【视频课】深度学习模型设计专栏拆分,最适合新手的经典网络设计理论与实战!...

基于深度卷积神经网络的目标检测研究综述 基于深度卷积神经网络的目标检测研究综述 人工智能技术与咨询 来自《光学精密工程》,作者范丽丽等 摘要:作为计算机视觉中的基本视觉识别问题,目标检测在过去的几十年中得到了广泛地研究。目标检测旨在给定图像中找到具有准确定位的特定对象,并为每个对象分配一个对应的标签。近年来,深度卷积神经网络DCNN(Deep Convolutional Neural Networks)凭借其特征学习和迁移学习的强大能力在图像分类方面取得了一系列突破,在目标检测方面,它越来越受到人们的重视。因此,如何将CNN应用于目.. 阅读详情

c21eaa7abd0bbd7e7b3e909d6aa95efc.jpeg

前言

欢迎大家关注有三AI的视频课程系列,我们的视频课程系列共分为5层境界,内容和学习路线图如下:

第1层:掌握学习算法必要的预备知识,包括Python编程,深度学习基础,数据使用,框架使用。

第2层:掌握CV算法最底层的能力,包括模型设计基础,图像分类。

第3层:掌握CV算法最核心的方向,包括图像分割,目标检测,图像生成,图像翻译,目标跟踪。

第4层:掌握CV算法最核心的应用,包括人脸图像,图像质量,视频分析,图像编辑。

第5层:掌握算法落地的关键技术,包括模型优化,模型部署。

0f46e437ab1ee5e8ff8b27b4fabcd6ae.jpeg

其中部分课程的主体内容已经更新完毕,比如数据使用/模型分析/图像分类/图像分割/目标检测/图像生成/图像翻译/视频分类/模型部署/模型优化/人脸图像检测与识别;部分课程正在重制更新中,比如人脸图像编辑;部分课程正在计划上线中,比如图像编辑,请大家及时关注!

最新的完整介绍如下:【总结】最专业最系统的CV内容,有三AI所有免费与付费的计算机视觉课程汇总(2022年6月)

cc1023a3722d9c593a215fa5a8703bb6.png

本次给大家介绍的课程内容是《深度学习之模型设计:经典网络篇》,目标是帮助新手同学掌握经典的深度学习模型设计理论与实战。

为什么要学习这门课程

深度学习的核心是什么,当然是“模型”,从CNN到GAN,再到Transformer,正是各类深度学习模型结构的快速发展才使得当前AI技术进展日新月异,其中模型的设计是整个深度学习领域的通用基础,不管是从头设计自己的神经网络,还是对已有模型进行优化获得更高的任务指标,更快的运行速度,获得更小的模型体积,都需要掌握各类网络的设计技巧,是深度学习算法工程师进阶的难点及必学点!

a5cd46521d625d357a5679873bf459d9.jpeg

为了让大家能够更加系统更加深入的掌握模型设计相关的内容,有三AI推出了《深度学习之模型设计-理论实践篇》系列课程,本次我们将该专栏进行了拆分,提练出其中最适合新手同学学习的经典网络理论与实战内容,让有经验有实力的讲师带你系统地入门学习。

模型设计-经典网络篇课程介绍

目前本课程内容聚焦于经典的CNN模型设计,下面是课程大纲脑图:

057a65930918edaf55f3008aec2e1f26.png

理论部分内容包括4节:第1节讲解经典浅层卷积网络设计,第2节讲解基于网络深度的模型设计,第3节讲解经典模型的宽度设计思想,第4节讲解基于网络宽度设计的模型。

实践部分内容包括2个:包括基于ResNet的垃圾分类实战,基于Inception的花卉分类实战。

718129999c7eb748775930c1077fb751.png

下面简单了解一下课程各部分的大体内容:

