爬取 2 万多张 Flickr 图片,莫纳什大学复现 10 年间日本樱花开放的时空特征

基于Python和CNN的季节风景识别系统设计与实现 卷积神经网络(CNN)是计算机视觉领域处理图像分类任务的核心技术,其通过局部感受野、权值共享和池化操作等机制高效提取图像特征。在深度学习实践中,迁移学习能够显著提升模型训练效率,VGG16等经典网络结构常被用作基础模型。本文详细介绍了一个基于Python和CNN的季节风景识别系统,该系统采用VGG16进行迁移学习,实现了90%以上的分类准确率。项目涵盖了从数据收集增强、模型训练优化到前后端系统部署的全流程,为计算机视觉入门者提供了完整的深度学习项目实践参考,特别适合想要掌握图像分类和CNN实际应用的开发者学 阅读详情

内容一览:近年来,全球气候变化形势严峻,由此引发的蝴蝶效应,正深刻地影响着人类和大自然。在这一背景下,收集数百甚至数千公里范围内开花模式的数据,了解气候变化如何对开花植物产生影响,成为近年来生态研究的重要课题之一。但传统的方法通常需要耗费大量经费,且需要较长的时间进行采样调查,后勤保障工作也面临着重重困难。而近期发布在《Flora》期刊上的研究,不仅克服了这些问题,同时还揭示出前所未有的细节。

关键词:时空分析   智慧生态学   SNS 数据

本文首发自 HyperAI 超神经微信公众平台~

樱花作为日本的国花,在大和文化中有着重要的地位。赏花(Hanami,花见),作为极具特色的民间习俗,已有了数百年的历史。然而日本纵跨纬度约 20 度,全国可分为 6 个气候区,各地气候差异明显,因此樱花绽放的时间也各有不同。每值樱花季节,日本的旅游网站也会详细展示各地开花情况,供游客安排赏花时间。近年来,受到气候变化的影响,日本樱花的开放时间也在不断提前。

为了探究日本樱花的开花模式,理解气候变化对物候学的影响,澳大利亚莫纳什大学的研究团队,利用 Python API 与计算机视觉 API,通过社交网站 (SNS) 数据来监测日本的樱花开放情况,并对实验结果与现实情况进行了对比验证。目前该研究已发表在《Flora》期刊,标题为「The spatiotemporal signature of cherry blossom flowering across Japan revealed via analysis of social network site images」。

该研究成果已发表于《Flora》期刊

论文地址:

https://www.sciencedirect.com/science/article/abs/pii/S0367253023001019

实验过程:数据集的爬取、过滤及分析

数据集 

本次实验收集樱花开放数据的过程可以分为两个步骤:

1. 从社交网站提取图片数据,包括几个不同的连续阶段

2. 利用计算机视觉 API 及人工核验的方法,对数据进行相关性过滤

考虑到 API 需要同时对时间、空间、文本进行过滤,研究人员选择了 Flickr 作为数据源。首先,使用 Python API 客户端,通过搜索关键词「cherry blossom」,在 Flickr 上收集带有地理坐标的相关图片。

其次,设置 Bounding Box 为 31.186°N-46.178°N, 129.173°E-145.859°E,以确保图片是在日本拍摄。时间范围设定为 2008 年- 2018 年,以排除 COVID-19 导致的全球旅游业下降对数据的影响。

然后,研究人员借助从 gadm.org 获取的日本地理边界进行遮罩处理,从而过滤这些数据,最终获得 80,915 张图片。

2008 年 1 月 1 日至 2018 年 12 月 31 日

Flickr 上搜索定位在日本的「cherry blossom」图片

1、2 月份(蓝色)表示春季来临前的樱花初放;

3-5 月份(绿色)表示记录春季主要樱花盛开期的摄影数据集中度;

10-12 月份(粉色)则表明了在秋季尤其 11 月达到高峰的有趣现象。

尽管 Flickr 的图片通过搜索关键词「cherry blossom」进行了限制,但 SNS 内容仍然可能会与搜索词错误关联,因此需要验证。

对此,研究人员将所有图片提交至 Google Cloud Vision AI,该 API 可以根据每张图像的视觉内容,为其生成了描述性文本标签,从而对单个数据点相关性,自动进行 double-check。

