首頁最新資訊

全部 人工智能學(xué)科動(dòng)態(tài) 人工智能技術(shù)資訊 人工智能常見問題 技術(shù)問答

    • yolo算法模型訓(xùn)練的樣本怎樣構(gòu)建？

      在進(jìn)行模型訓(xùn)練時(shí)，我們需要構(gòu)造訓(xùn)練樣本和設(shè)計(jì)損失函數(shù)，才能利用梯度下降對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。將一幅圖片輸入到y(tǒng)olo模型中，對(duì)應(yīng)的輸出是一個(gè)7x7x30張量，構(gòu)建標(biāo)簽label時(shí)對(duì)于原圖像中的每一個(gè)網(wǎng)格grid都需要構(gòu)建一個(gè)30維的向量。對(duì)照下圖我們來構(gòu)建目標(biāo)向量：查看全文>>

      人工智能技術(shù)資訊2022-12-07 |黑馬程序員 |yolo算法模型訓(xùn)練

    • 冒泡排序的原理是什么？怎樣實(shí)現(xiàn)冒泡排序【圖文演示】

      不斷地交換下去就可以將最大的那個(gè)數(shù)放到隊(duì)列的尾部。然后重頭再次交換，直到將數(shù)列排成有序數(shù)列。接下來我們以以數(shù)列[5, 9, 3, 1, 2, 8, 4, 7, 6]為例，演示冒泡排序的實(shí)現(xiàn)過程，最初的數(shù)列順序如下圖所示：查看全文>>

      人工智能技術(shù)資訊2022-10-19 |黑馬程序員 |冒泡排序,冒泡算法

    • 如何分析一段代碼的復(fù)雜度？【算法面試題】

      ?復(fù)雜度分析是估算算法執(zhí)行效率的方法，公式O(f(n))表示算法的復(fù)雜度，此方法即為大O復(fù)雜度表示法O(f(n))中n表示數(shù)據(jù)規(guī)模，f(n)表示運(yùn)行算法所需要執(zhí)行的指令數(shù)。下面的代碼非常簡(jiǎn)單,求 1,2,3…n 的累加和，我們要做的是估算它的執(zhí)行效率。查看全文>>

      人工智能技術(shù)資訊2022-10-18 |黑馬程序員 |算法復(fù)雜度分析

    • 什么是SVM算法？硬間隔和軟間隔的分類問題

      使用超平面進(jìn)行分割數(shù)據(jù)的過程中，如果我們嚴(yán)格地讓所有實(shí)例都不在最大=大間隔之間，并且位于正確的一邊，這就是硬間隔分類。硬間隔分類有兩個(gè)問題，首先，它只在數(shù)據(jù)是線性可分離的時(shí)候才有效;其次，它對(duì)異常值非常敏感。查看全文>>

      人工智能技術(shù)資訊2022-09-07 |黑馬程序員 |SVM算法,硬間隔和軟間隔

    • Seaborn庫繪制單變量分布和雙變量分布

      Seaborn基于 Matplotlib核心庫進(jìn)行了更高級(jí)的API封裝，可以輕松地畫出更漂亮的圖形，而Seaborn的漂亮主要體現(xiàn)在配色更加舒服，以及圖形元素的樣式更加細(xì)膩。查看全文>>

      人工智能技術(shù)資訊2022-09-07 |黑馬程序員 |Seaborn庫繪制單變量分布和雙變量分布圖

    • 什么是SOM？SOM聚類的應(yīng)用

      SOM 即自組織映射，是一種用于特征檢測(cè)的無監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。它模擬人腦中處于不同區(qū)域的神經(jīng)細(xì)胞 分工不同的特點(diǎn)，即不同區(qū)域具有不同的響應(yīng)特征，而且這一過程是自動(dòng)完成的。SOM 用于生成訓(xùn)練樣本的低維 空間，可以將高維數(shù)據(jù)間復(fù)雜的非線性統(tǒng)計(jì)關(guān)系轉(zhuǎn)化為簡(jiǎn)單的幾何關(guān)系，且以低維的方式展現(xiàn)，因此通常在降維問題中會(huì)使用它。查看全文>>

      人工智能技術(shù)資訊2022-07-15 |黑馬程序員 |SOM聚類的應(yīng)用
和我們?cè)诰€交談！