深度学习

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 项目需求： 手机APP实现全景相机机外拼接合成图像 需求内容： 实现单鱼眼镜头拍多张图合成全景图 1、APP页面可以参考全景相机同行的布局来做。 2、APP内嵌入相机SDK，可操作及查看下载等相机各种功能和设置。（我方提供相机相关SDK代码） 3、APP内嵌入拼接合成软件，可以自动识别并校正拼接合成多张图为全景图，自动渲染及消除拼接色差，重影，错位和曝光等。APP在合成全景图时可在全景图中间位置插入一张图片盖住三角架。用户也可自行更换该图片。下载合成时可自由选择保存全景图的路径可存在手机上、相机内或两者同步保存。 4、单镜头相机连接手机APP 拍照时，在手机上可看到拍照数量在增加并将图片自动按合成规则排列出来，可做成一个缩略图大概看到拍摄进程及结果。 5、APP内建全景播放器可随意切换观看模式：平铺模式、360模式、小行星模式，VR模式，水晶球模式，四分割模式等。 6、APP增加录屏模式，可以在打开全景时将观看实时效果录下来并保存在手机固定文件夹里。 7、另外如有可能也将相机有关标定校正一起开发。 工作环境： 相机主要在室内拍摄，环境有较暗和杂光现象需要在算法上进行优化 项目经费： 8万~10万 项目周期： 2个月 项目阶段： 项目已立项，资金已到位 希望供应商： 1、 有相应的技术积累 ，对全景拼接合成有较深理解

目前，作为深度学习的代表算法之一，卷积神经网络（Convolutional Neural Networks，CNN）在计算机视觉、分类等领域上，都取得了当前最好的效果。 后来，基于深度神经网络和搜索树的智能机器人“AlphaGo”在围棋上击败了人类，这是CNN 给人们的一个大大的惊喜。一年后的 Master 则更是完虐了所有人类围棋高手，达到神一般的境界，人类棋手毫无胜机。 可以说，卷积神经网络是深度学习算法应用最成功的领域之一。 目前，CNN应用也十分广泛。例如Facebook用它进行自动的图像标签，google用它做照片检索，amazon用它做产品推荐，Pinterest用它做个性化家庭定制推送，Instagram用它搭建他们的搜索架构。 那么，基于CNN最经典也是最流行的应用应当是图像处理领域。 而研读卷积神经网络的经典论文，对于学习和研究卷积神经网络必不可缺。 今天，给大家推荐一些资料，有 论文、知识图谱。 7份经典学术论文 这些论文大部分都发表在计算机视觉顶级学术会议上。 这7份论文资料，100p以上的内容体量。 建议收藏学习。 01 resnet 02 CNN 03 batchnorm 04 alexnet 05 visualzing 06 resnet 07 yolo4 目前， 2000+ 的看过这个论文资料的同学都顺利成为各公司算法工程师。大家扫码添即可领取

作业帮笔试 leetcode 53 Maximum Subarray Given an integer array nums, find the contiguous subarray (containing at least one number) which has the largest sum and return its sum. Example: Input: [-2,1,-3,4,-1,2,1,-5,4], Output: 6 Explanation: [4,-1,2,1] has the largest sum = 6. class Solution { public: int maxSubArray(vector<int>& nums) { if (nums.empty()) { return -1; } int n = nums.size(); int max_val = nums[0]; int cur_max = 0; for (int i = 0; i < n; i++) { // 这样一来每次还会比较每个值的大小, 如果数组所有值为负数的话 cur_max += nums[i]; max_val = max(max_val, cur_max); cur_max = max(cur_max, 0); // 很优秀 } return max_val; } }