Google Cloud Vision AI 使用预先训练好的机器学习模型,在预定义类别中为图像分配标签。此外,研究人员还对样本数据进行了额外的手动核查,如下表所示:

表 1:Tokyo-filtered 数据集中,各阶段的图像数据

B 列:在 Flickr 搜索「cherry blossom」返回 28,875 张图片,这些图片地理坐标都位于东京地区的行政区域内

C 列:计算机视觉 API 为此数据集返回的文本标签及其相对频率。从文本标签过滤器返回的图像中,有 21,908 张被计算机视觉 API 标记为「cherry blossom」,但由于部分图像也被标记为「autumn」或「maple tree」,因此被剔除后,最终得到 21,633 张图像

D 列:结果图像随机选出用于人工检查的样本

E 列:经人工检查确认为樱花的图像数量

F 列:每月自动处理方法(计算机视觉和标签分析)的预估精度,计算方法为 E/D

G 列:利用该精度,计算 2、3、4 月总共拍摄到的樱花图片数量,计算方法为 C*F

评估方法 

为了估计樱花的盛开日期,研究人员为数据集中的所有图像生成了以天为单位的时间序列,然后用 7-day width 的三角移动平均指标 (triangular rolling average) 进行处理,中心点赋 unity weight,其两侧紧邻的点赋 0.75 的权重 ,接下来最接近的点分别赋 0.5 和 0.25 的权重,以此来平整由周末(休闲时间,摄影活动明显增加)和工作日赏花人数不同而带来的拍摄行为 (Photographic activity) 波动。

得出的图表中所显示的拍摄行为波峰,被确定为是樱花盛开的全盛期(mankai)。

对比验证:预测结果与实际数据一致

日本对樱花盛开现象的记录最早可追溯到公元 812 年,自 1953 年起开始有了官方正式的观测记录。为了验证团队的分析方法,实验团队选择了东京和京都两座热门赏花城市的数据,并与日本气象公司 (JMC)、日本国家旅游组织 (JNTO) 每年公布的樱花全面盛开日期进行对比,计算出实验所得峰值日与官方公布日期之间的误差。

通过实验,研究团队得出了日本全国樱花开放的可视化时空数据,1 月下旬 (wks 3-4) 至 5 月下旬 (wks 3-4),樱花开放首先从南部气候温暖的地区逐渐向北方推进,最后由南向北逐渐退缩。如图所示:

图 2: 2008-2018 年日本樱花拍摄地点,

每张图的周期对应两周

A-C:樱花图片出现在日本南部较温暖的地区,图片高度集中出现在本州岛的东京与京都的城市中心

D-F:樱花图片增加,开始向本州岛北部延伸

G-I:樱花位置向北扩展,出现在北海道札幌,东京和京都拍摄行为依然活跃,北海道和本州岛北部,樱花拍摄行为更加集中。最后,全国范围内的樱花照片逐渐减少,由南到北退去。

实验团队将经过处理的东京与京都地区樱花活动摄影日时间序列的峰值,与 JMC/JNTO 所公布的日期进行了比较验证。结果显示东京地区的均方根误差为 3.21 日,京都地区为 3.32 日。如下图:

图 3:东京地区二者评估的日期对比

左栏:通过本实验方法所估计的历年东京樱花全盛日期

中栏:JNTO 历年报道的东京樱花全盛日期

右栏:误差,即二者相差天数

图 4:京都地区二者评估的日期对比

左栏:通过本实验方法所估计的历年京都樱花全盛日期

中栏:JNTO 历年报道的京都樱花全盛日期

右栏:误差,即二者相差天数

在实验团队的数据中,还揭示出了樱花在秋季开放的现象。这在 JNTO 所公布的数据中并没有正式指出,体现出了 SNS 数据有能力解析小概率事件,揭示异常的物候学现象,如非季节性开放时间,这对于评估一年四季甚至意外情况下可供获取的花粉花蜜等芳香资源极其重要。

SNS 数据:为生态研究提供新洞见

世界气象组织今年 4 月发布的一篇文章显示,2022 年的全球平均温度比 1850-1900 年的平均值高出了 1.15℃,人类对气候变化的感知较为迟滞,植物则格外敏感。在全球气候变暖的影响下,不仅是日本樱花,我国多地的开花植物也受到了影响。

