【深度学习图像项目实战-从入门到上线1】怎样学会科学的调研并启动一个项目...

数据科学入门实战路线图:从零到可交付AI分析能力 数据科学不是数学理论考试,而是用工具解决真实业务问题的能力。其核心在于掌握Python数据处理、SQL分析、可视化表达与AI提效四类基础技能,并通过端到端小项目建立‘可验证产出感’。2023年招聘数据显示,96%初级岗位要求Pandas数据清洗,92%需SQL取数能力,而大模型应用更多体现为API调用与提示工程等生产力杠杆。本文聚焦‘任务锚点驱动’学习法,摒弃知识树式灌输,以7天跑通房价预测、14天写出业务SQL、21天部署Streamlit仪表盘、28天集成Hugging Face与OpenAI API为 阅读详情

00

 导读

每一个项目的第一步就是立项,立项需要进行充分的调研才能确定是否值得启动一个项目。调研主要要做好两个方向:1,算法调研,它主要是确定可行的技术路线。更具体的说,需要清楚想做的事情是否已经到达落地的水准,也就是可行性的验证。2,市场调研,它主要确定的是,所选中的方案是否有市场需求,是否已经有成熟的竞争对手和市场。

下面分别从这两个方向进行讲述,我们以图像风格化为例,所谓图像风格化,学术名词是image style transfer,研究起源于这一篇论文A neural algorithm of artistic style[1],3年前我的公众号《与有三学AI》也做过报导,大家有兴趣可以去看,

640?wx_fmt=png

它是采用神经网络的方法,分别学习到一幅图像的纹理和风格,从而实现从一幅图像风格到另一幅图像的迁移,如下,将图2的风格,应用到图1上。

640?wx_fmt=png

当然,现在已经有了很多新的应用,尤其是基于人脸的非常多,详细的介绍和技术原理,大家可以去参考我以前开设的AI摄影基础课程。其中详细地讲述了摄影中各方面的图像知识。

640?wx_fmt=jpeg

下面言归正传,回到风格化研究的调研。

01

从哪些地方开始调研?

1.1 市场调研

在做算法调研之前,先要做市场调研。市场调研需要涵盖主流的产品形态,包括 app,普通的网页应用以及小程序;所面对的目标用户(年龄层次,地域分布),现有的市场份额,以及潜在的竞争对手等也需要了解。

这一块没有多少可说的,平时多关注关注新闻,相关朋友圈的分享,相关公众号即可,比如当年非常火的prisma,作为从业人员想忽视也不容易的。

640?wx_fmt=jpeg

 然后到ios平台和安卓平台去搜搜关键词,看看各大公司是否已经跟上推出类似产品。

我们一调研就知道,国内几大图像算法公司,腾讯的天天P图,美图科技的美图秀秀,Camera360的MIX滤镜都有相关产品,其他小产品也不少。

我们分别拿一张人脸和风景图做测试。

640?wx_fmt=jpeg

640?wx_fmt=jpeg

试试美图黑科技中绘画机器人

640?wx_fmt=jpeg

640?wx_fmt=jpeg

天天P图中的各类风格。

640?wx_fmt=jpeg

640?wx_fmt=jpeg

MIX中艺术滤镜。

640?wx_fmt=jpeg

640?wx_fmt=jpeg

当然,现在已经存在非常多类似的app了,初步的调研结果显示,基于图片的风格化技术已经成熟,而且产品面世也已经不止两年了,我们偶尔会在朋友圈里看到类似的分享,当然具体的用户比例,可能需要我们自己去做一些调研问卷,投票之类的。

不过,还没有看到比较好的基于视频的调研结果,所以这可能是一个突破点。

最后我们要总结一下调研的结果:

建议从以下几个方向:

  • 技术成熟度

  • 受众

  • 产品使用频率

  • 竞争对手

640?wx_fmt=png

1.2 算法调研

1.2.1 国内外前沿学术研究

可以找一些好的博士硕士论文,相关综述,看看总结和方向。再找学术界和工业界的相关比赛,以及数据集。

1.2.1.1 中文调研

(1) 首先调研综述类文章,查看cnki相关关键词的博士硕士论文,以及优秀中文期刊的综述。

还是以图像风格化为例,到中国知网平台,http://www.cnki.net/

搜索结果如下:

