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
600+累计阅读
664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
大家好，欢迎来到我们的付费视频直播回放栏目，在这个专栏中我们会每一次针对某一个主题，做1～2个小时左右的直播，包含PPT讲解与答疑交流。
作者&编辑 | 言有三
本文主题与资源
主讲人：言有三
视频时长：80分钟
PPT页数：22页
直播主题
本次直播我们将分享如何准备计算机视觉的专业基础面试，包括工业界对人才的要求，从业基本素质，简历写作，在没有真实项目、优质科研产出和学历背景时如何展现自己，大小公司择业，以及真实的招聘需求和简历投递。
工业界有哪些重点需求(岗位和职能)
从业最基本的能力要求
简历的基本写作(宜忌)
没有真实项目怎么办
没有突出的科研产出怎么办
学校和学历不好怎么办
大公司小公司如何抉择
计算机视觉的未来走向何方
回放地址
点击边框调出视频工具条
点击边框调出视频工具条
软件工程毕业设计选题指南：50个实战项目与四维评估法
毕业设计是软件工程专业学生将理论知识转化为工程实践能力的关键环节。其核心在于通过一个完整的项目周期，系统性地应用软件工程方法，解决实际问题。从技术原理上看，一个成功的项目通常需要平衡创新性、可行性、实用性与技术深度，这构成了项目评估的基本框架。在技术价值层面，毕业设计不仅是学术成果，更是求职时展示技术栈掌握度、系统设计能力和解决问题思维的硬核凭证。当前，结合人工智能、物联网、微服务架构等前沿技术的项目，更能体现技术敏感性与工程实践的结合。应用场景广泛，从经典的电商平台、管理系统，到新兴的智能识别、数据推荐系
micro:bit是什么？小学生拿着它就能召唤神龙？
BBC希望micro:bit可以作为编程基础学习的跳板，让学生掌握编程知识后可以进一步使用更复杂的设备，例如Arduino、Raspberry Pi（树莓派）等，所以说micro:bit并非取代Arduino和Raspberry Pi（树莓派），反而是Arduino的基础延伸。micro:bit很小，只有卡片大小（5cm X 4cm），但板载的电子模块还是非常丰富的：5x5 LED显示屏，两颗可编程按键，加速度计，电子罗盘，温度光线传感器，低功耗蓝牙等。学会了这些，再发挥你的想象力，就可以召唤神龙了。
【Scratch】从入门到放弃（二）：在Scratch中使用 micro:bit
micro:bit 一款由英国广播电视公司(BBC)推出的专为青少年编程教育设计的微型电脑开发板。micro:bit 支持Scratch编程。如何在 Scratch3 上对 micro:bit 编程，并下载到开发板运行？
少儿编程-microbit入门
microbit入门，适合对少儿硬件编程感兴趣但无从下手的你
红日-VulnStack靶场-ATT&CK（二）：从Weblogic漏洞到域控渗透实战
本文详细解析了红日安全团队VulnStack靶场中从Weblogic漏洞到域控渗透的完整攻击链。通过实战演示Weblogic反序列化漏洞利用、Cobalt Strike持久化控制、域内信息收集及PsExec横向移动等关键技术，复现了企业内网渗透的典型场景，并提供了防御建议。
西门子S7-200 SMART PLC控制伺服电机
以下是使用西门子S7-200 SMART PLC控制伺服电机的详细程序框架和配置说明，涵盖硬件接线、PLC配置和基本运动控制逻辑。具体实现需根据伺服电机型号（如松下、三菱、台达等）调整参数。通过以上步骤，可实现伺服电机的基础位置控制。实际应用需根据设备机械参数和伺服驱动器手册调整细节。建议在调试时逐步测试脉冲输出和方向信号是否正常。
首期「线上开发」直播出炉！轻量算法+轻量开发：AI 小白也能上手实操的一款图像分类器...
几行代码，零基础AI小白也能上手开发图像分类器。5 月 16 日，早 9:30 直播等你，带你线上完成基于 TF2.2 的宠物分类器。进入 AI 时代，想成为一名 AI 开发者却不是一件...
