墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
400+累计阅读
451平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
哈啰出行VS青桔
奈雪的茶VS喜茶，蜜雪冰城
叮咚买菜VS每日优鲜，美菜 每日优鲜背后是腾讯投资，叮咚买菜背后是高榕资本和红杉资本
百果园VS鲜丰水果，
水滴筹VS轻松筹，
怪兽充电所在的“三电一兽”，小电、来电、街电
旷视科技所在的“AI四小龙”，依图、商汤、云从、寒武纪
蚂蚁、京东数科、陆金所，分别是阿里、京东、平安集团这三大巨头旗下的子公司，
它们分别在去年8月、9月、10月公开递交了上市招股书，时间节点非常紧凑。
从一开始的进度来看，规模最大的蚂蚁速度也最快，陆金所速度最慢。
但最后实际的结果是，陆金所在提交招股书后，只用了22天就在纽交所闪电上市了，抢下了第一股的旗号。
后来的故事大家都知道了，蚂蚁上市被叫停，京东数科也暂时没了消息
最近翻译了一篇2018年人脸识别综述
这是一篇人脸识别的综述，传统的基于手动设计提取特征和传统机器学习的方法已经被使用大量数据训练出的深度神经网络所取代。本文给出一个从传统（基于几何、整体、基于特征和混合方法）到深度学习热门的人脸识别方法的综合论述。
科创板成功过会，旷视科技IPO迎来曙光
9月9日，科创板上市委2021年第66次审议会议结果公告，旷视科技有限公司（简称"旷视科技"）上市首发获通过。 一、旷视科技科创板成功过会，IPO迎来曙光 成功过会，标志着旷视科技距离最终实现上市的目标，只有一步之遥了。事实上，旷视科技作为一家专注于人工智能技术研发和应用的企业，早在2年前就已经开启了IPO之路，但历经不少波折，直到现在才算是买上成功之路。其第一次IPO尝试是在2019年8月，当时旷视科技曾向香港联交所提交IPO申请，随后在港交所的聆讯过程中，多次传出过成功或失败的消息，一直没有下文。
旷视科技南京研究院负责人魏秀参 细粒度级别图像分析领域的现状与展望.pdf
旷视科技南京研究院负责人魏秀参，细粒度级别图像分析领域的现状与展望。 细粒度图像分类综述性PPT，对于研究图像分类会有很大帮助。
AI监测分析课堂背后的旷视科技：清华学霸创立，半年亏损52亿
近日，一张在课堂中利用人工智能对学生行为进行监测分析的图片引发网友热议。图片上的两个学生正身处教室，而教室里的人工智能系统可以监测他们听讲、睡觉、举手、趴桌子、玩手机和阅读次数。开发这一监测系统的是AI独角兽公司旷视科技。9月2日晚，旷视科技发布声明称，该课堂行为分析图片仅为技术场景化概念演示，旷视会坚持数据隐私保护的核心原则。 总部位于北京的人工智能公司旷视科技以人脸识别品牌 Face++而闻...
模式识别之人脸识别
基于主成分分析改进算法实现二维图像人脸识别
信息行业周报：旷视科技拟上市，人工智能产业蓬勃发展.pdf
信息行业周报：旷视科技拟上市，人工智能产业蓬勃发展.pdf
深度学习框架Tensorflow案例实战视频课程
深度学习框架Tensorflow案例实战视频培训课程概况：Tensorflow是谷歌开源的深度学习（包括机器学习）框架，伴随着人工智能业的兴盛其大名早已响彻云霄。本课程从Tensorflow安装开始讲起，从基本计算结构到深度学习各大神经网络，全程案例代码实战，一步步带大家入门如何使用深度学习框架Tensorflow，玩转Tensorflow模型训练、等所有知识点。
计算机行业周报：旷视科技提交招股书，关注人工智能表现.pdf
计算机行业周报：旷视科技提交招股书，关注人工智能表现.pdf
AI独角兽旷视回应裁员15%，杭州分部一锅端消息
近日，有网友爆料称，AI独角兽旷视裁员15%，杭州分部一锅端，上午还在改bug，下午通知让走人。n+1赔偿正常给，所有文件事先打印好，没有协商余地，签字同时所有权限关闭，并且每个人都被看着弄电脑，不允许拷贝文件，动作整齐划一流程短平快。 对此，旷视科技回应称，该消息不实，如有都是正常年度业务调整。 资料显示，北京旷视科技有限公司，成立于2011年底。近两年，旷视科技开始全面商业化，跻身独角兽公...