(0) 课程简介,包括本次课程的内容介绍。

(1) 经典浅层卷积模型的设计,讲解Neocognitron,TDNN,Cresceptron,LeNet等早期模型,本小节内容可以免费收听。

cd0d9f293ed5eed11dd9327c0aa71fd3.png

ff4bb464bd664c6bd11b104e77e51535.png

(2) 基于网络深度的经典卷积模型的设计,讲解AlexNet,VGGNet,ResNet等经典模型,本小节内容可以免费收听。

16ccabe02caced0828136757a47adcbe.png

dd9922f619dd46910329a118cee985b4.png

(3) ResNet垃圾分类实战,讲解数据预处理与读取,模型搭建与训练,模型测试,模型调优,本小节内容可以免费收听。

aa2199c490c4a6fc8bcd60042b88790c.png

1f13acc4bcf7f620799495e16c529656.png

(4) 经典卷积模型的宽度设计思想,讲解通道设计,通道补偿,多分支模型设计。

e24020b54e78452121dda4bd000b11f4.png

a9dc15982663cbe6c179799035ec2b67.png

(5) 经典卷积模型的宽度设计思想,讲解InceptionNet,ResNext,DenseNet等经典模型。

0d8319f66f164838a76b5a30473580d6.png

fe0fabba1d56fad01b1d1acaa4705aa9.png

(6) InceptionNet花卉图像分类实战,讲解Inception V1,Inception V2,Inception V3,Inception V4共4个版本模型的原理,搭建以及训练,测试。

3f9590796ee688d1bc7095547381881c.png

4c0a27caa6df7c7f4ac17eedf3be6651.png

b4f420d33310e2ba4d169336d5411025.png

dc414391f39cbc5301b54173005afb23.png

本课程适合人群:

(1) 所有学习人工智能/深度学习算法,并有志于从事该领域的人员。

(2) 掌握了Python,深度学习基础概念等预备知识的技术人员。

(3) 学习与从事计算机视觉领域的技术人员。

学习完本课程你将掌握:

(1) 经典的CNN模型原理。

(2) 熟悉Pytorch项目实践。

(3) 掌握计算机视觉项目的完整流程。

课程讲师介绍

本课程讲师为鲁健恒,大学老师,有三AI线上与线下课程讲师,《深度学习之模型设计》系列课程主讲人,SCI期刊IEEE ACCESS审稿人。专注于计算机视觉与人工智能领域,近期围绕人工智能领域,拥有4个发明专利授权,2个实用新型专利授权,以及1个软件著作权。

2e58107ebf38693bb492dff40636380f.png

如何获取本课程

订阅本课程的方法有三个:

其一:单独订阅《深度学习之模型设计-经典网络篇》专栏课程,本专栏定价为69,随着后续内容增加可能会进行价格调整,感兴趣的请提前订阅,链接如下:

ad4eaadc85b3525158ee8039b6e67410.jpeg

课程完整目录如下:

c86fcf490932e5dcb277e219e00b85d3.jpeg

《模型设计-经典网络篇》课程目录

其二:参加有三AI-CV秋季划模型算法组,不仅可以获得所有有三AI的模型设计与优化部署相关的课程,还可以获得私人一对一答疑与书籍,知识星球赠送,以及在有三AI团队参与企业项目研发的权限。

有三AI-CV秋季划模型算法组的介绍与订阅方式如下:【CV秋季划】模型算法与落地很重要,如何循序渐进地学习好(2022年言有三一对一辅导)?

e2b4858cd75dcabbc937a4f1ead1612c.png

课程设有交流群,大家在订阅课程后可以添加小助手入群:

271a0e32527a52a95caf95846faa7ded.png

b460f4d78e12467b48f6a6d240ecc4c0.jpeg

《CV基础》课程交流群

同时欢迎在深度学习领域有沉淀积累的同学加入有三AI生态,让更多人受益!

2e55a23fb68036988f0a75b85ac394bc.png

93aca3eec99fdba10337fdac19e1f40c.png

5c65f7cf62ef0ee0a67334c41e18f93f.png

往期相关

斯坦福CS231n作业代码(汉化)Assignment 2 Q4 编写:土豆 MoreZheng SlyneD 校对:碧海听滔 Molly 总校对与审核:寒小阳 本系列由斯坦福大学CS231n课后作业提供 CS231N - Assignment2 - Q4 - ConvNet on CIFAR-10 问题描述:使用IPython Notebook(现版本为jupyter notebook,如果安装anaconda完整版会内置),在Conv 阅读详情