根据武汉大学樱花观测数据,从上世纪 60 年代开始,武汉大学樱花的始花期明显提前,2000 年之后更是不断突破记录,一度由 3 月下旬提前至 2 月下旬。

20 世纪 90 年代前,山东菏泽的牡丹开花时间主要集中在 4 月下旬,2010 年前后提前到 4 月中旬,近几年更是在 4 月上旬便可观测到花开。

油菜开花的时间也同样有了显著提前的趋势,江西婺源油菜花今年 2 月 22 日就见花了,3 月 13 日进入开花盛期,而在 30 年前,油菜花开花时间一般在 3 月中旬。

Kepios 发布的一份报告显示,截止 2023 年 4 月,全球社交媒体用户数量达到 48 亿,占全球总人口的 59.9%,平均每人每天花费 2 小时 24 分钟使用社交媒体应用,产生海量社交网络数据,有望为生态研究提供新洞见。

作者在本论文中提出的 SNS 分析技术,可以填补公开数据中缺失的部分,帮助科研人员理解气候变化对于开花植物产生的不同程度的影响,对理解蜜蜂、昆虫等重要传粉者的行为具有积极意义。

参考文章:

[1]https://www.sciencedirect.com/science/article/abs/pii/S0168192320303117

[2]https://link.springer.com/chapter/10.1007/978-4-431-66899-2_8

[3]http://sh.cma.gov.cn/sh/qxkp/qhbh/zhykp/202304/t20230425_5464832.html

[4]https://datareportal.com/social-media-users

本文首发自 HyperAI 超神经微信公众平台~

《图像处理与计算机视觉》全套课件PDF(武汉工程大学) 获取 《图像处理与计算机视觉》全套课件PDF(武汉工程大学)::https://download.youkuaiyun.com/download/m0_54748666/93260852。《图像处理与计算机视觉》全套课件PDF(武汉工程大学)第二讲-图像及其表达与性质.pdf。第五讲-图像形态学变换.pdf。第四讲-图像数据压缩.pdf。第三讲-图像预处理.pdf。第六讲-图像分割.pdf。第七讲-目标识别.pdf。第一讲-导论.pdf。 阅读详情

相关推荐

STM8库函数开发手册(3) //UART1、内部EEPROM、FLASH操作库、IIC(硬、软)

STM8S 微控制器家族的通用同步异步收发器(UART1,UART2 或者UART3)提供了一种灵活的方法与使用工业标准NRZ 异步串行数据格式的外部设备之间进行全双工数据交换。STM8 的UART 提供范围的波特率选择,并且支持多处理器通讯。UART 也支持LIN(局部互联网)协议版本1.3,2.0,和2.1 以及在主模式下的J2602。 UART1 和UAR...

finedayforu的博客 2522

目标检测 16 道高频思考题全解——从 Faster R-CNN 到 YOLO v1 的复习手册

无论哪个版本,loss、输出形状、一次前向都只反映训练/前向过程,真正衡量检测好坏仍要靠独立验证集上的 Precision、Recall、AP、mAP——这是模型"检得准不准"的唯一可靠口径。随机初始化的 RPN 可能没提出与真实实例 IoU 达标(≥0.5)的正 RoI,那么即使图像里有有效 mask,这个 batch 也没有可用的正样本 RoI,loss 自然为 0。课程项目用的是 7×7 网格。把"在哪里"和"是什么"分开,每个候选区域都能拿到充分的特征计算资源做精细分类与回归,精度天花板更高。

anew___的博客 290

Ubuntu 22.04下GNU Radio 3.10全家桶编译避坑实录:从UHD、VOLK到WiFi收发模块gr-ieee802-11

本文详细介绍了在Ubuntu 22.04系统下编译安装GNU Radio 3.10全家桶的完整流程,包括UHD驱动、VOLK优化库以及WiFi信号处理模块gr-ieee802-11的集成。通过逐步指导解决版本兼容性和依赖问题,帮助研究人员快速搭建高效的软件定义无线电开发环境,特别适合使用USRP设备进行无线通信研究的开发者。