640?wx_fmt=png

根据下载量与被引用因子,可以初步判断文章的质量,同时发表时间也需要作为参考。

(2) 百度学术调研

虽然百度学术与Google学术相差甚远,但是也可以作为辅助。

640?wx_fmt=png

这其中可以调研到发表时间,来源期刊,同时可以获取到引用格式,这在写作学术论文和调研报告中也会非常有用。

640?wx_fmt=png

1.2.1.2 英文调研

中文调研应该作为一个入门的了解,而英文文献的调研,才是了解最前沿技术的正确方法,必须使用好Google学术以及Google通用搜索引擎。同时,由于现在很多的论文在接收和正式发表之前,都已经发在了arprint平台上,所以为了获取最新的研究结果,这个也是必须的。

(1) Google与Google学术。

Google学术擅长于寻找正式发表的学术论文,而Google通用搜索引擎则可以广泛浏览相关内容,都需要去仔细筛选。

640?wx_fmt=png

另外,Google和百度都提供了一个api调研关键词的热度趋势

https://trends.google.com/trends/

640?wx_fmt=png

      https://zhishu.baidu.com/#/

640?wx_fmt=png

(2) Arxiv

https://arxiv.org/

学术界最新的研究成果往往是先发表在这里,甚至可能领先正式出版机构一年以上,所以这也是需要去认真调研的。机器学习相关的在computer science栏目下。

640?wx_fmt=png

640?wx_fmt=png

在调研学术论文的时候,优先看综述,然后重点关注知名的研究机构,引用量大的论文。

比如这个方向,就能找到一篇综述文章Neural Style Transfer: A Review【2】,若干经典文章,比如开启这个方向的【1】,首次将其实时化的李飞飞组的研究【3】等。

通过阅读综述文章和一系列经典文章和前沿文章之后,就能对该方向的技术路线等有了很明确的认知。

当然如果有机会参与一些比较牛逼的团队或者身边有相关人脉,则更有可能获得最新的研究成果,那也是极好的。

1.3 行业媒体调研

在机器学习领域,现在有很多的优秀自媒体,他们也会经常总结一些前沿的研究,所以这也是一个很好的调研渠道。

笔者下面做一些推荐。

  1. 机器之心,新智元,AI科技评论,AI科技大本营,都是人工智能媒体与产业服务平台,注重总结学术界的最新研究与工业界的最新动向,干货很多。

  2. 深度学习大讲堂,Paperweekly,国内CV界的前沿研究推送,学术为主,解读前沿论文。

  3. 大数据文摘,内容不限于AI与机器学习,所有与大数据相关东西,所以也会显得更加全而杂乱。

  4. 36氪,虎啸网等,注重商业报告,尤其强调行业趋势,创业的朋友肯定是需要经常关注。

  5. 知乎微博,虽然现在知乎内容越来越多整体质量下滑严重,但是仍然是国内尤其是技术精英喜欢逛的地方。虽然微博娱乐泛滥,但是也不能完全否定它上面也有一些还不错的自媒体,像每天坚持截取论文研究结果的“爱可可爱生活”,以及各大新闻媒体,新浪科技,大佬的微博动向,比如雷军每次都会介绍自家小米的产品。