相关推荐

【计算机视觉】轻量化模型设计:MobileNet、ShuffleNet与EfficientNet

轻量化模型设计:MobileNet、ShuffleNet与EfficientNet,人工智能、大模型、AI深度学习在计算机视觉领域取得了令人瞩目的进展,而MobileNet、ShuffleNet 和 EfficientNet 是轻量化模型领域的代表性成果,它们各自从不同角度对模型结构进行了创新,为在资源有限的情况下实现高性能的视觉任务提供了有效的解决方案。本文将深入探讨这三种轻量化模型的架构设计、核心概念、代码实现以及它们在实际应用中的表现和优势。

不踩坑,不知道坑有多深;不总结,踩过的坑白踩。 9万+

深度学习实战4-卷积神经网络(DenseNet)数学图形识别+题目模式识别

文章目录 一、前期工作 设置GPU 导入预处理词库类 二、导入预处理词库类 三、参数设定 四、创建模型 五、训练模型函数 六、测试模型函数 七、训练模型与预测 大家好,今天给大家带来一个卷积神经网络(CNN)数学图形识别项目(简单入门版),这个是人工智能解题的基础,机器首先通过题目识别出题目中的文字和图形,读懂题目的含义,这个是个相对复杂的过程。就在今年的1月4日,麻省理工学院等四所高校的联合研究团队,发布了一项最新研究成果:他们开发了一个神经网络,可以解答出微积分、线性代数等大学数学题。不管是要求计算

微学AI的博客 4040

python课程设计大作业-PyTorch实现图像识别基于卷积神经网络的识别方法RMB.zip

python课程设计大作业—PyTorch实现图像识别基于卷积神经网络的识别方法RMB。已获导师指导并通过的高分项目。 python课程设计大作业—PyTorch实现图像识别基于卷积神经网络的识别方法RMB。已获导师指导并通过的高分项目。python课程设计大作业—PyTorch实现图像识别基于卷积神经网络的识别方法RMB。已获导师指导并通过的高分项目。python课程设计大作业—PyTorch实现图像识别基于卷积神经网络的识别方法RMB。已获导师指导并通过的高分项目。python课程设计大作业—PyTorch实现图像识别基于卷积神经网络的识别方法RMB。已获导师指导并通过的高分项目。python课程设计大作业—PyTorch实现图像识别基于卷积神经网络的识别方法RMB。已获导师指导并通过的高分项目。python课程设计大作业—PyTorch实现图像识别基于卷积神经网络的识别方法RMB。已获导师指导并通过的高分项目。python课程设计大作业—PyTorch实现图像识别基于卷积神经网络的识别方法RMB。已获导师指导并通过的高分项目。

深度学习、机器学习方向计算机毕业设计题目大全(算法应用实践类)

(吐血整理) 手动整理了1500多个深度学习及机器学习相关算法在实际应用中的项目,完全可以作为本科生当前较新的毕业设计题目选择方向。讲道理有些题目,比如“用户评分的隐式成分信息的研究”这种题目取的就比较广,有点科学研究的味道,如果真的去做,还是比较有技术含量的。因为其下一步的应用是具有广阔前景的。还有部分项目可能需要大量的数据集,收集的收集和整理比较麻烦。另外对自己电脑的要求也比较高。大家在选择...

haosen 5万+

【数据分析与挖掘实战】金融风控之贷款违约预测详解1(有代码和数据集)

金融风控一.题目理解1.1.题目概况1.2数据概况1.3预测指标二.数据来源三.查看数据四.分类指标计算示例4.1混淆矩阵4.2准确度4.3precision(精确度),recall(召回率),f1-score4.4P-R曲线4.5ROC曲线4.6AUC曲线4.7KS值五.数据分析5.1基本信息5.2查看数据集中特征缺失值,唯一值等5.3查看特征的数值类型有哪些,对象类型有哪些5.3.1数值连续型变量分析5.3.2非数值类别型变量分析5.3.3总结:5.4变量分布可视化5.4.1单一变量分布可视化 更新中~

m0_49263811的博客 1万+

HDR视频技术之七:逆色调映射

HDR 技术说是继 4K 之后视频领域的又一次重大技术突破,不仅提高图像的动态范围,同时也提供了更宽的色域,并提升了画面在高光和暗部的细节信息,带给观看者更加真实的视觉体验。但作为 HDR 产业链的核心,内容短缺的问题仍然是 HDR 普及和成熟的重要限制因素。众多电视厂商将 HDR 技术作为其产品规划中的重要技术,主要是在硬件方面进行提升。而由于 HDR 内容制作对于设备要求较高,对采集、调色、显示等多方面都需要较高的质量要求,内容制作的复杂度和周期长等因素,导致了 HDR 内容的匮乏。