weixin_30825199的博客 447

料箱抓取中的背面点:按面板读懂一张坐标可视化

料箱抓取画面里的背面点,是 HccePose(BF) 根据已知物体的 RGB 外观预测出的模型表面坐标。读图时把正面坐标、背面坐标和最后的位姿投影沿着同一个物体对照,才能看出各个中间结果在表达什么。

weixin_42605076的博客 367

量化平台深度测评:聚宽 / 米筐 / 迅投 QMT 对比分析

本文对比测评国内主流量化交易平台聚宽、米筐和迅投QMT,从回测性能、实盘稳定性和高级功能三方面展开分析。测试显示:聚宽在低频策略回测中效率最高(128秒),米筐次之;迅投QMT凭借C++直连架构实现最低延迟(150ms)和最高订单撤销成功率(98.5%)。平台特色方面,QMT的智能拆单算法可减少25%滑点损失,聚宽的因子库支持版本控制和缓存复用。建议低频策略选聚宽,高频交易选QMT,团队协作优先考虑聚宽。测试数据均来自合规实盘环境,建议根据策略特性进行试用验证。

tianchi2009123的博客 7400

【RT-DETR有效改进】全新的SOATA轻量化下采样操作ADown(轻量又涨点,附手撕结构图)

本文给大家带来的改进机制是利用2024/02/21号最新发布的YOLOv9其中提出的ADown模块来改进我们的Conv模块,其中YOLOv9针对于这个模块并没有介绍,只是在其项目文件中用到了,我将其整理出来用于我们的YOLOv8的项目,经过实验我发现该卷积模块(作为下采样模块)首先可以大幅度降低参数值,其次其精度上也有很高的提升,同时本文的内容目前网络上并无其它人总结(也是最新发布的,可以说BUff是集满了)大家可以尝试以下在自己数据集上的效果。

Snu77的博客 4777

目标检测上机实战手册——四套环境、COCO 数据坑与训练闭环验证全清单

跑目标检测项目,难的不是"看懂原理",而是"跑通并确认它真的跑对了"。这份手册把 Faster R-CNN、Mask R-CNN、YOLO v3、YOLO v1 四个上机项目里所有工程层面的坑一次性整理出来:环境怎么隔离、COCO 标注怎么转、训练一 batch 到底在验证什么、哪些数字能看哪些不能信。

anew___的博客 185

【文献笔记】CVPR 2023|Attention-Based Point Cloud Edge Sampling

优点能够有效采出点云数据的边缘点分类任务性能优越不足没有设计出一个更好的上采样方法,导致分割任务的性能略低只考虑了边缘特征,没有利用其他几何特征。

m0_55908255的博客 322

无人机航拍垃圾检测数据集深度学习 目标检测 无人机航拍 垃圾检测 环境卫生 YOLO格式 数据集发布9029期

无人机航拍垃圾检测数据集深度学习 目标检测 无人机航拍 垃圾检测 环境卫生 YOLO格式 数据集发布9029期

qq_2529413168的博客 231

mybaits-plus通用CRUD详解及代码案例

文章目录mybaitsplus通用CRUD插入操作方法定义测试用例mybaitsplus主键生成策略设置自增主键设置输入主键:UUID:ID_WORKER_STR:ID_WORKER:更新操作根据id更新方法定义:方法步骤根据条件更新方法定义:更新步骤:根据条件更新(可以更新NULL)删除操作根据id删除方法定义:删除步骤:根据 entity 条件删除方法定义:删除步骤:根据ID 批量删除方法定义:删除步骤:查询操作根据id查询方法定义:查询步骤:根据id批量查询方法定义:查询步骤:根据 entity 条件

流楚丶格念的博客 3409

YOLO26改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型

本文记录的是基于MobileNet V4的YOLO26目标检测轻量化改进方法研究。主要用于轻量化应用部署,相关轻量化改进与其整体架构非常适配。通过整合、以及优化的,能够在在不降低性能指标的前提下,降低计算成本。本文配置了原论文中、、、和五种模型,以满足不同的需求。MobileNetV4: Universal Models for the Mobile Ecosystem是一系列适用于移动生态系统的通用高效模型。以下将详细介绍其轻量化设计的出发点、原理、结构和优势:的实现代码如下: 四、修改步骤 4.1 修

