spylyt的专栏

http://cv-tricks.com/tensorflow-tutorial/save-restore-tensorflow-models-quick-complete-tutorial/ 什么是TF模型：在训练一个神经网络模型后，你会保存这个模型未来使用或部署到产品中。所以，什么是TF模型？TF模型基本包含网络设计或图，与训练得到的网络参数和变量。因此，TF模型具有两个主要文件： a)me

只需要conda环境，完全不需要vs，cmake，气人python版本：3.6方法一：（容易与tensorflow，matplotlib等冲突）命令：参考：https://www.learnopencv.com/install-dlib-on-windows/conda install -c conda-forge dlib=19.4版本搜索如下：conda sear...

OPENVINO模型优化OPENVINO开发环境部署参考1：https://software.intel.com/en-us/openvino-toolkit/choose-download/free-download-linux参考2：https://software.intel.com/en-us/articles/OpenVINO-ModelOptimizer模型来源https:/...

实时人脸检测准备工作硬件：Raspberry pi 3B+ 、piCAM、 NCS2代码# import the necessary packagesfrom __future__ import print_functionfrom imutils.video.pivideostream import PiVideoStreamfrom imutils.video import FP...

Raspberrypi+NCS2运行官方DEMO准备工作自购Raspberry pi 3B+一块某宝 +　NCS2某东raspberry pi系统环境部署可以参考：https://www.pyimagesearch.com/2017/09/04/raspbian-stretch-install-opencv-3-python-on-your-raspberry-pi/镜像：rosbots...

1. 算法意义以计算机视觉的方式计算目标区域的特征，这个特征具有旋转、尺度缩放、亮度变化保持不变性的特点。图片来源于网络，侵删。2. 学习较详细的理论笔记参考：SIFT算法详解精简的理论笔记参考：SIFT算法描述2.1 详细理论笔记的好处明白算法作者在每个环节使用的方法的意义。为什么高斯模糊、为什么在多尺度上提取特征、为什么使用DOG近似LOG。2.2 精简理论...

项目产生许多公司电力设备仪表密集、分散，在没有网络传输接口的情况下，需要专人统计维护，给设备实时监控带来很大的难度。所以，提出一种基于图像算法的电力仪表OCR系统。能够在诸如树莓派等平台运行，由机器人携带，实时将数据上传至服务器，由服务器检测电力读数。示例图片项目框架项目流程图片演示第一步：panel检测，opencv第二步 文字区域识别，使用EAST+SVM...

英文原文地址:https://medium.com/@ageitgey/machine-learning-is-fun-part-4-modern-face-recognition-with-deep-learning-c3cffc121d78中文翻译版地址:https://zhuanlan.zhihu.com/p/24567586实验脚本:https://github.com/YuTingLiu...

这个数据集标注的用户有4467位，通过筛选，将网络范围缩小到标注用户以及与标注用户具有关注关系的用户，筛选后网络节点数量为445150个节点。首先观察网络的形态 工具：gephi 节点颜色： 节点大小由其HUB值决定。 可以看到并没有什么很明显的社团结构。而且从未标注节点的角度看，仅与相同loc相连接的未标注节点并不多。 如果是猜测角度出发，那么如果一个未标注节点的所有邻居都是一

一个脚本打比赛之SMP WEIBO 2016前言：如何对用户进行精准画像是社交网络分析的基础问题。本文就如何对weibo用户网络提取特征发表一点小的想法，还请尽管拍砖。 数据来源：SMP WEIBO 2016 任务目标：分析用户关联关系与用户发帖内容，通过无监督与有监督方法对用户进行聚类。第一部分：筛选source，即判定用户发表的内容是否是垃圾信息。import matplotlib.pypl

迁移学习相关知识可以参考：孙志军, 薛磊, 许阳明,等. 深度学习研究综述[J]. 计算机应用研究, 2012, 29(8):2806-2810. 本文涉及内容主要有： 1.如何使用现有模型进行分类 2.如何得到样本的transfer-values 3.如何迁移学习 4.如何评价与验证 主要参考：https://github.com/Hvass-Labs/TensorFlow-Tutor

biendata中的比赛：感觉比赛难点并没有增加，更多的是工程化的问题。各个比赛仍然是一个学习实践的好机会，可以快速的了解当前新的方向，在某一个领域内学习非常多的解决方案。很想继续参加，看情况吧...