多媒体开发者 2430

毕业设计-基于卷积神经网络的花卉图片识别

毕业设计-基于卷积神经网络的花卉图片识别:花卉识别是图像识别领域中最热门的研究课题之一,目前已广泛应用在智慧农业等领域。花卉是具有观赏价值的草本植物的统称。目前,我国拥 有世界最大规模的花卉种植产业,截至 2020 年,我国花卉 零售市场规模为 1876.6 亿元,花卉种植面积约 150 万 hm2 , 花卉企业约 49 540 个,行业从业人员 481 万人。随着产业规 模的不断扩大,高效、高准确率的花卉识别技术显得尤为关 键。传统花卉识别方式主要依靠人工观察进行分辨,效率较 低,且对专业知识有着一定的要

Hai_Lang_IT的博客 3591

OpenVins解析:基于滤波框架的SLAM

这一方式存在的关键问题是匹配耗时很长,对性能影响显著。可以参考ORBSLAM3中的匹配方式来对其优化,比如左右目匹配可以在极线上搜索,前后帧可以利用运动先验投影匹配。理论上加入路标点会提升精度,代价是增加了计算量。着重说下基于描述子的匹配:OpenVins中匹配的方式是robust_match(),里面是调用的opencv的。openvins中不仅仅进行了传统的MSCKF更新(状态向量中不包含路标点),还在。中进行了包含路标点的估计更新。图像帧到来时,利用IMU递推得到的位姿给该图像帧赋初值。

qq_18076309的博客 4079

毕业设计 - 题目:基于深度学习卷积神经网络的花卉识别 - 深度学习 机器视觉

1 项目背景 在我国有着成千上万种花卉, 但如何能方便快捷的识别辨识出这些花卉的种类成为了植物学领域的重要研究课题。 我国的花卉研究历史悠久, 是世界上研究较早的国家之一。 花卉是我国重要的物产资源, 除美化了环境, 调养身心外, 它还具有药用价值, 并且在医学领域为保障人们的健康起着重要作用。 花卉识别是植物学领域的一个重要课题, 多年来已经形成一定体系化分类系统,但需要植物学家耗费大量的精力人工分析。 这种方法要求我们首先去了解花卉的生长环境, 近而去研究花卉的整体形态特征。 在观察植株形态特征时尤其是

HUXINY的博客 3万+

Halcon实战:5分钟搞定工业零件中的圆孔检测(附完整代码)

本文详细解析了如何利用Halcon的hough_circle算法在5分钟内高效完成工业零件中的圆孔检测。通过优化图像采集、智能预处理和参数化边缘检测,解决了金属反光、油污干扰等工业场景常见问题,并提供了完整的代码示例和实战案例,显著提升检测精度和效率。

weixin_29061997的博客 241

别只当玩具!聊聊这个555金属探测器电路背后的电磁感应与RLC调谐原理

本文深入解析了555金属探测器电路的工作原理,重点探讨了电磁感应与RLC调谐原理。通过分析电感线圈的电磁特性、RLC谐振电路的行为以及555定时器的多重功能,揭示了这一看似简单的装置如何实现金属检测。文章还提供了灵敏度优化方案和常见问题解决方法,帮助读者从科学角度理解这一实用技术。

weixin_29204205的博客 481

代码实现卷积操作

问题解答 传统卷积运算是将卷积核以滑动窗口的方式在输入图上滑动,当前窗口内对应元素相乘然后求和得到结果,一个窗口一个结果。相乘然后求和恰好也是向量内积的计算方式,所以可以将每个窗口内的元素拉成向量,通过向量内积进行运算,多个窗口的向量放在一起就成了矩阵,每个卷积核也拉成向量,多个卷积核的向量排在一起也成了矩阵,于是,卷积运算转化成了矩阵乘法运算。下图很好地演示了矩阵乘法的运算过程: 将卷积运算转化为矩阵乘法,从乘法和加法的运算次数上看,两者没什么差别,但是转化成矩阵后,运算时需要的数据被存在连.