“ 原作者 ：计算机的潜意识 重新排版 ：「曲水流觞TechRill 」 , 转载请同时注明两个出处。 全文 ：18K字，阅读需约1小时。 原文： https://www.cnblogs.com/subconscious/p/4107357.html ” 在本篇文章中，我将对机器学习做个概要的介绍。本文的目的是能让即便完全不了解机器学习的人也能了解机器学习，并且上手相关的实践。这篇文档也算是EasyPR开发的番外篇，从这里开始，必须对机器学习了解才能进一步介绍EasyPR的内核。当然，本文也面对一般读者，不会对阅读有相关的前提要求。 在进入正题前，我想读者心中可能会有一个疑惑：机器学习有什么重要性，以至于要阅读完这篇非常长的文章呢？ 我并不直接回答这个问题前。相反，我想请大家看两张图，下图是图一： 图1 机器学习界的执牛耳者与互联网界的大鳄的联姻 这幅图上上的三人是当今机器学习界的执牛耳者。中间的是Geoffrey Hinton, 加拿大多伦多大学的教授，如今被聘为“Google大脑”的负责人。右边的是Yann LeCun, 纽约大学教授，如今是Facebook人工智能实验室的主任。而左边的大家都很熟悉，Andrew Ng，中文名吴恩达，斯坦福大学副教授，如今也是“百度大脑”的负责人与百度首席科学家。这三位都是目前业界炙手可热的大牛，被互联网界大鳄求贤若渴的聘请，足见他们的重要性

在 AlphaGo 成功挑战围棋世界冠军后， 人工智能 （AI）“深度学习”家喻户晓。电力企业有机会着眼自身战略，利用落地的 AI 技术和应用聚焦业务流程优化、效率提升以及对全新机遇的发掘。本文针对设备故障，仿照中医师“望闻问切”的看病方法融入最新的AI深度学习原理、查找和解决故障的方法，从而使设备恢复良好的工作状态。 图一：人工智能和深度学习的关系示意图 图二：使用中医望闻问切方法诊断 电力设备故障 示意图 一、望（图像识别） 望，顾名思义就是观看，中医是观察病人的面色、身形、舌苔、精神状态等。在电力企业，望也是在设备点巡检中最简单、最基本、最重要的检查手段。通过观望检查之后，大部分设备问题都能暴露出来并得到解决：如设备老化变色、形状变形、位置移位、瓷瓶开裂破损、导线断线、鸟窝在杆塔上、零部件的腐蚀损坏和脱落、联接螺丝的松动、指示仪器仪表的显示异常等情况能及时发现设备缺陷问题并及时解决。 目前，图像识别应用正被部署用于质量控制（识别产品缺陷）、安全（扫描面部和车牌）和医疗（识别肿瘤）领域。下面我将借鉴2018年4月中国长城创新的修缮方案（这是一个全新的探索，先进的无人机航拍和人工智能技术参与文物建筑的修缮和保护），来指导电力架空线路的勘察、巡视、故障查找。 图三：人工智能深度学习图像识别非常适合电力架空设备故障查找 目前长城修缮存在的困难：长城是世界七大奇迹之一，也是我国首批列入

由于现在神经网络这个东西比较火，准确的说是深度学习这个东西比较火，我们实验室准备靠这个东西发几个CCF A类的文章，虽然我不太懂这东西，兴趣也一般都是毕竟要跟随主流的，于是今天安装起了 Tensorflow 这个深度学习的框架。 安装好以后运行一个Demo ,如下： import tensorflow as tf a =tf.constant(2 ) b =tf.constant(20 ) with tf.Session() as sess: print (sess.run(a*b)) 运行结果如下： 2018-05-03 19:57:44.151803: I tensorflow/core/platform/cpu_feature_guard.cc:137] Your CPU supports instructions that this TensorFlow binary was not compiled to use: SSE4.1 SSE4.2 AVX AVX2 FMA 2018-05-03 19:57:44.251905: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:892] successful NUMA node read from SysFS had negative value (-1), but

1 背景介绍 mm-detection在功能上基本和Detectron一致，都是detection codebase（（视觉）检测代码库），而Detectron是世界上首个，所以先介绍下Detectron的诞生背景。 1.1 Detectron 是什么？ 2018年初，Facebook AI研究院(FAIR)公开了一个 目标（视觉）检测平台 ，名叫Detectron。它是一个软件系统，由Python语言和 Caffe2深度学习框架 构建而成。 近几年深度学习技术的发展极为迅速，经典的深度学习算法越来越多，而算法只是一种思想或伪代码，让算法能够发挥作用，必须将其用软件代码实现。而使用深度学习框架独自去复现这些现代神经网络算法是一件门槛极高（需要精通深度学习框架，需要从只言片语的算法中自己领悟并填补细节）且极为费时的事情。很多时候，人们为了用深度学习技术解决某个问题，需要去测试并比对各种深度学习算法在该问题上的处理效果。 一般情况下，主流的深度学习算法网上有很多复现的版本，但每个版本适用不同类型的深度学习框架、适用不同版本的深度学习框架（深度学习框架就像深度学习技术一样，日新月异，各软件、各库、各硬件升级带来的兼容性问题催生了各种类型的新事物出现，而Detectron也算其中之一）、适用不同的编程语言、适用不同的操作系统等。不说参差不齐的代码质量和性能影响训练的时间和检测的精度