当然厚脸皮推荐一下自己在鼓捣的技术公众号《与有三学AI》以及知乎专栏《深度学习模型训练经验与代码剖析》,水平有限未形成规模,欢迎大家加入。

640?wx_fmt=png

1.4 github

Github的重要性就不用多说了吧,鉴于它已经成为了国内最大的技术人员交友平台,所以在这里调研技术再适合不够。

以image style transfer为例,一找就找到一个高质量的资源。

https://github.com/ycjing/Neural-Style-Transfer-Papers

640?wx_fmt=png

带有相当完整的论文list与开源代码,再精读这些资源之后,想不了解都难了。

而且,等正式开始干活之后,这些资源很有可能就会成为起点。

02

怎样写好调研报告

上面既然已经完成了调研,那么要交出去给别人看的时候,就一定要写好调研报告。下面我们就要作出一些总结,主要从以下几个方向入手,还是以图像风格化为例。

2.1 用户调研总结

  • 潜在用户

AI技术爱好者,这一类人喜欢尝试新鲜技术。

摄影爱好者,喜欢研究各类滤镜。

女性,对于美颜和人脸风格化有需求的广大女性。

  • 使用地点,时间点和频次

朋友圈等社交平台。属于日常低频需求,朋友圈偶见转发,可能集中在特定节日。比如5-4青年节天天P图推出的民国风格。

  • 用户需求

求新与切合时间点,喜欢不断尝试新的滤镜,喜欢在特定时间段集中爆发尝试与转发。

  • 使用平台

移动端app和网页应用。

总结:图像风格化实际上是一个低频非刚需,它与美颜有着本质的区别,因为后者只是对图像的微调,而前者则是一个新的创作。因此,如果做这一类产品,结合特定时间点做趣味性强的短期爆款制造营销事件比特意开发一个app会更加符合一个新的产品定位。

2.2 竞争对手调研总结

  • 美图秀秀与天天P图等国内app

对手特点,技术一流,产品全面且受众广,总是能在特殊时间点制造营销爆点,正面PK技术实力和产品设计都面临很大的考验,失败风险大。

  • 小蚁AI艺术等小程序

产品简单,效果相比主流app较差,有视频风格化。

总结:针对大公司技术实力强但是不敢轻易尝试非成熟技术,而小公司技术实力弱但是产品可以快速迭代的特点,我们可以以短小精美的前端界面+最新技术探索的方式,甚至尝试非主流擦边球的形态来突然推出爆款。

2.3 技术调研总结

  • 静态图片风格化

技术路线已经比较成熟且风格化效果较好,相关app已经大量出现,门槛较低,有经验的工程师一个月内实现一个demo上线没问题。

  • 视频风格化

计算代价较高相关竞品很少,需要具备一流研发能力的团队。

最终总结:磨刀不误砍柴工,在正式想好做一个项目之前,最好先做好上面的3步调研,免得闭门造车。

【1】Gatys L A, Ecker A S, Bethge M. A neural algorithm of artistic style[J]. arXiv preprint arXiv:1508.06576, 2015.

【2】Jing Y, Yang Y, Feng Z, et al. Neural style transfer: A review[J]. arXiv preprint arXiv:1705.04058, 2017.

【3】Johnson J, Alahi A, Fei-Fei L. Perceptual losses for real-time style transfer and super-resolution[C]//European Conference on Computer Vision. Springer, Cham, 2016: 694-711.



如果想加入我们,后台留言吧

640?wx_fmt=jpeg640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=png

微信

Longlongtogo

640?wx_fmt=png

公众号内容

1 图像基础|2 深度学习|3 行业信息

640?wx_fmt=jpeg 640?wx_fmt=jpeg

往期精彩

 

【技术综述】如何Finetune一个小网络到移动端(时空性能分析篇)

 

【技术综述】一文道尽softmax loss及其变种

斯坦福CS231n:深度学习与计算机视觉系统入门指南 斯坦福CS231n,由计算机视觉领域领军人物李飞飞教授主讲,是深度学习与计算机视觉方向公认的必学经典课程。这门课程系统地讲解了从卷积神经网络基础到前沿应用的完整知识体系,包括图像分类、目标检测、语义分割、生成模型等核心内容。对于希望系统入门CV领域,或夯实深度学习理论基础的开发者、学生和研究者而言,这门课程提供了无与伦比的起点。 课程内容扎实,但学习曲线并不平缓。它要求学习者具备一定的Python编程、线性代数和微积分基础。好消息是,得益于开源社区的贡献,现在有非常完善的中文学习资料,包括带中英字幕的课程视 阅读详情