第四篇：关于python程序打包的问题-找不到fsspec
这个问题困扰了我将近两天的时间一直找不到什么好的办法，甚至打算放弃。主要原因是身边没有可以述说的人，也没有可以请教的人。正在想要放弃的时候找到了解决办法。 打包后运行程序是这样的， 大概意思是找不见fsspec这个依赖，刚接触python说实话对于这些第三方库理解不是很到位，我的理解就是：类似于java程序中的jar包，程序找不见了。可怎么让他找见了，刚开始以为我自己没有安装fsspec，在cmd中进行了安装，结果如下图所示 很明显，已经安装并且安装目录都有，跟着网上的一些解决办法，在打包的时候把这.
【直播预告】算法技术：在企业工作，如何同时get科研成果与业务结果？
To互联网技术专业的同学们，9月开学正值高校求职季,同学们可能关心这些问题：互联网相关专业的学生如何寻找适合自己的职业发展道路？如何规划校园学习以便适应职场工作？校招生进入大型互联网公司...
DDR4协议规范之（一）DDR4结构和寻址
DDR4 SDRAM结构和寻址DDR4 SDRAM的封装和寻址新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 DDR4 SDRAM的封装和寻址 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习
【基于51】红外寻迹智能小车 - 代码篇
这是一个基于C51单片机的红外巡线智能小车，是一个适合嵌入式单片机、C语言初学者练习的小Demo，文章提供完整的项目思路、免费的源代码。
【杂谈】有三AI季划成员的4大专属权益，你是否已经利用好了？
有三AI季划成员是我们的付费用户，拥有一些专属权限，为了方便大家能够了解清楚，本次我们一次性集中进行介绍，至于什么是季划用户，可以阅读下文以及收听直播介绍。【杂谈】2020年如何长期、系...
使用 ArcGIS Pro 和 Google Earth Engine 可视化地表温度
在这项研究中，利用 Landsat 热数据通过各种方法检查了 2013 年和 2023 年恰纳卡莱省的地表温度变化。使用了 NDVI、大气层顶部、亮度温度、植被比例和地表温度等公式。研究结果表明，从热图像中获得的数据，特别是地表温度（LST），是土地解释的重要资源。恰纳卡莱 — 土耳其（土耳其）使用 ArcGIS 程序和 Google Earth Engine 对不同季节的卫星图像进行分析。
【直播课】6小时教你掌握轻量级网络，在安卓部署第一个深度学习模型
前言想要设计自己的神经网络，却不知道如何下手完成搭建？想获得更高的任务指标吗？想获得更快的运行速度吗？想获得更小的模型体积吗？想获得稳定可靠的性能吗？跑通了经典模型却不知道模型结构是什么样...
RuoYi(分离版) 使用代码生成器添加子模块(idea版)
文章目录准备一、使用代码生成器1.数据库2.导入表并生成代码二、导入代码文件1.新建一个模块2.导入zip代码文件3.模块环境配置添加菜单和访问地址总结 准备 前提要把系统启动起来，部分教程可以参考这边文章若依框架RuoYi前后端分离项目导入IDEA及运行启动 但是完全参考这篇文章还是不能把项目启动起来，因为这篇文章没有说明数据库。 我是用的是本地数据库，采用xampp+Navicat的组合来部署和访问数据库。打开Navicat，连接并创建数据库ry-vue并导入数据脚本ry_20191008.sql，q
基于 YOLOv26 的食品包装缺陷检测系统：智能视觉质检方案
本文提出了一种基于YOLOv26深度学习的食品包装缺陷智能检测系统。该系统能够自动识别多种常见包装缺陷，包括密封不良、破损、污染、标签错误等8类问题。相比传统人工检测方法，该系统具有高精度、多类别分类、实时推理等优势。文章详细介绍了系统架构，包含数据采集、预处理、YOLOv26检测模型和后处理四个核心模块，并提供了完整的环境配置和数据处理代码实现。该系统为食品包装行业提供了一种高效、准确的智能视觉质检解决方案。
【杂谈】言有三一门优快云视频课赚160万？你想的太、太、太多了
老熟人应该知道我是几乎不做视频课的，关于我不做视频课这件事还是要来解释一下，这关乎到我们一直以来的一个很重要的规划。一门课赚160万？今日之前，我有一门课挂在优快云平台上的，上面这个就...
