中国首档程序员真人秀,20位选手找bug做模型,结果一开场主办方就惨遭攻击...

①Modbus TCP转Modbus RTU/ASCII网关同步采集无需编程高速轻松组网 MS-A1-50X1系列作为MODBUS TCP通信的服务器进行动作。可通过MODBUS TCP 通信,将 MS-A1-50X1 系列产品通过 RS485 采集的仪器仪表之类的值作为通信数 据输出到 PLC,上位机等。 阅读详情
金磊 杨净 发自 凹非寺
量子位 报道 | 公众号 QbitAI

终于!终于!终于!

以程序员为主题的综艺真人秀,真真儿的诞生了!

你以为是参赛选手都会是秃头、黑眼圈,21岁拥有40岁的面容?

图源:暴走大事件第25期《创造1024》

或者选手之间互相称赞“衬衫好有型”、比谁会“双手联编”?

图源:暴走大事件第25期《创造1024》

再或者以为导师会问“你有freebug、freecode”吗?

No!No!No!

这是一个正儿八经的程序员综艺,一场黑客马拉松大赛——《燃烧吧!天才程序员》!

一经播出,备受圈内人士关注,直接在知乎、微博上热议了起来。

看完节目,可以说“不是你印象中的程序员”了,也是时候展示这个群体真正的一面:

年轻、智慧、热血、坚持。

在这一季中,围绕着公益命题,这些程序员又是如何向世界say “Hello World”的呢?

20个“聪明大脑”

先来看一下此次召集来的《创造1024》《燃烧吧!天才程序员》的20位练习生,啊不,程序员。

他们从全国百万程序员中脱颖而出,不过单从发量上粗略一看,这届程序员不是很“行”。

如果对照一下这个工程师技能等级,这20位程序员大多都在初级嘛,最多也就中级。(不是)

不得不感叹一下,各位大佬的发量可真多。(用的哪款洗发水,求推荐!)

比如这位蓬松的头发的童永鳌。

这个人可不一般。

江湖人称他“二哥”,也叫他gainover,只因为他在一个网站上的能力排名长期排在第二,他可以说在安全圈中叱咤风云的全能大神了。

从生物学博士跨界转行的他,现在跟一堆安全大神成立了成都无糖信息的PKAV团队,曾获国际信息安全技术挑战赛CTF的WEB端全球第一,总分亚洲第一。

目前,他们主要负责反网络犯罪相关产品的研发。

当然,头发多也不排除年纪小这一原因。

比如这位2001年出生的小哥——廖培元,本次比赛最年轻的选手,卡内基梅隆AI专业在读。

要知道,卡内基梅隆大学的计算机科学是全球数一数二的。

而他在高中时,还斩获了Kaggle GrandMaster。

不过,这下眼“眼妆”是不是画的略微深了。

在这当中,还有一个女生——浙江大学的何淑婷,阿里达摩院的实习生。

她所在的浙大DMT团队成立仅一年多的时间,就已在多项国内外知名比赛中获得前三的佳绩。

比如,为期半年的2020 iQIYI iCartoonFace Challenge挑战赛上,DMT团队以92.47分的识别准确度和92.12分的综合分卡通人脸识别赛道冠军。

还有全国首届人工智能大赛季军,由英伟达公司举办的第四届AI City Challenge挑战赛季军等等。

小姐姐在比赛中很受欢迎呢!在一开场组队意向排名中位列第三。

而此次的导师团,画风也是异常的和谐~

四位教授大佬级别的人物,围坐在桌前点评比赛情况,突然有选秀内味了。

他们分别是清华大学朱军,北京大学王亦洲、西安交大沈超、支付宝首席AI科学家漆远。

朱军教授,想必大家都比较熟悉了。

他是清华大学计算机系教授/脑与智能实验室助理主任,还是清华大学人工智能研究院基础理论研究中心主任,经常在ICML、NIPS、IJCAI、AAAI等顶会上看到他的身影。

王亦洲教授,来自北京大学数字媒体研究所。

他1996年于清华大学获得学士学位,2005年从加州大学洛杉矶分校(UCLA)获得计算机科学博士学位,同年被美国Xerox Palo Alto研究中心(Xerox PARC)聘为研究员,2007年12月加入北京大学。

还有来自西安交通大学教授沈超。

他本科博士都就读于西安交大。目前,他还是网络安全学院副院长、曾获国家优秀青年科学基金、阿里达摩院青橙奖。

以及支付宝首席AI科学家漆远,他还是数据智能委员会主席、达摩院金融智能实验室负责人,曾是普渡大学终身副教授,哥伦比亚大学、杜克大学、布朗大学访问学者。

48小时争夺100万元奖金

节目组召集这20个“聪明的大脑”,到底要干什么呢?