写在前面 当我们拥有一台服务器的时候，通常服务器都可能包含比本地电脑比较好的配置，特别是如果做深度学习的，服务器通常意味着有好的 GPU；然后，Jupyter notebook 允许我们可以非常直观地调试代码，每完成一个函数或者一部分代码，运行一下，保存当前代码的运行结果。 所以是否可以服务器上运行 Jupyter notebook，然后本地电脑连接，直接在本地电脑写，然后服务器上运行代码呢？ 官方文档给出了答案，可以。 下面会翻译下官方文档给出的方法，这里可能有的地方翻译不太到位，请见谅。 另外，关于 Jupyter notebook 的安装和简介，可以查看我之前发表过的文章-- Python 基础入门--简介和环境配置 原文--https://jupyter-notebook.readthedocs.io/en/latest/public_server.html#notebook-server-security Jupyter notebook [1] 是一个基于服务器-客户端结构的网络应用，其服务器端是采用一个基于 ZeroMQ [2] 和 Tornado [3] 双进程核心结构 [4] ，其中后者 Tornado 负责处理 HTTP 的请求服务。 注意 ：默认 notebook 的服务器运行在本地的 IP 地址是 127.0.0.1:8888 ，并且也只能通过

↑↑↑点击上方 蓝字 ，回复 资料 ，10个G的惊喜 来自 | 知乎 作者 | 薛定豆 编辑 | 深度学习这件小事公众号 链接 | https://zhuanlan.zhihu.com/p/223042372 20世纪40年代，蒙特卡洛（Monte Carlo, 位于摩纳哥的赌城，如上图）方法由John von Neumann，Stanislaw Ulam和 Nicholas Metropolis 在 Los Alamos National Lab (LANL) 曼哈顿计划中，为模拟中子扩散发展出的一种统计方法。正如名字反映出的，蒙特卡洛方法本质上是跟赌博一样具有随机特性。 一、估计圆周率 的值 如果(x,y)是独立地从0到1之间均匀分布抽样出的一系列的数对number pair, 那么这些随机的位置坐标(x,y)落在1为半径圆弧内的概率应该是：四分之一圆的面积➗整个正方形的面积： 而因为(x,y) 是0到1的均匀分布，所以这个概率当抽样足够多的时候就等于红色的点数除以总共点数： 这样一来，只要采样足够多，就可以得到无限趋近于 的值。这个例子很好的体现了Monte Carlo（MC)方法的精神：利用随机分布的特性，大数次抽样得到准确的估计。换句话说，就是我猜，我猜地又多又均匀就基本上成功了！ 二、估计定积分的值 微积分里我们学到，定积分（也就是曲线下的面积

从零开始，一步一步学习caffe的使用，期间贯穿深度学习和调参的相关知识！ Caffe中的损失函数解析 导言 在有监督的机器学习中，需要有标签数据，与此同时，也需要有对应的损失函数（ Loss Function ）。 在 Caffe 中，目前已经实现了一些损失函数，包括最常见的 L2 损失函数，对比损失函数，信息增益损失函数等等。在这里做一个笔记，归纳总结 Caffe 中用到的不同的损失函数，以及分析它们各自适合的使用场景。 欧式距离损失函数（Euclidean Loss） 对比损失函数（Contrastive loss） 铰链损失函数（Hinge Loss） 信息增益损失函数（InformationGain Loss） 多项式逻辑损失函数（Multinomial Logistic Loss） Sigmoid 交叉熵损失函数（Sigmoid Cross Entropy Loss） Softmax+损失函数(Softmax With Loss) 总结 欧式距离损失函数：一般适用于回归问题，特别是回归的值是实数的时候。 对比损失函数：用来训练 siamese 网络时候。 Hinge loss ：在一对多的分类中应用，类似于 SVM 。 多项式逻辑损失函数：一般在一对多的分类任务中应用，直接把预测的概率分布作为输入。 sigmoid 交叉熵损失函数：预测目标概率分布。 softmax