love code, love life.

调用kimi编写的一个app，不用再打开网页了

最近看了图像分割的基础内容，希望对读者有用

ArrayFire矩阵运算库提供了258个函数用来处理各种运算。涵盖的类型包括：数学函数https://arrayfire.org/docs/group__mathfunc__mat.htm线性代数https://arrayfire.org/docs/group__linalg__mat.htm信号处理https://arrayfire.org/docs/group__signal__mat.htm统计学https://arrayfire.org/docs/group__s.

1 dlib介绍Dlib是一个现代的C ++工具箱，其中包含机器学习算法和工具，这些工具和工具可以用C ++创建复杂的软件来解决实际问题。 它在工业和学术界广泛使用，包括机器人技术，嵌入式设备，移动电话和大型高性能计算环境。 Dlib的开源许可使您可以免费在任何应用程序中使用它。Dlib包含各种机器学习算法。 所有这些都设计为高度模块化，易于执行且通过干净现代的C ++ API易于使用。 它被广泛用于机器人，嵌入式设备，移动电话和大型高性能计算环境中。http://dlib.net/ https.

同济大学 zhou xiaohan对知识图谱的应用情况进行了系统性研究，发表在CCEAI2020的会议上，这里是个简单的翻译。摘要： 知识图谱，将信息表示为语义图，已经引起了工业界和学术界的广泛关注。 它们提供语义结构化信息的特性为许多任务（包括回答问题，推荐和信息检索）带来了重要的可能解决方案，并被认为为开发更多智能机器提供了广阔的前景。 自Google自2012年提出该术语以来，尽管知识图谱已经在各种商业和科学领域中支持多种“大数据”应用程序，但之前没有进行过系统的研究来对知识图的应用进行系统.

Image-to-Image Translation with Conditional Adversarial Networkshttps://phillipi.github.io/pix2pix/https://arxiv.org/pdf/1611.07004.pdfhttps://github.com/phillipi/pix2pix摘要：我们研究条件对抗网络，作为图像到图像翻译问题的通用解决方案。这些网络不仅学习从输入图像到输出图像的映射，而且还学习损失函数来训练该映射（即更通用.

AlphaFold可以准确预测蛋白质结构的3D模型，并具有加速生物学各个领域研究的潜力。蛋白质对于生命至关重要，几乎可以支持其所有功能。 它们是大型复杂分子，由氨基酸链组成，蛋白质的作用很大程度上取决于其独特的3D结构。 弄清楚蛋白质折叠成什么形状被称为“蛋白质折叠问题”，并且在过去的50年中一直是生物学上的巨大挑战。 在一项重大的科学进步中，两年一次的蛋白质结构预测关键评估（CASP）的组织者认为，我们最新的AI系统AlphaFold版本可以解决这一挑战。 这一突破表明，人工智能可以对科学发现产.

之前写过一个java应用，在线调用百度的ocr接口实现抓图识字，最近使用发现网络情况不理想时，返回结果不好。可喜的时，百度最近也开源了他们的ocr识别引擎，包括多个版本。而且在paddlehub中提供了180多中预寻览的模型，这里测试了python调用预训练模型"chinese_ocr_db_crnn"进行识别的例子。代码很简单只有9行，可以对指定一张或几张图片进行内容识别。import paddlehub as hubocr = hub.Module(name="chinese_ocr_db_cr

//1 create a mat with random values//2 create zeors or ones Mat//3 common attribute of Mat//4 access element of Mat by at//5 access element of Mat by ptr//6 access element of Mat by ptr and is continous//7 get one row or one col of a Mat//...