相关推荐

深度学习八大神经网络实战速通:从CNN到Transformer的代码实现与部署

深度学习作为人工智能的核心技术,通过构建多层神经网络模型,能够从数据中自动学习特征与模式。其核心原理在于利用反向传播算法优化网络参数,以最小化预测误差。这项技术的价值在于能够处理图像、文本、序列等复杂数据,实现分类、预测、生成等高级智能任务,广泛应用于计算机视觉、自然语言处理、推荐系统等领域。本文聚焦于CNN、RNN、GAN、Transformer等八大经典神经网络,通过PyTorch和TensorFlow框架,提供从环境搭建、模型训练到效果验证的完整实战路径,帮助初学者快速建立深度学习知识体系,掌握核心模

weixin_30613343的博客 448

项目前期调研及其文档编写

项目前期调研 项目前期调研工作是项目准备阶段的重要过程,调研的目的就是了解当前市场的行情和竞争产品的特点,做出更好的产品规划和设计,增强产品的竞争力。项目前期调研的主要任务是调查当前市场中对于你将要开发的项目的态度,类似的产品在市场中的占比和发展情况。通过对竞品的分析和对比,构建自己产品的特点与优势,确定项目的开发方向。 调研报告主要包括两个部分:一是调查,二是研究。调研报告讲求事实。它通过调...

wjnowen的博客 1万+

数据科学实战课:问题驱动的数据分析与业务闭环

数据科学不是统计学的简化版,而是连接数据与业务决策的工程实践。它以真实问题为起点,通过数据采集、清洗、探索、建模到交付的完整生命周期,构建可解释、可行动、可落地的分析闭环。核心在于将业务目标转化为可计算指标(如复购率、转化漏斗、用户分群),用Python+Pandas+Scikit-learn等工业级工具实现快速验证与迭代,强调特征背后的业务逻辑、模型输出的业务语言,以及结果对运营动作的直接支撑。本文聚焦‘问题驱动型’数据工作方法论,覆盖A/B测试归因、RFM行为聚类、清洗即规则翻译、评估指标与业务目标对齐

weixin_33966095的博客 339

如何做好项目调研

在整个项目的实施过程中,前期调研是非常重要的一环,在调研的过程需要深度挖掘客户需求。本文针对近期参与项目调研过程中出现的问题,进行总结与梳理。

数通畅联 3253

深度学习实战47-利用深度学习技术来解决复杂的人群计数问题,CrowdCountNet模型的应用

大家好,我是微学AI,今天给大家介绍一下深度学习实战47-利用深度学习技术来解决复杂的人群计数问题,CrowdCountNet模型的应用。本篇文章,我将向大家展示如何使用CrowdCountNet这个神奇的工具,以及它是如何利用深度学习技术来解决复杂的人群计数问题。让我们一起进入这个充满活力和创新的世界,开启图像和视频中人群数量计算的新篇章!

微学AI的博客 959

MyBatis示例

MyBatis示例 基本示例 环境准备 jdk : 1.8.0 MyEclipse MySQL MyBatis-3.4.6.jar 新建JavaWeb Project 命名:mybatis 导入JAR包或添加POM.xml中添加依赖 MyBatis_config.xml <?xml version="1.0" encoding=&a

走在命运的左岸 721

AI 图像识别项目从入门到上线

AI 图像识别项目从入门到上线课程简介:本课程是一个完整的项目实战课程,从项目调研开始到项目最终上线,完整的复现了基于深度学习的实战项目的流程。本课程系列文章具有很强的工...

优快云人工智能头条 1494

Jenkins插件下载慢?3分钟搞定国内镜像加速(含华为/腾讯/清华源对比)

本文详细介绍了如何通过国内镜像源加速Jenkins插件下载,包括华为云、腾讯云和清华源等主流镜像站的性能对比及一键配置方案。通过实测数据展示华为云镜像站表现最佳,下载速度达19.4MB/s,并提供sed命令、管理界面配置和Docker定制三种高效加速方案,帮助开发者快速解决插件下载慢的问题。

sql99的博客 324

项目需求调研怎么做

首先,要求了解这个产品到底是什么?有啥功能?是什么样的客户需要这个产品?当得到任务后,我们可以去百度一下相关的东西,看看是否有类似的东西,了解下前面的问题。 需求调研需要从这几个方面去发展。1. 项目背景是什么了解该项目的现状、项目的动机和背后存在的痛点。不同的动机,项目的开发发展方向也是不一样的。现实中,做调研的时候要准确把握客户的期望目标和建设目标,这样就不会给项目带来风险,不然做出来的东西和...

hutingxiang的博客 7972

PVE启动卡在loading initial ramdisk

pve显卡直通导致的异常解决

学而时习之 6692

【STM32】IEC60730 Class B软件安全实现 Part2:自检库实战指南

本文是STM32 IEC60730 Class B软件安全实现的实战指南,详细介绍了如何将X-CUBE-CLASSB自检库集成到用户项目中。内容涵盖软件包解构、内存划分、启动与运行时自检的集成步骤、关键代码示例及调试技巧,并阐述了为最终通过安全认证所需的文档与流程准备,帮助开发者高效实现MCU功能安全。

weixin_29185167的博客 93

如何做好项目的需求与业务调研?