简而言之,就是通过硬核技术,来解决一个公益问题——保护野生动物的世界。

节目组将这20位网络科技精英,分成了4队。

每个队伍的构成是这样的:

  • 2位攻防选手

  • 3位AI选手

他们需要合力完成节目组给出的2个任务。

任务一:AI攻防夺旗战

共有A、B、C、D四个战区,攻防选手需要借助少量线索,寻找比赛系统的漏洞或解题;找到后便可进入四个战区,夺取隐藏其中的Flag,提交Flag即可获得相应的分数。

各区的分数细则如下:


任务二:野生动物AI识别战

AI选手需要基于有限的数据资源,建立一套能够检测识别野生动物的人工智能模型。

模型精度和运算速度,二者加权得出AI模型的总分。

当然,选手可以提交模型到比赛服务器,进行试跑测试。

与此同时,比赛期间还将不定时释放,含有被盗猎者污染的数据资源补给包,供选手使用。

值得注意的是,这个是首个攻防与AI联合的赛制。

最终,综合总分最高的队伍,将获得100万元的终极大奖。

而这个百万大奖,选手们的争夺时间,仅48小时。

节目组:这帮选手有点难带!

第一集观感下来,我的感受是,节目组想必从一开始邀请他们就已经后悔了。

这毕竟是一场专属于“程序员”的综艺。(手动狗头)

就拿第一个提交个人档案环节来说,主办方大赛平台就惨被攻击!

这位高昌盛选手,在写档案中“代码”那一栏时,写了一串XSS语句(一种攻击代码),想测试一下系统有没有什么问题。

结果没有得逞,so sad!

接着在点赞环节,选手纷纷启动了外挂模式。

按照原规则,选手共有999票来选择自己心水的选手,来进行意向组队。

但是,程序员们怎么可以安心的坐在那手动点那么多票呢?

友善一点的,问了一下导演组:

只能手动点吗?我还想着自动点一下。

不“友善”的,二话不说,直接按F12键——打开了源代码,给节目组一个措手不及。

导演吓得连忙制止三连:

不是!你等会儿!你回去!

实在不行,导演就直接动手了!把人带走的那种。

最后,外挂不成,只能变成莫得感情的点赞机器。

点赞之后,按照组队意向排名进行了组队,队伍的名称也颇具程序员的色彩。

0.9999队,程序员都有模型准确度越高的一个憧憬。

404队,Not Found。

CLS队,是因为队伍里有一个叫CLS的大佬,就是要让其他队伍知道有他的存在。(狗头)

‍

还有,秋后的奶茶队,只因为秋天的第一杯奶茶这个梗。

正式比赛之后,氛围瞬间就变得紧张。

比赛进行到第一个小时,只有CLS跟404队成功在系统中找到了漏洞。

结果,404队不着急领Flag,反而把漏洞修复删除了,还把Flag的目录名修改了。

于是,其他队伍就找不到了。

12个小时之后,每支队伍都有不错的成绩。

那么接下来,结果究竟如何?节目还在继续,感兴趣的读者可以保持关注。

网友们怎么看?

毕竟是国内第一个关于程序员的真人秀,引来圈内圈外的热议也实属正常。

刚刚播出2期而已,便引发了观众“正”、“反”两方的博弈。

“正方”自然是非常看好这个节目,认为“程序员逆天改命的时候来了”。

毕竟,程序员这个群体平时都还是比较低调的,通过综艺、真人秀的方式出圈,也未尝不是一种机会。

也有人建议把“Leetcode紧张刺激的周赛记录下来,会更耐看”。

但“反方”却认为,这个综艺节目并不是那么的nice。

讨论点之一就是代码。

节目中可以看到出现过很多代码露出的镜头,若只是出现“一行Python调个包”,这算是天才吗?

代码镜头要是露出太久,又会编程一个大型code review现场。

其次就是选手个人。

有网友担心,若是在综艺上表现欠妥,是否会影响选手个人的前程。

嗯,这个观点也不无道理,毕竟参赛选手们都是20出头的年轻人。

……

不过,从综艺节目角度来看,和其他真人秀相比,还真的是有一点非常不同之处。

若是你足够细心,便不难发现:

弹幕,真的少之又少!