《21天学通C++》阶段性成果测试题——hstring（手写string类）
总体考察了类的使用,缓冲区考察了指针和数组的使用、增删改查、考察编码思维、考察了类的重载。1.初始化子字符串的起始位置为-1，表示未找到，若buffer或findHstring为空，则返回-1。右边的字符串不为空，则分别获取母串和子串的长度(用循环)，然后创建一个固定大小的数组。3.然后循环遍历寻找子串在母串中的起始位置，循环时可以通过两个长度相减，避免循环越界。2.如都不为空，则分别获取双方的字符串长度(用循环)，然后。右边的字符串为空，则输出原来的字符串。是否为空，有一方为空则返回另一方。
君正T31x metartc集成测试
metartc为国内杨大侠部分开源的一款用于嵌入式领域webrtc库，它与谷歌官方webrtc相比，编译到君正平台的可执行文件仅有5M即可实现webrtc的通信。1. 目前实现的是基于开源版v5.0-b0版本做的简单修改，官方的好几个版本都多少缺点东西，我这里给整理了一下。目前是局域网连接的webrtc，后续尝试走stun和turn试一下NAT穿越的效果。
2021中国企业服务SaaS独角兽榜单发布
企业服务是数字经济的重要内核，SaaS是企业数字化的核心支撑。和5年前相比，今天中国企服SaaS市场已完成0-1阶段，其表现是行业SaaS中出现数十亿美金估值独角兽。
【AMD显卡在WIndow10/11部署带GPU支持的深度学习环境(Pytorch-DirectML篇)】
这篇是之前Tensorflow-DirectML的姊妹篇，如果对TF感兴趣的可以搜索我的博文。 首先我们丢一个官网地址，但是官网那个会误导新人如果你按那个操作的话。 https://docs.microsoft.com/en-us/windows/ai/directml/gpu-pytorch-windows 这里用我的方法操作： 首先声明一下，因为我的显卡是AMD RX6600，不带XT(性能和RTX3060 12G版本半斤八两)，所以目前没有最新的WSL2驱动，如果有了的话欢迎告知我，所以我这里就.
2019年独角兽企业榜单，中美依然霸榜
独角兽企业一般指投资界对于10亿美元以上估值，并且创办时间相对较短（一般为十年内，实际上并不严格）还未上市的公司的称谓。独角兽企业代表新经济的活力，2019年的全球独角兽企业排行榜，总共494家企业上榜，榜单上的企业大部分来自于中国和美国，除了独角兽企业的数量，让我们深挖一下独角兽排行榜其他信息。 独角兽榜单（部分）如下 一、独角兽企业地域分布状况 ①独角兽企业分布国家 独角兽企业分布涵盖24个国家，中美占比接近85%，占据绝对优势 ②独角兽企业分布城市（前15） 独角兽..
窥秘Windows 10：SAM密码破解
Windows 10作为广受欢迎的操作系统，拥有一套强大的安全措施来保护用户账号和数据安全。然而，有时候我们需要了解更多关于密码破解的知识，以加强我们的防护措施。本文将深入探讨如何突破Windows 10的SAM密码，以便更好地了解密码安全性并加强系统的保护。
宏基因组功能注释实战：从CAZyme到VFDB的完整流程（含数据库下载与脚本优化）
本文详细介绍了宏基因组功能注释的完整流程，涵盖CAZyme、eggNOG、CARD和VFDB四大核心数据库的实战应用。从环境配置、数据库下载与预处理到注释流程执行与优化，提供了全面的操作指南和脚本优化建议，帮助研究人员高效完成宏基因组数据分析。特别针对CAZyme注释等关键步骤给出了参数优化方案和常见问题排查方法。
从全球 AI TOP 100独角兽到国内RPA行业
首先我们来观察一组CBINSIGHTS 提供的2019 全球AI TOP100 独角兽企业的数据。这份榜单将AI 人工智能公司大致分成自动驾驶、医疗健康、金融保险、政府、半导体、企业AI科技等十几个领域。 很高兴看到TOP11当中有5家中国公司，5家当中有三家是同一类型企业，商汤科技以估值高达45亿美元居全球AI独角兽榜首。 紧随商汤后面的是RPA领域的两家未上市独角兽，UiPath 30亿...
(王道计算机组成原理笔记)第一章计算机系统概述-第二节：计算机系统层次结构 1（计算机系统组成、计算机硬件）
文章目录一：冯诺依曼体系结构（1）存储程序计算机（2）层次结构二：计算机硬件概述（1）存储器A：存储元、存储单元、存储体、存储字和存储字长B：MAR 一：冯诺依曼体系结构 在冯诺依曼体系结构中，计算机的硬件主要有**存储器，运算器，控制器，输入和输出设备（也叫做I/O设备）**组成。 （1）存储程序计算机 冯诺依曼体系结构也叫做存储程序计算机，计算器和计算机的唯一区别就是计算器是不能编程的，只能做电路板中设定好的固定的运算。 这也就意味着计算器本质就是一个不能编程的计算机，其在硬件层面已经将逻辑写死，如果
2020中国独角兽分析报告！（附榜单）
导读：独角兽企业代表着新经济的活力，行业的大趋势，国家的竞争力。2019年全球经济复苏动能减弱、融资环境趋紧，投资人为独角兽企业慷慨融资的时代已经结束。2020年新冠肺炎大流行，全球独角...