建立的dcgan网络通过之后可以得到生成网络netG.pkl文件和鉴别网络netD.pkl文件，加载这些网络输入参数即可得到结果。这里显示了生成网络的加载及测试。同时也调用了网络结构显示的库，以pdf的形式显示所加载的网络的具体结构。'''Created on 2020年10月27日@author: afeng'''import torchimport torchvision.utils as vutils import numpy as npfrom matplotlib impo

参考pytorch的官方教程实现了dcgan网络，对官方的实例进行了如下修改。（1）把原来的script修组织成了类的形式，直接复制官方的代码无法直接运行，通过类的形式管理数据和函数更加方便（2）添加了训练过程的图形化保存，官方给的实例中是pyplot的show的形式显示结果，改成了savefig的方式保存图像，训练过程的图像保存在monitor文件夹（3）调用imagemagick的方式保存gif图，（4）dcgan训练celeba数据集，该数据集下载后放在和dcgan.py相同的目录下，

本文参考了https://www.jianshu.com/p/132746857e3a，修改了其中不正确的地方，把1，28，28修改为28，28，1，即调整了通道数的位置，否则编译不通，采用的tensorflow版本是2.3.1。# -*- coding: utf-8 -*-#3. Import libraries and modulesimport numpy as npfrom keras.models import Sequential, save_model, load_model

常用的对抗生成网络GAN1、GAN的应用领域目前，GAN的应用领域有：图像生成、文本到图像的合成、人脸老化、图像到图像的变换、视频合成、高清图像生成、补全缺损图像。图像生成。在简单的图像数据上训练后的生成网络可生成逼真的图像。例如想生成新的狗狗图像，就可以在成千上万的狗狗图像的数据集上训练一个GAN。训练完成之后，生成网络就可以生成一些不同于训练集的新图像。图像生成可用于市场营销、logo制作、娱乐和社交媒体等领域。下一章会介绍动画人物面部图像的生成。文本到图像的合成。GAN的一个有趣.

这里列出了印度一个大神整理的对抗生成网络GAN公园，里面列出了几乎所有的对抗生成网络。3D-ED-GAN -Shape Inpainting using 3D Generative Adversarial Network and Recurrent Convolutional Networks 3D-GAN -Learning a Probabilistic Latent Space of Object Shapes via 3D Generative-Adversarial Modelin...

它识别一个文件夹下的所有图片中的表格，各自生成一个excel# encoding: utf-8import osimport sysimport requestsimport timeimport tkinter as tkfrom tkinter import filedialogfrom aip import AipOcr#转载来源#https://www.cnblogs.com/mrlayfolk/p/12630128.html#代码运行环境：win10 python3

给大家分享一个自己编写的小软件，它的功能是“抓图识字”。1、介绍：在任何不可复制文字的电脑界面，比如网页上的图片、不可编辑的pdf等，可以通过抓图的方式，识别其中的文字，准确率非常高，可以给报告和资料整理带来很大方便，提供工作效率。2、安装方法绿色软件，不用安装，尽管后缀是jar。因为基于java语言编写，如果电脑上没有java虚拟机环境，需要安装，如果已经安装则不需要重复安装。 软件自动调用百度的OCR接口，需要联网才能使用。3、使用方法双击即可开始抓图，识别其中的...

涉及的库主要是机器学习、矩阵计算、计算结果显示。Shogun、Shark、Dlib、Mlpack、Libtorch、Opencv、Armadillo、Eigen3、Xtensor、Fast-cpp-csv-parser、Rapidjson、Plotcpp、matplotlibcpp、mathGL等一、侧重机器学习算法1、ShogunShogun是开放源代码的机器学习库，它提供了多种高效且统一的机器学习方法。Shogun支持多种语言（Python，Octave，R，Java / Sc...

目录 在7天内使用Python进行数据准备。第1课：数据准备的重要性第2课：通过插补填充缺失值第3课：使用RFE选择特征第4课：使用规范化缩放数据第5课：使用热编码（One-Hot）转换类别第6课：使用kBins将数字转换为类别第7课：使用PCA进行降维在 在7天内使用Python进行数据准备。 数据准备涉及将原始数据转换为更适合建模的形式。 数据准备可能是预测建模项目中最重要的部分，也是最耗时的过程，尽管似乎讨论得最少。 相反，重点是机器学习...