Limiiiing的博客 831

YOLO算法室内环境玻璃瓶目标检测数据8979张:类别与标注速览

该数据集聚焦于室内环境中各类玻璃瓶的识别与定位,涵盖多种材质、颜色和形状的玻璃容器,适用于家庭、仓储、零售等场景下的物品管理与自动化识别需求。该数据集包含训练集7812张、验证集818张、测试集349张,共计8979张图像,分布结构合理,能够有效支持模型训练、调优与性能评估。落地场景大致有智能仓储管理系统、自动分拣设备、零售商品识别系统以及家庭安防监控等领域,尤其适用于需要对玻璃制品进行分类与追踪的工业与消费场景,具备良好的落地潜力与实用前景。数据量、场景复杂度、标注质量三样都过关,这份数据可以直接开训;

小秋的博客 262

25、格式化字符串攻击全解析

本文深入解析了格式化字符串攻击的原理与利用方式,涵盖缓冲区溢出与格式化字符串漏洞的区别,详细介绍了printf函数的工作机制、常见格式化说明符及其安全隐患。文章分析了三类典型编程错误导致的漏洞,并展示了如何通过恶意格式化字符串实现拒绝服务、内存读取和写入攻击。同时,提供了有效的防御措施,包括输入验证、使用安全函数、避免直接使用用户输入作为格式化字符串以及启用编译器安全选项,帮助开发者防范此类高危漏洞。

beer8的博客 87

OpenCV 车辆数量统计

涉及到的知识点:1)基本图像运算与处理2)形态学3)轮廓查找4)加载视频5)通过形态学识别车辆6)对车辆进行统计7)显示车辆统计信息。

ahccqw的博客 118

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

【无标题】无人机视角道路坑洞坑洼目标检测数据集深度学习 目标检测 无人机航拍 道路坑洞 路面病害 YOLO格式 数据集发布9032期

(一)类别构成该数据集聚焦单一类别——坑洞(类别 ID 为 0),任务指向明确,围绕无人机俯视视角下的道路坑洞目标开展检测标注。类别体系精简,与公路路面病害巡检的实际需求高度契合,图像中的坑洞样本可直接作为路面破损识别的核心正样本,便于对接道路养护排查流程。(二)数据数量数据集规模为 3285 张无人机俯视航拍图像,采用标准 YOLO txt 标注格式,标注框总计 4457 个,其中带有效标注的图片 2007 张,全部图片均带有有效标注。

qq_2529413168的博客 189

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

基于深度学习的猫图像目标检测方法研究:YOLOv8s模型海选、多种子对比训练与Django+ONNX部署实现详解

本课题基于深度学习研究猫图像目标检测问题。数据集含1000张猫图像、1188个标注框,按固定比例划分并冻结清单;训练前在多个候选族中短训海选,确定YOLOv8s为主模型,经学习率搜索与显存标定后完成150轮训练,验证集mAP50达到0.92,并以7个随机种子的对比实验验证稳定性。最优权重导出为ONNX接入Django系统,提供图片、视频、摄像头三种识别方式,配套识别记录管理与统计大屏,形成从训练到应用的完整闭环。

WEIXIN_JSJBSZDS的博客 224

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

基于深度学习的水下复杂场景鱼类目标检测系统:YOLOv8+Django实现详解

本课题面向水下复杂场景的鱼类检测问题,以YOLOv8s为主模型,在约8200张、13类的水下图像上完成训练。训练前通过短训海选自动选型,训练后与Faster R-CNN、SSD300在同一冻结划分和COCO评测口径下对比,三个随机种子重复实验并做统计检验,验证集mAP50-95为0.734。最优权重经对账后导出为端到端ONNX,接入Django与Vue系统,提供图片、视频、摄像头识别、识别历史管理与可视化大屏,形成从模型到应用的完整闭环。