1. 调研工作如何组织 很多人认为调研工作极难,水平最高的人才能做好一次调研,软件工程中也强调需求获取是最难的事情。有的人要么认为不过如此,甚至是一个普通技术支持都可以做的工作。 现在有很多企业上管理软件之前都希望软件公司派人来了解情况,提出针对性建议。这其实给很多软件公司销售经理出了个难题,自己亲自上企业不信任,而且也不专业,请公司派咨询顾问过来资源难以协调,响应不及时用户也不满意,

yyq411377361的专栏 2549

热力学仿真软件:SimScale_(1).SimScale入门与基础操作

导航栏:位于页面顶部,包含项目管理、仿真设置、结果分析等主要功能。项目列表:展示用户创建的所有项目。工作区:用于进行具体的操作,如几何建模、网格划分、边界条件设置等。控制台:显示操作日志和仿真进度。网格划分是将几何模型离散化为一系列小单元的过程,这些单元用于求解热力学方程。SimScale提供了多种网格划分方法,包括结构化网格和非结构化网格。SimScale提供了丰富的API接口,用户可以通过编程语言进行二次开发,实现自动化仿真和结果分析。项目管理:创建、删除和管理项目。几何建模:创建、导入和修复几何模型。

kkchenjj的博客 1874

怎样学会科学的调研并启动一个项目

文章首发于微信公众号《有三AI》 【深度学习图像项目实战-从入门到上线1】怎样学会科学的调研并启动一个项目 00 导读 每一个项目的第一步就是立项,立项需要进行充分的调研才能确定是否值得启动一个项目。调研主要要做好两个方向:1,算法调研,它主要是确定可行的技术路线。更具体的说,需要清楚想做的事情是否已经到达落地的水准,也就是可行性的验证。2,市场调研,它主要确定的是,所选中的方案是...

hacker_long的专栏 1258

FFMPEG音视频开发: Linux下采集音频(alsa-lib库)、视频(V4L2框架)数据编码并实时推流到RTMP流媒体服务器,达到直播功能(推流)

一、环境介绍 操作系统: VM虚拟机运行的ubuntu18.04 FFMPEG版本: 4.4.2 摄像头: 罗技USB摄像头、电脑自带摄像头 声卡:电脑自带声卡 二、FFMPEG、X264的安装 参考这里:FFMPEG开发: Linux下采集摄像头数据录制成MP4视频保存到本: 地https://blog.csdn.net/xiaolong1126626497/article/d...

2993

华为OD机试真题 C 实现【水库蓄水问题】【2022.11 Q4 新题】

给定一个长度为 n 的整数数组height。数组的元素表示山的高度,选择两个元素作为水库的边界,求蓄水量的最大值并输出蓄水量最大时的边界下标(蓄水量相同时输出下标较近的)。

MISAYAONE的博客 1万+

【干货·课程】言有三的深度学习从入门到上线课程

hello,今天给大家推荐一下自己的公开课,下面是基本信息。01课程介绍本课程是一个完整的项目实战课程,从项目调研开始到项目最终上线,完整的复现了基于深度学习的实战项目的...

hacker_long的专栏 732

【WRF模拟】保存wrf输出文件到指定目录+仅输出指定空间域/变量文件

修改wrf命令以更改指定输出文件目录等

WW、forever的博客 546

2025年必学的7个Python数据科学项目:从零到就业的实战路线图

你是否对Python数据科学充满兴趣,却不知从何入手?是否在众多教程中迷失方向,缺乏系统学习路径?本文精选7个高质量Python数据科学实战项目,涵盖数据分析、机器学习、数据可视化等核心领域,配合详细的学习指南和就业指导,帮助你从编程新手成长为数据科学专业人士。读完本文你将获得: - 7个实战项目的完整实现方案 - 按技能层级划分的阶梯式成长路径 - 行业就业前景与薪资数据 - 常见学习问题的解决