AUTOSAR从入门到精通-【应用篇】基于AUTOSAR架构的混合动力电池 ECU 软件开发
由于严峻的环境污染和能源短缺问题，各国都在致力于发展新能源车，以达到节能排放的目的。在此背景下，12V启停系统由于成本较低廉、匹配方便，得到广泛应用。但是12V系统作为启停系统后存在许多问题，比如节能和减排效果有限，并且轻度混合动力系统的功率需求通常在10~15KW，在此电压条件下运行时，电池的电流会达到1000A，因此该方案行不通。高压混合动力系统（>110V）的节油效果好，但是成本很高，并且需要大功率的电机。48V混合动力系统比高压混合动力系统成本。
【问题解决】Python 异步 asyncio 卡死、协程不执行、任务泄漏，保姆级排错
本文详细分析了Python异步编程中常见的卡死、协程不执行和任务泄漏问题。文章首先列举了这些问题的典型表现，如程序卡住、死锁、任务未启动等。然后深入剖析了各类问题的根源，包括同步阻塞操作、未正确await、资源未清理等。针对这些问题，文章提供了两套解决方案：一是异步编程最佳实践，包括安全协程执行、带超时的执行、任务清理等实用方法；二是死锁检测和预防机制，通过锁管理和等待图分析来避免死锁。文章还包含可直接使用的代码示例，帮助开发者快速定位和解决异步编程中的常见问题。
2020中国独角兽报告（附榜单）
导读：独角兽企业代表着新经济的活力，行业的大趋势，国家的竞争力。2019年全球经济复苏动能减弱、融资环境趋紧，投资人为独角兽企业慷慨融资的时代已经结束。2020年新冠肺炎大流行，全球独角...
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
独角兽和瞪羚企业的区别
例如，以ai技术、区块链、智能数字挖掘等为代表的新技术行业是近年来独角兽企业集中涌入的新方向，阿里云、优必选科技等独角兽企业的诞生和发展给中国经济带来了强烈冲击和改革。瞪羚企业成长速度快、创新能力强、专业领域新、发展潜力大，具有人才密集型、技术密集型等特征，已经成为国家高新区发展活力强弱、健康与否的重要标志，也是高新区实现高质量发展的关键所在。独角兽企业、瞪羚企业这一词可能有很多人并没有了解过，那么独角兽企业、瞪羚企业到底是什么？2、企业情况介绍，主要内容为企业基本情况、主要产品、行业竞争力、发展规划等;
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
昆山市独角兽企业、独角兽培育企业认定指南
独角兽企业，最早是指成立不超过十年，且估值在10亿美元以上的初创企业。在创新成为发展决定性因素之一的今天，独角兽企业作为经济发展的一个重要风向标，越来越成为新经济的引领者、新动能的创造者和新赛道的开辟者。潜在独角兽：获得过投资且尚未上市；申报条件分为基本条件和优选条件。江苏独角兽（潜在）企业一般每年3月开始申报，苏州市独角兽培育企业一般每年11月开始申报。江苏独角兽（潜在）企业：在江苏省注册的，具有独立法人资格，无不良信用记录的硬科技企业。对认定的江苏独角兽企业和苏州市独角兽培育企业给予每家50万元奖励。
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
2024年成都东部新区高企和独角兽申报条件奖励和材料要求
方向2：首次认定为潜在独角兽的企业给予100万元一次性奖励，首次认定为独角兽的企业给予200万元一次性奖励；方向1：对首次认定的国家高新技术企业给予10万元奖励，对再次认定的国家高新技术企业给予5万元奖励。对国家高新技术企业首次培育成为规上企业或规上企业首次认定为国家高新技术企业的，除给予认定奖励外，再给予5万元奖励。（2）潜在独角兽企业：以最新一轮融资协议签订时间为截止日期，企业成立5年以内（含），其投后估值超过（含）1亿美元，或企业成立5年（不含）-10 年（不含），其投后估值超过（含）5亿美元；
2021年上海互联网公司非官方排名
2021年上海互联网公司非官方排名： 第一梯队——六巨头 1.阿里巴巴（阿里上海研发中心，闵行大虹桥，本地生活总部：盒马/口碑，阿里国际站等，10-10-5，加班氛围浓，年底一般1+3=4个月，极少数最多可拿7个月，考核按3-6-1比例）； 2.腾讯（腾讯华东总部，徐汇漕河泾，游戏、人工智能、云计算等，10-10-5，归属感强，食堂伙食好。年底标准2个月，一般能拿4个月，极少数拿8个月，部分团队n个月，考核按 1 星到 5 星）； 3.字节跳动（上海研发中心、巨量引擎，闵行漕河泾，抖音、游戏、教育等，字节
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
446
扫一扫
