Java_chain的博客

一、前言大家都知道，深度学习是学习人工智能必不可少的知识点，有着非常非常重要的位置。我相信很多人都知道这本书，毕竟名气在那里了，不过为了照顾刚入门的小伙伴，迪迦还是给大家介绍一下这本书。该书为人工智能行业的几位大佬所著，其中囊括了数学及相关概念的背景知识，包括线性代数、信息论、概率论、数值优化以及机器学习的相关内容，它还调研了诸如NLP、语音识别、计算机视觉、推荐系统、生物信息等的应用。被大家尊称为深度学习AI圣经！这本书我读完了实体的，我也有中文电子版的，如果大家需要的话，添加助理威信即可

今天我们演示如何在生产环境中使用Keras、Redis、Flask 和 Apache 进行深度学习迪迦自己这么多年也整理了不少关于人工智能的学习资料（内含学习路线图、两大深度学习框架视频、图像识别、OpenCV、计算机视觉、深度学习与神经网络等等等等视频、代码、书籍PPT），如果大家需要也是可以免费分享给你们的，添加助理威信即可免费获取！项目结构keras-complete-rest-api├── helpers.py├── jemma.png├── k...

前言应广大粉丝要求，今天迪迦来和大家讲解一下如何去入门人工智能，也算是迪迦对自己学习人工智能这么多年的一个总结吧，本条学习路线并不会那么机械化，而是除了根据专业的学习知识外，也有加入迪迦自己入坑这么多年的一个经验来制作的。毕竟坑我已经走过一次了，所以非常清楚正在学习路上小伙伴的难处，废话不多说，我们先来看下这条学习路线的总体讲解流程，我也会把对应知识点的推荐教程告诉大家：肝了7天7夜，大家给个点赞、转发吧，也非常欢迎关注迪迦一起学习交流！文末还给大家准备了福利！1、Python：小甲鱼（B站

神经网络很萌的！0. 分类神经网络最重要的用途是分类，为了让大家对分类有个直观的认识，咱们先看几个例子：垃圾邮件识别：现在有一封电子邮件，把出现在里面的所有词汇提取出来，送进一个机器里，机器需要判断这封邮件是否是垃圾邮件。 疾病判断：病人到医院去做了一大堆肝功、尿检测验，把测验结果送进一个机器里，机器需要判断这个病人是否得病，得的什么病。 猫狗分类：有一大堆猫、狗照片，把每一张照片送进一个机器里，机器需要判断这幅照片里的东西是猫还是狗。这种能自动对输入的东西进行分类的机器，就叫做分类器。..

前言人工智能这个行业，在大多数人的心中都以为还需要很长一段时间才能实现，但其实是我们把人工智能想得太抽象化了，人工智能已经广泛的应用在我们的生活当中了，比如：无人驾驶、智慧语音、医疗检测、人脸识别、智能化养老等等比比皆是。这个一毕业就可拿30W年薪的热门岗位，其实有很多人已经开始入局了，特别是一些之前做其它编程语言的程序员占大头，毕竟这也是一个风口，我从业人工智能算法岗4年多了，今天给大家讲讲从零开始学习人工智能的7个步骤！如果你觉得有所帮助，给迪迦一个点赞、关注即可！记得一定要收藏！避免之后找

导语"黑白变彩色，就是这么简单"老照片上色，是一门功夫，费时费力。老照片上色，也是一门艺术，还原历史。提起老照片上色，小编第一个想到了的就是一位名叫Marina Amaral的艺术家，她将历史上很多著名的老照片，都用后期处理的方式填补上了颜色。逼真、写实，看不出丝毫的漏洞，你对她的作品有多钦佩，也就意味着这项技艺有多复杂。所以，你想学习老照片上色吗？也想把父母的照片，或者儿时的黑白照变成彩色的吗？领完再看！迪迦给大家准备的250G人工智能学习资料礼包（内含：两大Py.

本文演示如何使用 OpenCV 和 Python 识别图像中的数字。在本教程的第一部分，我们将讨论什么是七段显示器，以及我们如何应用计算机视觉和图像处理操作来识别这些类型的数字（不需要机器学习！）小福利：领完再看！迪迦给大家准备的250G人工智能学习资料礼包（内含：两大Pytorch、TensorFlow实战框架视频、图像识别、OpenCV、计算机视觉、深度学习与神经网络等等等视频、代码、PPT以及深度学习书籍）只需要你点个关注，然后扫码添加助手小姐姐VX即可无套路领取！ 扫码添加.