gitblog_00555的博客 789

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

图像质量主观评分方法:Super Resolution用户调研实战

本文介绍了如何在星图GPU平台自动化部署AI超清画质增强-Super Resolution镜像,实现图像超分辨率处理。该镜像基于EDSR模型,可一键部署并应用于图片质量提升、老照片修复等场景,通过用户主观评分验证增强效果,为内容创作者提供高效的画质优化解决方案。

weixin_35973118的博客 172

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

【学员分享】深度学习计算机视觉,两个星期从入门到上线

Hello,everyone!今天给大家讲述一个深度学习项目。在讲这个项目之前,很多业外人士可能不明白人工智能(AI),机器学习(ML),深度学习(DL),这三者是什么关...

hacker_long的专栏 472

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

3大策略:如何构建模块化PyTorch深度学习项目

在深度学习项目开发中,我们常常面临一个关键困境:Jupyter Notebook虽然适合快速实验,但在团队协作、代码复用和版本控制方面存在明显短板。PyTorch深度学习项目从原型到生产的过程中,模块化架构设计成为决定项目成败的关键因素。本文将基于PyTorch深度学习课程项目的实践经验,分享三种核心模块化策略,帮助开发者构建可维护、可扩展的深度学习项目架构。 **核心关键词**:PyTorch

gitblog_00342的博客 915

计算机视觉的应用17-利用CrowdCountNet模型解决人群数量计算问题(pytorch搭建模型)

大家好,我是微学AI,今天给大家介绍一下计算机视觉的应用17-利用CrowdCountNet模型解决人群数量计算问题(pytorch搭建模型)。本篇文章,我将向大家展示如何使用CrowdCountNet这个神奇的工具,以及它是如何利用深度学习技术来解决复杂的人群计数问题。让我们一起进入这个充满活力和创新的世界,开启图像和视频中人群数量计算的新篇章!

微学AI的博客 1665

重磅 | 《2020年度中国计算机视觉人才调研报告》正式出炉

计算机视觉领域岗位人才供需比为0.09,相关人才属于极度稀缺程度。 —全文共11308字,阅读需要34分钟— 随着人工智能应用场景的拓展,我国正在不断促进人工智能技术落地,大力培养人工智能应用型人才。 为了洞悉“后疫情”时代下计算机视觉领域专业人才的学习与工作现状、未来规划、发展瓶颈,了解企业与社会对计算机视觉领域的人才诉求,为政府、企业、高校、科研院所等产业链相关机构提供参考,极视角旗下开发者生态—极市平台、中国图象图形学学会与德勤联合推出《2020年度中国计算机视觉人才调研报告》。 如若想收藏本文报告.

weixin_48001217的博客 4813

5分钟上手GitHub_Trending/ai/AI-Scientist:零代码启动AI驱动科研项目

传统科研项目启动需要配置环境、编写代码、设计实验、分析结果,至少消耗72小时。而AI-Scientist实现了**从idea到论文的全自动化**,只需3步配置,即可让AI独立完成文献调研、实验设计、代码编写、结果分析和论文撰写。本文将带你零代码启动首个AI驱动的科研项目,**5分钟完成传统3天的工作量**。 读完本文你将获得: - 3步环境配置指南(无需Python基础) - 5种科研模板的应用...

gitblog_00919的博客 931

深度学习项目训练环境企业落地案例:某职教平台用该镜像开展AI实训课程体系建设

本文介绍了如何在星图GPU平台自动化部署深度学习项目训练环境镜像,以支持职业教育AI实训课程体系建设。该镜像预装了PyTorch等完整工具链,开箱即用,学生可快速开展图像分类、模型训练等AI实践,大幅提升教学效率和项目完成率。

weixin_31974443的博客 370
上一篇: 【从caffe到Tensorflow 1】io 操作
下一篇: 【学员分享】深度学习计算机视觉,两个星期从入门到上线
言有三
言有三 领域专家: 人工智能技术领域 领域专家: 人工智能技术领域
博客等级 码龄15年 3635粉丝 976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

打赏作者

言有三

三人行必有AI

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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