<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[瓦力人工智能]]></title><description><![CDATA[一个探索AI的行路人，一起加油！]]></description><link>https://blog.youkuaiyun.com/fioletfly</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; fioletfly]]></copyright><item><title><![CDATA[AI新闻吧01_2021的人工智能会发生什么？]]></title><link>https://blog.youkuaiyun.com/fioletfly/article/details/112434536</link><guid>https://blog.youkuaiyun.com/fioletfly/article/details/112434536</guid><author>fioletfly</author><pubDate>Sun, 10 Jan 2021 17:32:05 +0800</pubDate><description><![CDATA[欢迎来到第01期的AI新闻吧，我们来聊聊小米11的影像系统，特斯拉的降价以及大佬们关于2021年的AI。AI新闻吧，每篇有启发！
小米11计算摄影

小米11的拍照使用到了一亿像素，并且搭载了各种黑科技，其中有一项是计算摄影，很多用户不知道计算摄影是什么意思，让很多用户都想要一探究竟，那么小米11计算摄影是什么意思？计算摄影言简意赅的说它是一种数字处理技术，可以从成像机理上来改进传统手机相机，并将硬件设计与软件计算能力有机结合，全方位地捕捉真实世界的场景信息。通过改善色彩和照明效果，并可以将局部的细节从黑暗]]></description><category></category></item><item><title><![CDATA[Python进阶16_字符串基础操作]]></title><link>https://blog.youkuaiyun.com/fioletfly/article/details/101549282</link><guid>https://blog.youkuaiyun.com/fioletfly/article/details/101549282</guid><author>fioletfly</author><pubDate>Fri, 25 Oct 2019 17:55:50 +0800</pubDate><description><![CDATA[前面介绍了一下比较晦涩而且深入的字符文本的处理方法，接下来几节将带来一些常规的操作。比较容易入手。
字符串处理
字符串字面量
字符字面量的通过使用：以单引号开始和结束，但是如何处理的是字符串内使用单引号。
例如：'That is Wali's cat
双引号
字符字面量的还可以通过使用:双引号开始和结束,这样就可以处理字符串内使用单引号的问题.
如下:"That is Wali's cat"
转义...]]></description><category></category></item><item><title><![CDATA[深度学习笔记16_猫狗案例优化_使用预训练模型（fine-tuning）]]></title><link>https://blog.youkuaiyun.com/fioletfly/article/details/101345607</link><guid>https://blog.youkuaiyun.com/fioletfly/article/details/101345607</guid><author>fioletfly</author><pubDate>Mon, 21 Oct 2019 10:26:28 +0800</pubDate><description><![CDATA[模型微调概念
微调是指将其顶部的几层“解冻”，并将这解冻的几层和新增加的部分联合训练。详细的理解见下图
[外链图片转存失败(img-ih2x0XIm-1569374299326)(https://upload-images.jianshu.io/upload_images/19296570-9e2d990bdaf2d549.jpg?imageMogr2/auto-orient/strip%7Cim...]]></description><category></category></item><item><title><![CDATA[深度学习笔记15_猫狗案例优化_使用预训练模型（迁移学习）]]></title><link>https://blog.youkuaiyun.com/fioletfly/article/details/101031039</link><guid>https://blog.youkuaiyun.com/fioletfly/article/details/101031039</guid><author>fioletfly</author><pubDate>Wed, 09 Oct 2019 10:03:26 +0800</pubDate><description><![CDATA[选择预训练模型
将深度学习应用于小型图像数据集，一种常用且非常高效的方法是使用预训练网络。
预训练网络（pretrained network）是一个保存好的网络，之前已在大型数据集（通常是大规模图
像分类任务）上训练好。这个方法也叫迁移学习。

预训练的模型学到的特征的空间层次结构可以有效地作为视觉世界的通用模型
较低层学到的结构都是一些点线等低层次的特征，

这里使用的预训练的模型的数据是 Im...]]></description><category></category></item><item><title><![CDATA[深度学习笔记14_猫狗分类案例优化 - 数据增强]]></title><link>https://blog.youkuaiyun.com/fioletfly/article/details/101345584</link><guid>https://blog.youkuaiyun.com/fioletfly/article/details/101345584</guid><author>fioletfly</author><pubDate>Sun, 29 Sep 2019 08:58:08 +0800</pubDate><description><![CDATA[猫狗分类案例优化 - 数据增强
数据增强的基本概念
**数据增强：**利用多种数字图像处理方法（旋转,剪切,错切,缩放,翻转,边缘填充）生成可信图像.
其目标是，模型在训练时不会两次查看完全相同的图像。这让模型能够观察到数据的更多内容，从而具有更好的泛化能力。
在keras中可以通过:ImageDataGenerator函数来实现图像的随机变换.