上述几节主要介绍了如何利用MNIST数据集搭建多层神经网络并完成模型的训练，用到的数据都是torch::data::dataset自带的数据集，这节介绍如何根据实际情况创建自己的数据集。（1）自定义类型的设计方法实际上，自定义数据类型很简单，只需要继承torch::data::datasets::Dataset<self, SingleExample>，同时重写get（size_t index）以获取指定元素和样本总数size（）即可。Dataset类继承的定义在base.h中，它继

本实例同时采用卷积、池化、丢弃、非线性化、和线性网络层等多种网格联合识别手写数字。（1）网络定义模块网络的定义部分，定义结构体Net，内部成员有二维卷积层conv1，conv2，丢弃层conv2_dropout，线性层fc1，fc2，采用的其它网络层有最大池化层，max_pool2d, 非线性化层relu，压缩值域层log_softmax。其中，卷积层和线性层的参数如下：conv1(torch::nn::Conv2dOptions(1, 10, /kernel_size=/5)), conv

错别字是写博客是常见的问题，人去检查错别字效率低，浪费时间，需要借助机器的力量。目前，百度AI平台提供了500000免费调用次数的文本纠错接口。识别文本中有错误的片段，进行错误提示并给出正确的建议文本内容。https://mp.youkuaiyun.com/console/editor/html/106915014这个接口提供了很多语言的实例，这里介绍的是比较简单的python接口。基本思路是读取要检查的文件内容，根据句号逗号分号等花费为段句子，然后依次循环识别每个句子中可能的错误。返回结果是json.

我们的目的是从MNIST 数据集生成图片，将使用对抗生成网络（GAN）完成这个任务。具体说，将采用DCGAN架构，它是最早最简单的对抗生成网络，但足以完成这项任务。什么是对抗生成网络GANGAN由两个不同的神经网络模型组成：一个生成器和一个鉴别器。生成器接收来自噪声分布的样本，其目的是将每个噪声样本转换为类似于目标分布的图像（在我们的例子中是MNIST数据集）。鉴别器依次从MNIST数据集接收真实图像，或从生成器接收假图像。它被要求发出一个概率来判断一个特定图像是真实的（接近“1”）还是假的（接近“

整个例子，包括（1）网络定义，（2）数据加载，（3）模型训练#include <iostream>#include <torch/script.h>#include <torch/csrc/api/include/torch/torch.h>// Define a new Module.struct Net : torch::nn::Module { Net() { // Construct and register two L..

上一节在VS 2019上配置了Libtorch c++，并进行了测试。有了基本的环境设置，可以进入更有序的学习。首先，讨论怎么利用面向c++的接口定义模块（module）并与之交互。从最基本、最小规模的模块开始，然后利用面向c++接口内置的模块搭建完整的对抗生成网络模型。1、libtorch的主要模块的分类 Component Description torch::Tensor 可以自动微分，支持CPU和GPU的张量计算库 torch::nn 用于神经网络

Libtorch是c++接口的Pytorch，提供了与python版本基本一致的接口，使用很方便，而且更适合实际部署。这里介绍Libtorch的在VS2019下的部署和简单测试使用。1、从官网下载https://pytorch.org/get-started/locally/目前可以下载到Libtorch1.5版本，如果电脑支持Gpu，且安装了Cuda，可以下载Gpu版本，否则下载cpu版本。下载解压之后如下2、在VS2019中的配置需要配置.头文件h 库文件,lib, 和d

矩阵和张量运算构成了广泛领域和应用的基础，并且在许多情况下构成了整体计算复杂性的重要部分。通用gpu能够加速其中许多操作并使其他操作成为可能，这导致了这些设备的广泛适应性。为了充分利用张量运算的计算能力，需要专门的软件，目前有几个包（主要是在深度学习领域）包含了CPU和GPU上的张量运算。然而，支持一般张量运算的独立框架仍然缺失。在本文中，我们填补了这一空白，并提出了海洋张量库：一个模块化的张量支持包，它被设计为在各种设备类型上需要密集张量操作的应用程序的基础层。API经过精心设计，功能强大，可...

利用卷积网络对MNIST数据集分类，实现0~9的手写数字识别，是卷积神经网络的入门操作。包括（1）数据加载，（2）模型搭建，（3）模型训练和保存，（4）模型调用与测试。具体代码如下import torchimport torch.nnimport torch.utils.dataimport torchvision.datasetsimport torchvision.transfo...