或许,是插不上嘴吧……

参考链接:

https://v.youku.com/v_show/id_XNTA0ODQxMTQyMA==.html?spm=a2h0c.8166622.PhoneSokuProgram_1.dselectbutton_2&showid=eade4ced620a48b4a47d
https://www.bilibili.com/video/BV1mt411V7M8?from=search&seid=1239710519279398324

程序员GitHub,现已正式上线!

接下来我们将会在该公众号上,专注为大家分享GitHub上有趣的开源库包括Python,Java,Go,前端开发等优质的学习资源和技术,分享一些程序员圈的新鲜趣事。

年度爆款文案

点这里,获取新手福利!!
一个人干完整个运营团队!浙大开源「Easel」全链路拆解:从热点发现到自动发布,一个 Agent 直接做出来 一个人干完整个运营团队?浙大 REAL 实验室开源的 Easel,把 OpenClaw Agent、账号画像、114 个内容技能和真实媒体工具接在一起:从热点发现、选题策划、图文视频创作,到七平台适配发布、数据归因复盘,全链路一个 Agent 闭环完成,产物按项目归档。本文完整拆解其五层工作流、四层 Prompt Stack 架构、画像内联机制、Skill 三层加载与产物契约,附安装部署、.env 关键配置、Embedding 避坑、已知问题修复等实战干货,全程无虚构、可复现。 阅读详情

相关推荐

[渗透测试实战篇-4] RCE漏洞组合拳突破Getshell全解析

本文深入解析RCE漏洞组合拳在渗透测试中的实战应用,通过SSRF、XXE等漏洞串联技术突破Getshell的全过程。文章详细介绍了Java和PHP环境下的漏洞利用差异,以及防御绕过与权限维持的实用技巧,为安全研究人员提供全面的实战指导。

weixin_29211309的博客 351

2021阿里83行代码挑战赛结束。

工作了十几年,第一次参加代码比赛。 最后得了第十六名,最后结局还算挺好的。也是对自己写代码的一个肯定吧。 第一关 考的技术 第二关 考的是数据结构。只用了字典树,最后用的递归遍历。所以内存上得分不高。 第三关 考的是面向对象设计模式、代码规范。最后还是没得100分。没闹明白判分原则。感觉自己写的挺好的。最后为了得到高分,妥协了。 第四关 考的是知识的全面性 多线程 NIO spring security 正则表达式 等等吧。判分是找bug,一共10个bug,一个9分。我最后找到了7个。..

davidmeng6628的专栏 257

centos7 python3.12.1 报错 No module named _ssl,坑我几个小时

网上的教程很多,但几乎是无效的,跟着我这教程,可以完美解决。

Amio_的博客 1万+

@所有人,20 万大奖待领取!【全民找“BUG”】活动,等你!

▼戳此进入专题页▼(PC 体验更佳)据说,点在看可获大礼!

神策数据 510

ESP32学习,驱动LED点阵屏,SD卡播放GIF动图

搬运就可以实现效果,如果有不足,请批评指正。下步该学一下如何文章上视频了,老是截图不方便展示效果。

u011625956的博客 1868

kettle从入门到精通 第九十二课 ETL之kettle 使用Kettle的Carte对外发布读写接口

场景:使用kettle实现将查询结果返回给客户端,也就是说kettle暴露查询接口供外围系统调用。前提必须是使用carte服务才可以提供接口供外部系统调用。具体实操方法如下:1、设计转换根据具体需求设计转换,主要用到的步骤有获取变量(从请求参数中获取变量)、json输入(解析入参),json 输出将结果转换为json格式输出到客户端。如下图所示:2、接收参数使用获取变量步骤来接收接口请求参数,变量通过${}方法进行获取,如下图${PARAM}则是获取PARAM参数,将参数赋值为req字段。

zhangjin1222的博客 954

中国首档程序员真人秀,20位选手找bug做模型,结果一开场主办方就惨遭攻击

本文转载自 量子位,作者金磊 杨净 终于!终于!终于! 以程序员为主题的综艺真人秀,真真儿的诞生了! 你以为是参赛选手都会是秃头、黑眼圈,21岁拥有40岁的面容? 图源:暴走大事件第25期《创造1024》 或者选手之间互相称赞“衬衫好有型”、比谁会“双手联编”? 图源:暴走大事件第25期《创造1024》 再或者以为导师会问“你有freebug、freecode”吗? No!No!No! 这是一个正儿八经的程序员综艺,一场黑客马拉松大赛——《燃烧吧!天才程序员》! 一经播出,备受.