rotation_range 是角度值（在 0~...]]></description><category></category></item><item><title><![CDATA[Python进阶14_Unicode排序]]></title><link>https://blog.youkuaiyun.com/fioletfly/article/details/101272328</link><guid>https://blog.youkuaiyun.com/fioletfly/article/details/101272328</guid><author>fioletfly</author><pubDate>Fri, 27 Sep 2019 10:15:20 +0800</pubDate><description><![CDATA[Unicode文本排序内置方法
python中提供了标准的排序方法但是在内置的方法可能带来一个不好的结果，尤其是比较非 ASCII 字符时。例如下面的例子.
由于不同的区域才去的排序规则不一样，下面的例子实际的排序是这样子的：
['açaí', 'acerola', 'atemoia', 'cajá', 'caju']
而现在的排序结果确实这样子的:
['acerola', 'atemoia', ...]]></description><category></category></item><item><title><![CDATA[深度学习笔记17_卷积神经网络数据可视化_中间激活]]></title><link>https://blog.youkuaiyun.com/fioletfly/article/details/101376960</link><guid>https://blog.youkuaiyun.com/fioletfly/article/details/101376960</guid><author>fioletfly</author><pubDate>Wed, 25 Sep 2019 17:49:58 +0800</pubDate><description><![CDATA[可视化的概念
深度学习模型是“黑盒”，即模型学到的表示很难用人类可以理解的方式来提取和呈现。但是我们现在的学习的卷积伸进网络却可以通过可视化很形象的说明深度学习在卷积神经网络方面可以很表示的，并不是黑盒。目前比较容易理解的三种可视化的方法如下：


可视化卷积神经网络的中间输出（中间激活）

就是可以展示网络中各个卷积层和池化层输出的特征图
理解卷积神经网络连续的层如何对输入进行变换
于初步了解卷...]]></description><category></category></item><item><title><![CDATA[深度学习笔记13_猫狗分类案例 - 从头开始训练一个神经网络]]></title><link>https://blog.youkuaiyun.com/fioletfly/article/details/101345549</link><guid>https://blog.youkuaiyun.com/fioletfly/article/details/101345549</guid><author>fioletfly</author><pubDate>Wed, 25 Sep 2019 09:19:20 +0800</pubDate><description><![CDATA[在小型数据集上从头开始训练一个卷积神经网络
小型数据集的模型构建的策略
小型数据集：“很少的”样本可能是几百张图像，也可能是几万张图像。
接下来的示例中，主要用来猫狗分类：4000张图片（2000猫，2000狗）

训练数据为：2000
验证数据：1000
测试数据：1000

对于小型数据集的基本策略如下：

据从头开始训练一个新模型，不做任何正则化，为模型目标设定一个基准，这里大概为71的精度...]]></description><category></category></item><item><title><![CDATA[Python进阶13_字符编码器]]></title><link>https://blog.youkuaiyun.com/fioletfly/article/details/100987490</link><guid>https://blog.youkuaiyun.com/fioletfly/article/details/100987490</guid><author>fioletfly</author><pubDate>Tue, 24 Sep 2019 09:37:09 +0800</pubDate><description><![CDATA[字符编码器
常见的编码器
Python 自带了超过 100 种编解码器（codec,encoder/decoder），用于在文本和字节之间相互转换。 例如：‘utf_8’,‘utf_16’…
需要设置编码器参数的主要用于如下函数:

open()
str.encode()
bytes.decode()

如下实例:
# 不同的编码的格式
for codec in ['latin_1','utf-8...]]></description><category></category></item><item><title><![CDATA[Python进阶12_python中的字符与字节]]></title><link>https://blog.youkuaiyun.com/fioletfly/article/details/100777608</link><guid>https://blog.youkuaiyun.com/fioletfly/article/details/100777608</guid><author>fioletfly</author><pubDate>Fri, 20 Sep 2019 09:09:51 +0800</pubDate><description><![CDATA[python中的字符与字节