qq_23413535的博客 3003

项目管理——14规划绩效域论文套路

规划绩效域论文套路

Flee Elf 1153

基于深度卷积神经网络的图像网络分类

摘要        我们训练了一个大型的、深层的卷积神经网络,将ImageNet lsvrc-2010比赛中的120万张高分辨率图像分类为1000个不同的类别。在测试数据上,我们实现了前1位和前5位错误率分别为37.5%和17.0%,这比以前的先进水平要好得多。神经网络,有6000万个参数和65万个神经元,由五个卷积层组成,其中一些是最大池化层,三个完全连接的层,最后是1000路的Softmax...

weixin_38241876的博客 8884

C#上位机实战:PLC与检测设备无缝对接,构建产品质量实时判定系统

本文分享了基于C#开发的汽车零部件质量检测系统实现经验。系统采用三层架构:设备层(PLC/视觉相机/三坐标)、通信层(OPC UA/SDK/串口)和应用层(数据采集/判定/存储)。重点解决了三大技术难点:1)通过OPC UA订阅模式将PLC通信延迟从500ms降至50ms;2)反编译厂商Demo破解视觉SDK对接难题;3)采用时间戳+产品ID实现多设备数据同步。系统上线后质检人员减少67%,误判率降至0.5%,数据追溯效率显著提升。文章强调工业场景下稳定性优先于技术复杂度,实用经验值得借鉴。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 802

PCL 法向量夹角剔除错误匹配点对【2026最新版】

实现了一种简单的基于对应点法线角度的对应关系去除方法。博客长期更新,本文最新更新时间为:2026年5月24日。

点云侠的博客 41万+

深度卷积网络之Inception

源自 吴恩达 老师的深度学习课程。 对已学知识做个小结。 深度卷积网络之Inception Outline Classic networks: LeNet-5 AlexNet VGG ResNet Inception(GoogLeNet) 3 Inception(GoogLeNet) 思想 Inception 网络不需要人为决定使用哪个过滤器或者是否需要池化,而是由网络 自行确定这些参数,你可以给网络添加这些参数的所有可能值,然后把这些输出连接起来,让网络自己学习它需要什么样的参数,采用哪些.

qq_38939991的博客 296

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

毕业设计 - 基于人工智能的图像分类算法研究与实现 - 深度学习卷积神经网络图像分类

文章目录0 简介1 常用的分类网络介绍1.1 CNN1.2 VGG1.3 GoogleNet2 图像分类部分代码实现2.1 环境依赖2.2 需要导入的包2.3 参数设置(路径,图像尺寸,数据集分割比例)2.4 从preprocessedFolder读取图片并返回numpy格式(便于在神经网络中训练)2.5 数据预处理2.6 训练分类模型2.7 模型训练效果2.8 模型性能评估3 1000种图像分类4 最后-毕设帮助 0 简介 Hi,同学们好,今天学长想大家介绍基于人工智能的图像分类技术,涉及到的知识有:深度

HUXINY的博客 1万+

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

基于图像超分辨率的深度卷积网络的学习

摘要。我们提出了一种用于单图像超分辨率(SR)的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端对端映射。 映射表示为一个深层卷积神经网络(CNN)[15],它将低分辨率图像作为输入,并输出高分辨率图像。我们进一步表明,传统的基于稀疏编码的SR方法也可以看作是一个深层卷积网络。 但不同于传统方法分别处理每个组件,我们的方法联合优化所有层。 我们的深层CNN具有轻量的结构,但展示了最先进的恢

