百度带来了无监督良品缺陷发现模型，用户仅需提供5-10张无任何缺陷的良品图片作为训练样本，无需标注便可识别带有缺陷的样本。 该模型在百度与合作伙伴菲特联合研发的产品AIBox中初次亮相，通过与模型的互动

《NNIE-lite》   趟过NNIE的小伙伴可能都知道，NNIE是有很多坑的，而且是纯C的环境，除非你有几年C的开发经验，否则阅读起来不是那么容易的，而作为算法工程师，我相信更多人和我一样擅长Python和C++，所以在把NNIE用起来还是有些费力的。而作为算法工程师，你的工作更应该 focus on 模型上，现在有了NNIE-lite这个项目，极大的帮助大家脱离苦海，算法工程师可以把目光聚焦在模型效果和效率上，而不用再为其他的琐事担心了，使用NNIE像用ncnn一样简单。 Key Words：NNIE、 C++、 OpenCV Beijing, 2020 作者：RaySue Code： https://github.com/RaySue/NNIE-lite Agile Pioneer   写在前面 如果你有摄像头端（海思NNIE）移植算法的需求 如果你更擅长于C++编程 如果你擅长使用cmake构建工程 恰好你喜欢用OpenCV来进行io处理，这个比起bgr来调试十分方便 Come on and star the repo https://github.com/RaySue/NNIE-lite   那么 NNIE-lite 就是非常适合你的，我当时如果有NNIE-lite这样的项目，可能至少节省我一周的时间去梳理使用NNIE的逻辑。 模型部署通用步骤（ncnn

参考文章： 推荐系统——用户画像 1. 用户画像 1.1 用户画像定义 用户画像：也叫用户信息标签化、客户标签；根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。从电商的角度看，根据你在电商网站上所填的信息和你的行为，可以用一些标签把你描绘出来，描述你的标签就是用户画像。构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析而来的高度精炼的特征标识。 用户画像不是推荐系统的目的，而是在构建推荐系统的过程中产生的一个关键环节的副产品，包括但不仅限于用户的注册资料、标签，各种深度学习得到的 embedding 向量。 用户画像是对现实世界中用户的数学建模，主要包括两方面： 描述用户，即用户在业务信息维度中的信息投射 通过分析挖掘用户尽可能多的数据信息，对用户信息数据进行抽象，提炼，转化。 用户画像关键元素： 维度、量化 按照对用户向量化的手段来分，用户画像构建方法分成三类： 第一类就是原始数据。直接使用原始数据作为用户画像的内容，如注册资料，行为轨迹等信息，除了数据清洗等工作，数据本身并没有做任何抽象和归纳。这种方法实现简单，但通常对于用户冷启动等场景非常有用。 第二类就是统计分析。方法就是通过大量数据进行统计分析，这是最常见的用户画像数据，常见的兴趣标签，就是这一类。 第三类就是机器学习。通过机器学习，可以得出人类无法直观理解的稠密向量