最近在学习深度学习编程，采用的深度学习框架是pytorch，看的书主要是陈云编著的《深度学习框架PyTorch入门与实践》、廖星宇编著的《深度学习入门之PyTorch》、肖志清的《神经网络与PyTorch实践》，都是入门的学习材料，适合初学者。通过近1个多月的学习，基本算是入门了，后面将深度学习与实践。这里分享一个《神经网络与PyTorch实践》中对抗生成网络的例子。它是用对抗生成网络的方法，...

反演问题是由结果及某些原理出发去确定表征问题特征的参数。目前的人工智能也是有大量数据及假设的模型，通过各种优化算法确定模型的参数，基于反演出的模型进行预测，因此，人工智能就是反演问题。基于大量数据，人工智能可以反推出这是什么（静态对象），这是在干什么（动态过程）等。反演问题是地球物理、建筑等领域的常用的称呼，这种问题普遍存在。涉及到演绎和观测问题。在数学和物理学领域，反演问题称为反问题；在统计...

昨天偶遇自然计算这个词，原来之前了解的启发式优化算法都属于自然计算的范畴，因次顺藤摸瓜又搜索了一把，发现它与人工智能关系非常密切。1、自然计算自然计算（Nature Inspired Computation），是指以自然界包括生命、生物及生 态系统，物理与化学，经济以及社会文化系统等，特别是 生物体的功能、特点和作用机理为基础，研究其中所蕴 含的丰富的信息处理机制，抽取相应的计算模型，设计相应...

很多领域都需要用知识和数据建立模型用于预测未来或认识过去。有些领域，知识很少，数据很多，数据容易获取，建立模型时主要用数据就能完成，比如图像识别、语音识别、垃圾识别，这主要针对具有人类日常知识的通用领域，数据标签获取难度低。有些领域，积累了很多知识，数据很少，公开的数据更少，数据获取费用很高，建模型时使用少量的数据，再上大量的知识，比如地下地质体地质建模、金融预测模型，这些针对专业性很强的领域，门...

特征提取是模式识别中最基本的研究内容之一，可以有效地缓解模式识别领域经常出现的“维数灾难”问题并对识别性能起着重要作用。到目前为止，国内外对特征提取的研究已日趋成熟并出现了很多特征提取方法，比如主成分分析（PCA）、线性判别分析（LDA）、局部保留映射（LPP）等，但是它们仍存在某些缺陷。PCA是一种无监督的特征提取算法，它通过最小化样本的重构误差来寻找一组正交变换，将高维数据投影到低维数据空...

我们生活在信息时代—数据获取更加容易、存储更加便宜。在1991年、据称每两个月信息的存储量就翻一倍。不幸的是，机器能够读取的信息量的增加、理解并运用信息的速度远远跟不上信息增加的步伐。机器学习提供了一套自动分析大规模数据的工具。机器学习是一种能够自动提高本身预测效果的算法。机器学习的一项基础是特征提取(feature selection)。通过去除不相关数据和冗余数据，能够增加机器学习效率和效...

1、简介人们总是能从大自然中得到许多启迪，从生物界的各种自然现象或过程中获得各种灵感，由此提出了许多能够解决复杂函数优化的启发式算法，主要分为演化算法和群体智能算法。演化算法是一种模拟生物进化的随机计算模型，通过反复迭代，那些适应能力强的个体被存活下来，比如遗传算法，进化规划，进化策略等。群体智能算法是通过观察社会生物群体的各种行为得到启发而提出的一种新型的生物启发式计算方法，比如蚁群...

昨天偶遇自然计算这个词，原来之前了解的启发式优化算法都属于自然计算的范畴，因次顺藤摸瓜又搜索了一把，发现它与人工智能关系非常密切。1、自然计算自然计算（Nature Inspired Computation），是指以自然界包括生命、生物及生 态系统，物理与化学，经济以及社会文化系统等，特别是 生物体的功能、特点和作用机理为基础，研究其中所蕴 含的丰富的信息处理机制，抽取相应的计算模型，设计...