文章目录机器学习基础知识之概率论的Matlab描述概率的图像（二） 一、引言 二、实际的Matlab的应用 1、F分布 2、泊松分布 3、指数分布 4、均匀分布 5、二项分布 6、这个是求一组随机数据的平均值 7、试生成一组40000个正态分布随机数，使其均值为0.5，标准差为1.5，试分析这样的数据实际的均值、方差、标准差等。 8、求解协方差 9、求解相关系数矩阵 10、求解各阶矩 11、求解集合均值 12、求解调和平均 13、求解中值小福利：领完再看！迪迦给大家准备的

OpenMV 从入手到跑TensorFlow Lite神经网络进行垃圾分类一、了解OpenMV 4 plus的构成1.OpenMV 4 plus 的特点 1.1 硬件资源 1.2 引脚图 2.可用的学习资源二、建议的学习路线1.学习python基础语法 2.练习OpenMV的基础实验 2.1 安装软件 2.2 了解基础环境使用方法并连接设备 2.3 常用基础例程 2.3.1 查找例程方法三、一点教程1.常用的延时写法 2.如何 点亮or熄灭 一个LED灯

任务描述：识别这种停车场图的 空车位 与 被占用车位识别流程：预处理 -> 获得车位坐标的字典 -> 训练VGG网络进行二分类img_process 图像预处理过程粉丝福利：领完再看！配套资料以及迪迦给大家准备的250G人工智能学习资料礼包（内含：两大Pytorch、TensorFlow实战框架视频、图像识别、OpenCV、计算机视觉、深度学习与神经网络等等等视频、代码、PPT以及深度学习书籍）只需要你点个关注，然后扫码添加助手小姐姐VX即可无套路领取！扫码添..

PyTorch是一个非常有可能改变深度学习领域前景的Python库。我尝试使用了几星期PyTorch，然后被它的易用性所震惊，在我使用过的各种深度学习库中，PyTorch是最灵活、最容易掌握的。在本文中，我们将讲解如何入门PyTorch，包括基础知识和案例研究。还将分别在numpy和PyTorch中从零开始构建神经网络，以了解它们在实践中的相似处与区别。目录·PyTorch的概述 ·深入研究技术细节 ·在Numpy和PyTorch中分别构建神经网络并进行对比 ·与其它深度学习库比较

文末有人工智能学习资料大礼包（内含：两大Pytorch、TensorFlow实战框架视频、图像识别、OpenCV、计算机视觉、深度学习与神经网络等等等视频、代码、PPT以及深度学习书籍）推荐个学习路线图，还有几个网站和相关书籍，希望对你有帮助吧~一、作为程序员可以在掌握了数学、python的基础上多了解机器学习等，并通过项目实操多参与实践。知识体系首先要做到应用。这对于熟练python的程序员有一定优势， 同时需要对机器学习和深度学习有一定了解，能用tensorflow做一些模型训练。

文末有福利！计算机视觉是人工智能技术的一个重要领域，打个比方（不一定恰当），我认为计算机视觉是人工智能时代的眼睛，可见其重要程度。计算机视觉其实是一个很宏大的概念，下图是有人总结的计算机视觉所需要的技能树。如果你是一个对计算机视觉一无所知的小白，千万不要被这棵技能树吓到。没有哪个人能够同时掌握以上所有的技能，这棵树只是让你对计算机视觉有个粗浅的认识。先来打点鸡血，看看计算机视觉有什么用吧。下面的视频是计算机视觉在自动驾驶上的实际应用，其中涉及立体视觉、光流估计、视觉里程计、三维物体检测与识别

很多人考虑到Yolov5的创新性不足，对算法是否能够进化，称得上Yolov5而议论纷纷。但既然称之为Yolov5，也有很多非常不错的地方值得我们学习。不过因为Yolov5的网络结构和Yolov3、Yolov4相比，不好可视化，导致很多同学看Yolov5看的云里雾里。因此本文，主要对Yolov5四种网络结构的各个细节做一个深入浅出的分析总结，和大家一些探讨学习。小福利：领完再看！迪迦给大家准备的250G人工智能学习资料礼包（内含：两大Pytorch、TensorFlow实战框架视频、图像识别、Op

编辑导语：人工智能从诞生以来，其理论和技术日益成熟，应用领域也不断扩大。本篇作者给我们介绍了人工智能的十大技术及其相关应用，一起来看看吧。人工智能发展到现在已经将近有80年的历史。近日来特斯拉也说了自己不是汽车公司，是可再生能源公司、是机器人公司、是人工智能公司，特斯拉也明确表示未来人工智能汽车自动化驾驶的方向是视觉识别+机器学习。人工智能从诞生以来，其理论和技术日益成熟，应用领域也不断扩大，接下来我将给大家介绍下人工智能的十大技术及其相关应用。小福利：一、问题求解人工智能的.