字符和Unicode字符是什么,怎么表示
什么字符的编码和解码
python中有什么字节类型
如何创建字节
字节有哪些方法何应用

python中字符的定义
字符的基础概念
**字符串：**由字符组成的序列
什么是字符呢？
字符： python中的定义是Unicode字符，

在python3中，str对象中获取的元素是Unicode字符
在python2中，str对...]]></description><category></category></item><item><title><![CDATA[深度学习笔记12_卷积神经网络]]></title><link>https://blog.youkuaiyun.com/fioletfly/article/details/100706207</link><guid>https://blog.youkuaiyun.com/fioletfly/article/details/100706207</guid><author>fioletfly</author><pubDate>Thu, 19 Sep 2019 09:09:25 +0800</pubDate><description><![CDATA[卷积神经网络
Keras 中的卷积神经网络的搭建
主要利用keras中的两个函数进行构建：

Conv2D

filters: Integer, the dimensionality of the output space
(i.e. the number of output filters in the convolution).
kernel_size: An integer or tuple...]]></description><category></category></item><item><title><![CDATA[Python进阶11_字典dict和集合set的秘密]]></title><link>https://blog.youkuaiyun.com/fioletfly/article/details/100740834</link><guid>https://blog.youkuaiyun.com/fioletfly/article/details/100740834</guid><author>fioletfly</author><pubDate>Wed, 18 Sep 2019 09:24:32 +0800</pubDate><description><![CDATA[本节你将看到关于字典dict和集合set更加深入的原理，尤其是关于散列在其中的作用，将回答以下问题：

Python 里的 dict 和 set 的效率有多高？
为什么它们是无序的？
为什么并不是所有的 Python 对象都可以当作 dict 的键或 set 里的元素？
为什么 dict 的键和 set 元素的顺序是跟据它们被添加的次序而定的，
为什么不应该在迭代循环 dict 或是 set 的同...]]></description><category></category></item><item><title><![CDATA[深度学习笔记11_机器学习工作流程]]></title><link>https://blog.youkuaiyun.com/fioletfly/article/details/100578048</link><guid>https://blog.youkuaiyun.com/fioletfly/article/details/100578048</guid><author>fioletfly</author><pubDate>Tue, 17 Sep 2019 09:42:55 +0800</pubDate><description><![CDATA[机器学习工作流程
定义问题，收集数据集
定义问题

你的输入数据是什么？你要预测什么？
你面对的是什么类型的问题？确定问题类型有助于你选择模型架构、损失函数等

是二分类问题、多分类问题、标量回归问题、向量回归问题
还是多分类、多标签问题
比如聚类、生成或强化学习



收集数据集
两个假设：

假设输出是可以根据输入进行预测的。
假设可用数据包含足够多的信息，足以学习输入和输出之间的关系。

非...]]></description><category></category></item><item><title><![CDATA[Python进阶10_集合set的使用]]></title><link>https://blog.youkuaiyun.com/fioletfly/article/details/100663020</link><guid>https://blog.youkuaiyun.com/fioletfly/article/details/100663020</guid><author>fioletfly</author><pubDate>Mon, 16 Sep 2019 08:40:52 +0800</pubDate><description><![CDATA[不可变映射类型
标准库里所有的映射类型都是可变的，从 Python 3.3 开始，types 模块中引入了一个封装类名叫 MappingProxyType。
只需要给它一个映射，它会返回一个只读的映射类型。
但是如果修改了原有的映射，其也会动态跟着一起被修改。
自己不被修改，原形被修改了，自己跟着一起被改。
coding 实例如下
from types import MappingProxyTyp...]]></description><category></category></item><item><title><![CDATA[Python进阶09_你知道吗？还有好多字典类型]]></title><link>https://blog.youkuaiyun.com/fioletfly/article/details/100578078</link><guid>https://blog.youkuaiyun.com/fioletfly/article/details/100578078</guid><author>fioletfly</author><pubDate>Thu, 12 Sep 2019 09:21:44 +0800</pubDate><description><![CDATA[其他的字典类型
这些字典类型都市在collections 标准模块中主要有如下：

前面见过的：defaultdict 用来处理不存在键
OrderedDict:用来保持顺序的
ChainMap:用来容纳个数不同的映射对象
Counter:用来计数
UserDict:方便用户自定义自己的映射类型