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
【杂谈】从学生到讲师，我如何20天里在有三AI赚3万
各位有三AI的读者们，大家好呀！我是一名即将毕业的研究生，本次我来分享与有三 AI 的经历，希望对大家有所裨益。初识有三第一次认识有三AI是在三哥的一次公开课上。当时我正在备战国内的一家...
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")
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
大厂面试又崩了？这份CV资料请收好！
在互联网圈子中，有一句话流传甚广：得人工智能者得天下。人工智能的人才究竟有多稀缺？打开某知名招聘网站，搜索“人工智能”的关键字后，立刻跳出相当多的招聘岗位，而且那具有诱惑力的薪酬让人眼前...
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
【通知】有三AI带学习资料的固态硬盘最后5个
还记得今年年中时发布的有三AI定制版固态硬盘吗，年前最后一期还有5个，2个大号，3个小号，先到先得，下面是硬盘相关的具体细节介绍。硬盘产品细节本次我们的产品为固态移动硬盘，注意是固态硬盘...
3200人啦！这个自动驾驶黄埔军校真的有料~
自动驾驶之心一直投入较多时间维护的社区：“自动驾驶之心知识星球”已经近3200人了！说句心里话，社区就像个孩子一样，在大家细心的照料下，终于长大成人了。星球近期关于端到端方案也做了详细整理，主要关于端到端量产方案、端到端最新综述、端到端自动驾驶的一些思考、相关workshop、开拓与里程碑方法、纯视觉端到端、多模态端到端、世界模型与端到端、多任务学习与端到端、BEV与端到端、端到端的长尾分布、端到...
micro:bit 一款用于编程教育和硬件制作的微型计算机
认识micro:bit micro:bit是一款由英国广播电视公司（BBC）设计的一款袖珍计算机，体积虽小但功能强大，集成了种类丰富的电子模块和功能： 1）25个可独立编程的LED: Micro:bit有25个可以独立编程的LED灯，可以通过编程来让他们显示各种文字，数字表情，以及图像。他的LED灯也是一个坐标系。左上角是原点（0，0）。 2）2个可单独编程的按钮：可以通过编程来达到用按钮控制程序的目的。 3）光线感知：实际Micro:bit上没有光线传感器。但LED矩阵可以被用来感知周围的光，通过反复地将
玩转硬件之Micro:bit的玩法(六)——扫地机器人
扫地机器人通常配备多达13类传感器，这些传感器协同工作，让机器人感知更多的外界情景、更聪明，应对更多复杂的场景。但是对于实现扫地机器人最基础的功能只需要侦测传感器。
microbit与python编程_简单5步开始学习microbit编程-windows篇
探索如何使用micro:bit通过5个简单的步骤!可以在台式机(mac、pc、Chromebooks、Linux，包括Raspberry Pi)和移动设备上对micro:bit进行编程。由于Windows操作系统的使用比较广泛，今天先给大家介绍Windows系统下的使用方法。第一步:把它连接到你的Windows电脑上连接micro:bit到您的计算机使用微USB电缆。你的micro:bit将显示在...
Micro:bit - 功能引脚介绍
Micro:bit - 功能引脚介绍 基本介绍 Micro:bit的IO口，主要包括了GPIO，ADC，DAC，IIC，SPI，PWM等。具体详细介绍可以参考Micro:bit官网硬件介绍&amp;amp;amp;micro：bit开发者社区 Micro:bit拥有边缘连接端子引出引脚，其引出的引脚如下图所示: Micro:bit引出的引脚中，其引脚功能分类如下表所示： 引脚功能 引脚名 GPI...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
393
扫一扫