m0_46163918的博客 1万+

如何用Deep OC-SORT提升多目标跟踪精度?实战配置与性能优化指南

本文是一份针对开发者的Deep OC-SORT多目标跟踪实战指南。详细解析了如何通过部署其核心的“动态外观记忆”与“相机防抖”模块来有效应对遮挡与抖动,从而显著提升跟踪精度与连续性。内容涵盖从环境搭建、参数调优到性能压榨的全流程,并提供针对不同场景的配置建议与工程落地技巧。

f9g0h的博客 670

图片 OCR 转 Word API:输入二选一、DOCX 和私有文件下载

图片 OCR 转 Word API 通过 POST 识别图片文字并生成可编辑 DOCX。输入为 HTTPS 图片 URL 或 Base64,二选一。公开模式返回下载链接,私有模式返回文件标识。

DevOpenClub 专栏 245

8.9华为OD机试真题 新系统 - 灯带颜色变换 (Java/Py/C/C++/Js/Go)

8.9华为OD机试真题 新系统 - 灯带颜色变换 (Java/Py/C/C++/Js/Go)

算法大师! 670

【华为OD机试真题】7、字符串筛选排序 | 机试真题+思路参考+代码解析(C++、Java、Py)

题目描述 >输入一个由N个大小写字母组成的字符串 按照ASCII码值从小到大进行排序 查找字符串中第K个最小ASCII码值的字母(k>=1) 输出该字母所在字符串中的位置索引(字符串的第一个位置索引为0) k如果大于字符串长度则输出最大ASCII码值的字母所在字符串的位置索引 如果有重复字母则输出字母的最小位置索引

KJ.JK 2267

使用ocr来实现自动化脚本

自动化脚本的稳定性,很大程度上取决于“找到目标元素”这件事是否可靠。无障碍控件查找在标准 Android 应用上工作得很好,但一旦进入游戏、自绘渲染界面、Flutter 或某些加固过的应用,getUiTree返回空树或残缺节点是常有的事。控件的text和id属性不存在,findView就无从谈起。这时继续在控件查找的框架里打补丁,收益很低;更务实的做法是把定位层整体切换到 OCR,用屏幕上的文字本身作为锚点。冰狐的 OCR 接口不是单一函数,而是一组按用途分层的工具。底层是ocr()和tessOcr()

ai_coder_ai的博客 405

4 屏 + 8 摄像头一开,谁在悄悄拖慢你的座舱域控?

如果你觉得座舱卡顿:❌ 别第一反应怪 SoC❌ 别盲目堆算力。

weixin_43199439的博客 148

影刀OCR功能有什么替代方案?实测三条路线,内网离线也能跑稳

试到第三款时我停下来试了蓝印RPA:它自带AI识图与OCR功能,接入了文心一言、豆包、DeepSeek、Kimi这些大模型,图片丢进去出文字,识别结果直接进变量,接着往下填表、对账、写回Excel,一整条链路不用出流程。元素获取上,它支持本地智能生成元素路径,还能AI智能优化元素路径:我用大白话描述"发票号码那个格子",直接给出稳定的xpath,不用啃语法。碰上财务系统网页改版导致元素失灵,Web元素AI自愈能自动修复元素定位,自愈更稳定,少了我半夜起来改流程的次数,降低脚本维护成本这件事是实打实的。

HAHAXX8的博客 168

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

汽车金融 OCR 系统架构设计:从多证件识别到关联校验的技术方案

楚识科技的汽车金融 OCR 方案,有几个特点:一是证件类型覆盖全 —— 汽车金融涉及的十几种证件全部支持;二是汽车专项证件准确率高 —— 行驶证、登记证书、车辆合格证的识别准确率比通用 OCR 高很多;三是内置多证件关联校验引擎 —— 识别完自动比对,有问题自动标记;四是和主流风控系统无缝对接 —— 开箱即用,不用二次开发。

qq_34572574的博客 280

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

报结构化提取工程落地:别把复杂报表识别等同于通用 OCR

从工程架构上看,成熟的财报识别系统,是一套多阶段流水线,而不是端到端单模型。以东北证券这份合并资产负债表为例,报表采用左右分栏布局,左侧资产、右侧负债及股东权益,大量 “其中:客户备付金” 这类二级缩进子科目,还有证券行业独有的结算备付金、代理买卖证券款等科目,加上红色公章遮挡、跨页拆分、无线表格等干扰项。但对于开发者来说,要清醒认知:财报识别不是一个开箱即用的 OCR 能力,它是视觉、NLP、财务规则三者结合的垂直工程,版式还原、科目对齐、勾稽校验,每一环都决定方案能不能在金融生产环境稳定跑起来。