OrderedDict 与ChainMap
OrderedDict
在添加键的时候会保持顺序，因此键...]]></description><category></category></item><item><title><![CDATA[深度学习笔记10_如何处理过拟合]]></title><link>https://blog.youkuaiyun.com/fioletfly/article/details/100540375</link><guid>https://blog.youkuaiyun.com/fioletfly/article/details/100540375</guid><author>fioletfly</author><pubDate>Wed, 11 Sep 2019 16:39:40 +0800</pubDate><description><![CDATA[过拟合与欠拟合
过拟合的现象：模型在留出验证数据上的性能总是在几轮后达到最高点，然后开始下降。
欠拟合的现象：训练数据上的损失越小，测试数据上的损失也越小
优化与泛化的概念
优化: 指调节模型以在训练数据上得到最佳性能
泛化： 是指训练好的模型在前所未见的数据上的性能好坏，机器学习的目的当然是得到良好的泛化。
如何解决过拟合的问题

最优解决方法是获取更多的训练数据
次优解决方法是正则化：调节模型...]]></description><category></category></item><item><title><![CDATA[深度学习笔记09_机器学习数据预处理]]></title><link>https://blog.youkuaiyun.com/fioletfly/article/details/100540345</link><guid>https://blog.youkuaiyun.com/fioletfly/article/details/100540345</guid><author>fioletfly</author><pubDate>Tue, 10 Sep 2019 09:30:08 +0800</pubDate><description><![CDATA[数据预处理、特征工程
神经网络的数据预处理
预处理的原则：是使原始数据更适于用神经网络处理，主要包括：向量化，标准化，处理缺失值和特征提取
向量化
无论处理什么数据（声音、图像还是文本），都必须首先将其转换为张量，且张量是浮点数据类型。例如， one-hot 编码将其转换为 float32 格式的张量。
值标准化
一般的值标准化做法对每个特征分别做标准化，使其均值为 0、标准差为 1。
例如，图像...]]></description><category></category></item><item><title><![CDATA[Python进阶08_字典推导以及处理字典中不存在的键]]></title><link>https://blog.youkuaiyun.com/fioletfly/article/details/100557591</link><guid>https://blog.youkuaiyun.com/fioletfly/article/details/100557591</guid><author>fioletfly</author><pubDate>Mon, 09 Sep 2019 11:47:42 +0800</pubDate><description><![CDATA[字典推导（diccomp）
可以从任何以键值对作为元素的可迭代对象中构建出字典。
一般可以将元组的列表利用推导变成字典的数据类型。coding如下
country_code = {country:code for code,country in dial_codes}

推导的时候利用{}
在for之前要定义好格式：谁是键，谁是值
在for中也要将对应的参数放进去：code,country

di...]]></description><category></category></item><item><title><![CDATA[深度学习笔记08_机器学习模型评估]]></title><link>https://blog.youkuaiyun.com/fioletfly/article/details/100523695</link><guid>https://blog.youkuaiyun.com/fioletfly/article/details/100523695</guid><author>fioletfly</author><pubDate>Fri, 06 Sep 2019 09:10:16 +0800</pubDate><description><![CDATA[机器学习的四个分支
二分类问题、多分类问题和标量回归问题。这三者都是监督学习（supervised learning）的例子，其目标是学习训练输入与训练目标之间的关系。
监督学习
给定一组样本（通常由人工标注），它可以学会将输入数据映射到已知目标［也叫标注（annotation）］。
监督学习的分类：

分类：对数据进行分类
回归：对数据进行拟合
序列生成：给定一张图像，预测描述图像的文字。
语法...]]></description><category></category></item><item><title><![CDATA[Python进阶07_泛映射类型]]></title><link>https://blog.youkuaiyun.com/fioletfly/article/details/100511174</link><guid>https://blog.youkuaiyun.com/fioletfly/article/details/100511174</guid><author>fioletfly</author><pubDate>Thu, 05 Sep 2019 09:09:50 +0800</pubDate><description><![CDATA[字典是Python的基石，与它相关的内置函数都在__builtins__.__dict__模块中。想要理解和掌握背后的原理就需要理解散列表。
泛映射类型
collections.abc 模块中有 Mapping 和 MutableMapping这两个抽象基类，作用是为dict 和其他类似的类型定义形式接口。具体模块如下UML图。

什么是广义的映射类型
广义上的映射一般继承Mapping 和 Mu...]]></description><category></category></item></channel></rss>