WEIXIN_JSJBSZDS的博客 368

深度学习 目标检测 无人机巡检 防震锤 电力设备 YOLO格式 数据集发布

深度学习 目标检测 无人机巡检 防震锤 电力设备 YOLO格式 数据集发布 9038期

qq_2529413168的博客 340

无人机巡检道路路面异常检测数据集 深度学习 目标检测 无人机巡检 道路病害 路面异常 YOLO格式 数据集发布9028期

无人机巡检道路路面异常检测数据集 深度学习 目标检测 无人机巡检 道路病害 路面异常 YOLO格式 数据集发布9028期

qq_2529413168的博客 213

OpenCV 图像轮廓

轮廓查找 绘制轮廓 计算面积 计算周长 approxPolyDP (多边形拟合) 作用: 用较少且平滑的直线段来近似表示一个复杂的轮廓。常用于提取物体的几何形状(如把圆角矩形简化为矩形,把五角星简化为五边形),是形状识别中非常常用的函数。参数含义: 作用: 找到能够将一个轮廓(或一堆点)完全包围住的最小凸多边形。就像是用一根橡皮筋把所有钉子(轮廓上的点)紧紧包住,橡皮筋的形状就是“凸包”。常用于检测物体的凸缺陷。参数含义: 大外接矩形 (Bounding Rectangle) 作

ahccqw的博客 249

tonemap算法初探

4.三边滤波(trilateral filter)通过进一步考虑梯度变化来改进边缘处行为,后续的加权最小二乘滤波、局部拉普拉斯滤波等边缘感知滤波器(EPF)沿同一思想发展,构成了局部色调映射中一条清晰的技术脉络。3.tonemap色调映射算法是未来解决HDR的图像在SDR设备上显示的问题来设计一种变换函数,其目标不是。2.HDR图像不经过任何处理,直接显示在SDR的设备上,超出显示上限的亮度被截断为纯白,低于下限。并且在压缩全局动态范围的同时,如何尽可能保留局部对比度和细节,并且抑制此过程中产生的伪影。

dong6016的博客 386

通过能量分离实现开放世界目标检测中的未知目标检测

在本研究中,我们致力于解决开放世界目标检测(Open World Object Detection,OWOD)问题。这一具有挑战性的任务要求检测器在增量学习过程中,既能够持续学习并分类已知类别的目标,同时避免遗忘已有知识,又能够在缺乏监督的情况下识别未知目标。以往的 OWOD 方法主要通过改进未知目标发现机制,并采用记忆回放(Memory Replay)策略来缓解灾难性遗忘。然而,由于现有方法在检测未知目标时高度依赖检测器对已知类别的预测结果,因此难以有效学习和识别未知目标的特征表示。

qq_22583741的博客 318

基于深度学习的猫狗目标检测(Python+YOLO26m+Django)实现详解

详解基于深度学习的猫狗目标检测系统:YOLO26m迁移学习训练、数据划分与错标检测、ONNX导出、Energy阈值拒识、Django+Vue网站部署,附后端核心代码。

WEIXIN_JSJBSZDS的博客 388

航拍水葫芦检测数据集深度学习 目标检测 无人机航拍 水葫芦 水域监测 YOLO格式 数据集发布9031期

航拍水葫芦检测数据集深度学习 目标检测 无人机航拍 水葫芦 水域监测 YOLO格式 数据集发布9031期

qq_2529413168的博客 306

基于 YOLOv8 的轴承缺陷检测(Web 版)

本项目是轴承表面缺陷检测模型的 Web 端实现。围绕 YOLOv8 在轴承表面缺陷数据集上完成四类缺陷的检测模型训练后,使用 FastAPI 把模型能力封装为可直接登录使用的 Web 检测平台。平台覆盖从数据准备、模型训练、指标评估,到推理服务、历史沉淀、统计分析的完整链路。除了常规的图片、批量、视频、摄像头检测,还把模型训练搬到了网页上:可以在浏览器里配置超参数发起真实训练,训练中在线调整学习率、查看实时曲线与日志,训练完成后把权重一键应用到检测服务,形成「训练 → 评估 → 检测」的闭环。

Michael_Jay的博客 296
上一篇: AI 对抗超级细菌:麦克马斯特大学利用深度学习发现新型抗生素 abaucin
下一篇: 万字干货:10 位科学、人文大咖论道,Max Tegmark 贡献思想火花,共同直面 AI 奇点时刻...
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值