OCR_13371621275的博客 186

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

使用PaddleOCR和OpenCV5实现OCR

本文介绍在OpenCV 5环境下绕过依赖限制,直接使用OpenCVSharp与OnnxRuntime调用PaddleOCRv5模型实现文字检测与识别的方法。通过加载det.onnx(检测)和rec.onnx(识别)模型,结合ppocrv5_dict.txt字典,实现了对证件类图像的高精度文字识别,识别结果包含文本内容及置信度,效果良好,适用于多场景OCR应用。

lweiyue的专栏 193

鸿蒙端侧OCR实战:Core Vision Kit离线文字识别

拍发票自动提金额、拍名片秒存通讯录、拍书页转纯文本——OCR(光学字符识别)是移动端最高频的 AI 能力之一。常见做法是调云端 API:图片上传、服务端识别、结果返回。(图片出设备)、(网络往返)、(按次计费)。——模型直接跑在端侧,不依赖网络、数据不出设备、免费调用。对开发者来说,集成成本还极低:一个 Kit 导入、一次 Promise 调用就能拿到带坐标的识别结果。这篇文章把从选图到解析结果的完整链路讲清楚。

qq_63223749的博客 578

发票识别技术通过图像预处理、区域检测、表格解析、内容识别、语义校验与结构化输出,突破传统OCR局限,精准提取发票信息

发票识别技术通过“六步流水线”实现智能处理:图像预处理、区域检测、表格解析、内容识别、语义校验与结构化输出,突破传统OCR局限,精准提取发票信息。支持30余种票种,应对折痕、遮挡等复杂场景,准确率超99%,可批量处理、自动验真,广泛应用于报销、财务自动化、税务合规等领域,显著提升效率,让财务工作从繁琐录入中解放。

智能图像识别 351

刷新 OCR 能力效率双 SOTA!面壁智能MiniCPM-OCR系列开源模型上线魔乐社区

作为 MiniCPM 家族的首个 OCR 专用模型,MiniCPM-OCR 1.0 仅以 1.3B 的端侧轻量化体量,以SOTA能力和超高效率 **刷新****开源 OCR 模型的效率-性能帕累托前沿,**在真实场景文档解析评测 Real5-OmniDocBench 上取得 93.68 的 SOTA 成绩;该模型作为质检决策性质的「System-1」模型,具备跨模型的通用适配能力,能够自动判别文本、公式与表格的解析质量,整体 AUROC 达到 0.936,大幅减轻人工复核负担。

2401_87243659的博客 361

WPS图片转文字免费几次?3款免登录OCR免费档逐条读

WPS图片转文字免费几次:官网只写会员无限次,免费几次没写。逐条读OCR.space单个5MB、OnlineOCR.net游客每小时5个、图映 ImgIng本地识别的免费条款,附自制样本错字数。

2611_96826367的博客 212

证件阅读机如何用多光谱光学成像、端到端深度学习 OCR 与 MRZ 解析、13.56MHz 射频芯片认证三层能力,把单证核验压缩到 1–2 秒

"说走就走"的外国游客多了,酒店前台的压力也就跟着一起"入境"了。复印件在红外图里会丢掉层次,屏幕翻拍件在紫外图里会暴露像素网格和屏幕的摩尔纹,PS 改过的资料页在红外和可见光的交叉比对下常常"对不上"。客人只觉得"这家酒店办入住挺快",前台只觉得"今天没被催",店长只觉得"这个月没收到整改通知"。三只眼睛和一个 AI 大脑在 1–2 秒里跑完的一整套核验,被压缩成了体验里那句轻飘飘的"好的,您的房卡"。有意思的是,真正在缓解这个压力的,不是多招几个前台,而是柜台上多了一台巴掌大的小设备——证件阅读机。

智能图像识别 345

图片表格变结构化数据:OCR 后的三个坑

图片表格变结构化数据:OCR 后的三个坑

weixin_44530853的博客 544

数眼智能与AI大模型API聚合平台接入实战:统一模型、Search、Reader和OCR的任务编排

本文提出一套解耦供应商的AI资源架构,通过统一领域接口、状态机编排、标准化错误处理与可观测链路,实现模型、Search、Reader、OCR等能力的灵活调度。以数眼智能等聚合平台为例,展示如何降低多源适配成本,保障任务可恢复、可审计、可优化。核心在于:统一上下文与预算,保留能力差异,让业务逻辑不绑定具体平台,真正实现AI应用从Demo到生产的可持续演进。

m0_72376392的博客 203
上一篇: 值得收藏!20个Python奇技淫巧,让你受益匪浅!
下一篇: 微信出硬件了!
菜鸟学Python
博客等级 码龄9年 8061粉丝 571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