Faster R-CNN的极简实现：github: simple-faster-rcnn-pytorch本文插图地址（含五幅高清矢量图）：draw.io小福利：领完再看！迪迦给大家准备的250G人工智能学习资料礼包（内含：两大Pytorch、TensorFlow实战框架视频、图像识别、OpenCV、计算机视觉、深度学习与神经网络等等等视频、代码、PPT以及深度学习书籍）只需要你点个关注，然后扫码添加助手小姐姐VX即可无套路领取！扫码添加即可1 概述在目标检测领域...

一、前言文末有福利！在我们要用pytorch构建自己的深度学习模型的时候，基本上都是下面这个流程步骤，写在这里让一些新手童鞋学习的时候有一个大局感觉，无论是从自己写，还是阅读他人代码，按照这个步骤思想（默念4大步骤，找数据定义、找model定义、(找损失函数、优化器定义)，主循环代码逻辑），直接去找对应的代码块，会简单很多。二、基本步骤思想所有的深度学习模型过程都可以形式化如下图：分为四大步骤：1、输入处理模块(X 输入数据，变成网络能够处理的Tensor类型)2、模型构建.

粉丝福利：开始之前，迪迦给大家准备的250G人工智能学习资料礼包（内含：两大Pytorch、TensorFlow实战框架视频、图像识别、OpenCV、计算机视觉、深度学习与神经网络等等等视频、代码、PPT以及深度学习书籍）只需要你点个关注，然后扫码添加助手小姐姐VX即可无套路领取！扫码添加即可项目描述：使用openCV设计算法处理车辆前置摄像头录下的视频，检测车辆前方的车道，并计算车道曲率项目代码地址：https://github.com/yang1688899/Car...

前言Amusi 发现一个很棒的开源项目，利用YOLOv5进行目标检测的"落地化"应用：安全帽佩戴检测。该项目使用了YOLOv5s、YOLOv5m、YOLOv5l来训练安全帽佩戴检测数据集，代码和权重均已开源！安全帽佩戴检测数据集也是开源的（共含7581 张图像）！项目教程也相当详细，推荐入门练手学习！而且有意思的是，该项目和数据集的两位作者均是中国人，点赞！项目链接（文末附下载）：https://github.com/PeterH0323/Smart_Construction数据集链

文末有迪迦给你们准备的超级福利哦！这里推荐一份超强NLP打怪升级路线图。从0到1，你需要的都在这里了：这份精致的资源刚刚上线，不到一天Reddit热度就超过400，获得了连篇的赞美和谢意：“肥肠感谢。”“我需要的就是这个！”“哇，真好啊！”所以，这套丰盛的思维导图，都包含了哪些内容？四大版块就算你从前什么都不知道，也可以从第一个版块开始入门：1 概率&统计从中间的灰色方块，发散出5个方面：基础 (Basic) ，采样 (Sampling) 、信息理

文末有迪迦给大家准备的人工智能学习资料福利！先说结论：目前Tensorflow还没有被Pytorch比下去，但之后极大概率被比下去。作为谷歌tensorflow某项目的Contributor，已经迅速弃坑转向Pytorch了。1.目前，在学术界Pytorch已经超越Tensorflow在题目的补充内容中，包含大量的“学术界Pytorch比Tensorflow更有优势”的证据，因此不再多说，直接看题目中的数据即可，Pytorch因其简单易上手，而被广大Researcher所使用。道理很简单

要求分析建立一个模型，用25000张标记好的猫狗图片训练模型，最后用125000张猫狗图片进行测试, 最终目标是能够让模型有更好的正确识别率（期望值：>=80%） 模型需要选用VGG模型 本次测试和训练的图片数量较小，如果没有GPU，依靠CPU也可以完成任务分步构建网络1.检测是否存在GPU设备这一步骤的目的是查看当前环境下是否有GPU设备可以用于加速训练import numpy as npimport matplotlib.pyplot as pltimport os

咱们废话不多说，先看成果~中级 - 0.74秒 3BV/S=60.81相信许多人很早就知道有扫雷这么一款经典的游（显卡测试）戏（软件），更是有不少人曾听说过中国雷圣，也是中国扫雷第一、世界综合排名第二的郭蔚嘉的顶顶大名。扫雷作为一款在Windows9x时代就已经诞生的经典游戏，从过去到现在依然都有着它独特的魅力：快节奏高精准的鼠标操作要求、快速的反应能力、刷新纪录的快感，这些都是扫雷给雷友们带来的、只属于扫雷的独一无二的兴奋点。小福利：领完再看！迪迦给大家准备的250G人工智能学习资料礼..