Benson的学习笔记 2万+

毕业设计-基于深度卷积神经网络的焊缝图像滤波系统

毕业设计-基于深度卷积神经网络的焊缝图像滤波系统:线结构光传感具有非接触、抗干扰能力强和获 取信息丰富等优点,因此成为目前视觉焊缝跟踪 系统中使用广泛的传感方式之一。而在进行焊缝跟 踪时,焊缝图像采集和传输过程中会受到反射光、 电磁波等诸多因素干扰,从而在焊缝图像中有很多 噪声,导致图像结构被破坏,进而降低了图像分割、 特征提取、图像分析等后处理任务的效率和质量。 因此,滤波是焊缝图像处理中的一个必要环节。 图像中常见的噪声种类很多,主要包括高斯噪 声、椒盐噪声、泊松噪声等。图像滤波是去除噪声 最常用的方式

Hai_Lang_IT的博客 765

《基于卷积神经网络(CNN)的网络流量分类》优秀本科毕设实验总结

《基于卷积神经网络(CNN)的网络流量分类》本科毕设实验总结 从毕业设计完成到现在不知不觉已经大半年了,依稀记得当时毕设双选时给老师发邮件时的忐忑,老师给我答复时的喜悦。在毕业设计的过程中,遇到过许多困难。刚开始看文献综述的时候都是陌生的概念,寸步难行,面临难题时有时候想了很长时间但是就是想不出来解决方案,但是等到熬过概念输入的时期,耐心分析出问题的原因时那种豁然开朗的感觉真的很美妙。在研究的期间,我收获的不仅仅是专业的知识,更宝贵的是遇到问题的处理方法,怎么发现问题,分析问题,解决问题,总结问题。如何保持

AidenZhang1998的博客 1万+

毕业设计:深度学习卷积神经网络垃圾分类系统 - 深度学习 神经网络 图像识别 垃圾分类 算法 小程序

毕业设计:深度学习卷积神经网络垃圾分类系统 - 深度学习 神经网络 图像识别 垃圾分类 算法 小程序 所得的垃圾图片数据集中有40个二级类别,图片数量合计 14802张。由图3-1可以看出,各个垃圾类别的图像数据量不均衡,其中图片数据量较少的类别有:类别0(一次性快餐盒)、类别3(牙签)、类别20(快递纸袋);数据量较多的类别是:类别11(菜叶根)、类别21(插头电线)、类别25(毛绒玩具)。

HUXINY的博客 2万+

吴恩达 deeplearning.ai课程-卷积神经网络 (2)深度卷积模型-实例探究

继续参考来源:https://blog.csdn.net/red_stone1/article/details/78769236https://blog.csdn.net/koala_tree/article/details/78531398有关CNN典型架构的发展:https://blog.csdn.net/kangroger/article/details/56522132#googlenet...

Indus_permanent的博客 712

深度学习卷积神经网络案例及课程总结

深度学习是一种基于神经网络的机器学习技术,通过多层网络结构实现对数据的特征学习和分类。在学习深度学习课程期间,我对深度学习的基本概念、原理和应用有了更加深入的了解,并通过编写代码实践加深了对深度学习的理解。在深度学习的学习过程中,我学习了许多深度学习的经典模型,如卷积神经网络、循环神经网络、生成对抗网络等。这些模型都有其独特的优点和适用范围,可以用来处理不同类型的数据和任务。其中,我认为卷积神经网络应用最广泛,特别是在计算机视觉领域中,卷积神经网络被广泛应用于图像分类、目标检测、图像分割等任务中。

weixin_55069849的博客 613

毕业设计-卷积神经网络分类器的设计及实现【源码+文章】可定制

CNN在本质上是一种输入到输出的映射,它能够学习大量的输入与输出之间的映射关系,而不需要任何输入和输出之间的精确的数学表达式,只要用已知的模式对卷积网络加以训练,网络就具有输入输出对之间的映射能力。分类器的设计使用主要分为三个步骤,首先选择样本数据集,将所有样本分成两部分,训练样本和测试样本。该层相当于多层感知机,其在整个卷积神经网络中起到分类的作用,通过前面多个“卷积-激活-池化”层的处理,待处理的数据特性已有了显著提高,全连接层输入的数据经过反复提纯过的结果,因此输出的分类品质要高得多。

qq_19657403的博客 428
上一篇: 【项目实战课】基于Pytorch的EfficientNet血红细胞分类竞赛实战
下一篇: 【百战GAN】StyleGAN原理详解与人脸图像生成代码实战
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