文末有迪迦给大家准备的人工智能学习资料礼包（内含：两大Pytorch、TensorFlow实战框架视频、图像识别、OpenCV、计算机视觉、深度学习与神经网络等等等视频、代码、PPT以及深度学习书籍）前言本文介绍了如何使用 PyTorch Lightning 构建高效且快速的深度学习管道，主要包括有为什么优化深度学习管道很重要、使用 PyTorch Lightning 加快实验周期的六种方法、以及实验总结。当 Alex Krizhevsky、Ilya Sutskever 和 Geoffrey H

首先，我感觉不必认为DNN、CNN、RNN完全不能相提并论。从广义上来说，NN（或是更美的DNN）确实可以认为包含了CNN、RNN这些具体的变种形式。在实际应用中，所谓的深度神经网络DNN，往往融合了多种已知的结构，包括卷积层或是LSTM单元。但是就题主的意思来看，这里的DNN应该特指全连接的神经元结构，并不包含卷积单元或是时间上的关联。因此，大家一定要将DNN、CNN、RNN等进行对比，也未尝不可。其实，如果我们顺着神经网络技术发展的脉络，就很容易弄清这几种网络结构发明的初衷，和他们之间本质的区别，希

0. 背景写这篇教程的初衷是很多朋友都想了解如何入门/转行机器学习，搭上人工智能这列二十一世纪的快车。文章的宗旨是：1. 指出一些自学的误区 2. 不过多的推荐资料 3. 提供客观可行的学习表 4. 给出进阶学习的建议。福利：免费赠送大家200G人工智能学习资料礼包（见下文）这篇文章的目标读者是计划零基础自学的朋友，对数学/统计/编程基础要求不高，比如：在读学生 非计算机行业的读者 已经工作但想将机器学习/数据分析和自己的本职工作相结合的朋友1. 自学机器学习的误区和陷阱1.1. ..

简介牛顿法，英文名称BFGS，是求解非线性优化问题的最有效的方法之一。特点收敛速度快；方式牛顿法是迭代算法，每一步需要求解目标函数的海塞矩阵的逆矩阵，计算比较复杂（后续会讲解拟牛顿法，拟牛顿法通过正定矩阵近似海塞矩阵的逆矩阵或海塞矩阵，简化了这个过程。分析考虑无约束最优化问题min⁡x∈Rf(x)\min_{x \in R} f(x)minx∈R​f(x)其中x∗x^*x∗为目标函数的极小点。 假设f(x)具有二阶连续偏导数，若第k次迭代值为x(k)x^{(k)}x

文末给大家准备了自学人工智能的系统学习资料！看完有份！GitHub上，有个新发布的深度学习教程，叫PracticalAI，今天刚刚被PyTorch官方推荐，已经收获2600多标星。项目基于PyTorch，是从萌新到老司机的一条进阶之路。这条路上每走一步，都有算法示例可以直接运行。新手可以从基础的基础开始学起，不止线性规划和随机森林，连笔记本怎么用，NumPy等重要的Python库怎么用，都有手把手教程。到中后期，可以学着搭高级的RNN，厉害的GAN，这里还有许多实际应用示例可以跑。毕竟，

前言最近整理以前的笔记，发现还是写了一些文章的，以前都是记录在自己的笔记空间，没有分享，打算逐步进行分享，笔记的内容有工程方面的、有算法方面的，比较杂。线性模型的基本形式 输入：x=（x1；x2；x3；...；xd)。表示：示例有d个属性，xi表示第i个属性；y表示输入x的标记。（x，y）组成样本点。 输出：通过训练样本集，学习一个通过属性的线性组合进行预测的函数 f(x) = w1x1 + w2x2 + w3x3 + ... + wdxd； 一般用向量形式写成：

从今天开始，迪迦开始给大家用大白话讲解关于AI-机器学习的内容，通俗易懂！关于机器学习一共有四期，我会保持每天更新！我花了半个月时间整理了整整200G的人工智能网盘资料，可以免费分享给大家，希望对大家的学习有所帮助，需要的朋友扫码添加助手小姐姐微信即可免费领取！概述感知机1957年由Rosenblatt提出，是神经网络与支持向量机的基础，对神经网络的学习与深度学习有着重要的意义。 感知机（ perceptron）是二类分类的线性分类模型，其输入为实例的特征向量，输出为实例的类别，取+1和-