ITPub博客

使用自己训练的模型转换到香橙派AIpro中遇到act报错问题

今天凭借着混迹ITPUB社区多年的码农经验，我得到了最新的华为昇腾AI处理器的香橙派，那么香橙派到底香不香呢？我今天带大家来尝尝鲜。

使用香橙派aipro开发板进行一个基于视觉的智能监控系统项目。通过香橙派aipro开发板读取家里已有的网络摄像头的画面，通过给画面添加多边形区域限制检测范围

在科技迅速发展的今天，智能硬件设备如香橙派（Orange Pi AIpro）的开发板因其强大的功能和便捷的操作受到广大电子爱好者和专业人士的青睐。然而，随着使用频率的增加，用户可能会遇到外机壳过热的问题，这不仅影响设备的稳定性和使用寿命，还可能对用户的安全造成威胁。

在redis中，用户可以通过执行SLAVEOF命令或者设置slaveof选项，让一个服务器取复制另一个服务器。传统的复制由于在断连之后，仍旧将复制流程全部走一遍（主服务器保存rdb文件，传输文件，传输命令），导致效率低下；新版的复制在断线后，只执行在断线后没有同步的命令（从服务器发送PSYNC->主服务器发送+CONTINUE->同步命令）。其实现的原理非常类似于tcp当中的seq和a

自从机器学习被引入到递归的非线性函数中（例如人工神经网络）以来，对相关内容的应用得到了充足的发展。在这种情况下，训练正确的神经网络是建立可靠模型最重要的方面。这种训练通常与"反向传播"一词联系在一起，这个术语对大多数新手来说是非常模糊的。这也是本文所存在的意义。（图源：https://www.youtube.com/watch?v=Ilg3gGewQ5U）反向传播是神经网络训练

人工智能人工智能已经进入各种各样的组织和公司，但是，到底是一个福音还是禁令的问题，暂时还是人们讨论的范畴。尽管人工智能的程序实在1958年编写的，但是，近年来它已经出现了大幅的增长。Sophia、Alexa语音机器人等等这样优秀的例子，让人们想要进一步探究在相应的领域是如何对抗人类的。当前情景专家们正在研究将AI添加到不同领域的方法，网络安全就是其中之一。随着时间的推移，在线攻击技术也得到了改进。

探索神经风格传输网络的设计选择和技术的直观指南介绍神经风格迁移（NST）是一个非常巧妙的想法。 NST的核心理念是：在CNN中，可以将在计算机视觉任务(例如图像识别任务)中学习到的样式表示和内容表示分离开来。遵循这一概念，NST采用预训练卷积神经网络（CNN）将样式从给定图像传递到另一个图像。这是通过定义损失函数来完成的，该函数试图最小化内容图像、样式图像和生成的图像之间的差异，这将在后面详细讨论

几年前，我想出了一个有趣的方法来理解复杂的概念。典型的大学教学方式是首先通过大量的时间投入去做奠定理论基础的事情，重新学习一些可能你已经知道的基础科目，然后用来解释正在发生的事情。与这种方法相反，当你试图理解某些东西的时候，其实实际的步骤是这样的，你会先从一个很有趣的动机出发，然后再深入了解它的原因和方法。本篇文章将为大家提供一个有趣的介绍：竞争神经网络及其在矢量量化中的应用。矢量量化：一般概念想

李开复有一份令人印象深刻的简历：他拥有计算机学的博士学位，曾就读于卡内基梅隆大学，后担任副教授。也曾担任苹果、微软和谷歌的副总裁。如今，他是中国风险投资公司创新工场的首席执行官，也是《人工智能超级大国：中国、硅谷和新世界秩序》一书的作者。他在周日对CBS的斯科特·佩利(Scott Pelley)曾说过这样一句话，“我相信[AI]将比人类历史上的任何事情都能改变世界。”“人工智能的兴起将极大地改变劳

1. 介绍回归分析是监督学习的一个子领域。它的目的是模拟一定数量的特征与连续的多个目标变量之间的关系。在回归问题中，我们试图给出一个定量的答案，用来预测房价或某人看视频的时长。2. 简单线性回归:通过数据拟合直线回归算法将通过一组"点"，来模拟单个特征(解释变量x)和其对应值(目标变量y)之间的关系。它将通过设置任意一条直线并计算这条直线到数据点的距离来实现。这个距离，就是垂直

作者——Navoneel Chakrabarty在数据科学领域，分类问题是一个非常普遍和重要的问题。例如:糖尿病视网膜病变、情绪分析、数字识别、癌症类型预测(恶性或良性)等。这些问题往往通过机器学习或深度学习来解决。像糖尿病视网膜病变或青光眼检测这样的项目中，纹理分析经常被使用，而不是传统的图像处理或深度学习等。虽然根据研究论文，深度学习在处理糖尿病视网膜病变方面有着极强的优越性。补充：纹理分析指

作者——Raimi Karim几十年来，统计机器翻译一直是主导的翻译模型[9]，直到神经机器翻译（NMT）的诞生。NMT是一种新兴的机器翻译方法，它试图构建和训练单个的大型神经网络来读取文本并输出翻译[1]。NMT是来自Kalchbrenner、Blunsom（ https://www.aclweb.org/anthology/D13-1176），Sutskever、Cho等人的提议。本文将基于s

导语：本文根据知乎知乎AI团队技术负责人黄波于第十届中国系统架构师大会(SACC 2018)的现场演讲《知乎如何利用AI理解内容和用户》内容整理而成。讲师介绍黄波，知乎AI团队技术负责人。负责知乎NLP与用户画像相关技术与业务。硕士毕业于北京大学智能科学系，曾在JMLR、ICLR等国际顶级期刊及会议发表多篇学术论文。在加入知乎前，曾任百度自然语言处理部门高级算法工程师，从事智能交互、语义表示、语义

本文将介绍吴恩达的机器学习课程中关于神经网络的编程作业3和4。这也是我们在课程中遇到的第一个复杂的非线性算法。我不了解你，但这个任务对于我来说肯定有一个陡峭的学习曲线。神经网络构成了深度学习的基础，它具有广泛的应用，如计算机视觉或自然语言处理。因此，重要的是获得基本权利并在python中编码这些赋值是确保这一点的一种方法。在进入神经网络之前，让我们完成逻辑回归的最后一节 - 多类Logistic回

饿了么（现称阿里本地生活）作为一家以线上交易与线下履约为核心的本地生活平台，催生了大量的线上线下融合场景中的图像检测需求。面对五花八门的业务需求，各类图像识别技术也在千变万化，如何建立一个灵活统一而快速有效的图像检测框架，通过对深度学习模型与GPU算力进行整合，在极短的时间内快速响应业务需求达到提效降本的目的，成为线上线下融合场景中值得深究的话题。

什么是mlFlow？mlFlow是一个支持机器学习生命周期的框架。这意味着它拥有在训练和运行期间监控模型的组件、存储模型的能力，在生产代码中加载模型以及创建管道。该框架引入了3个不同的功能，每个功能都有自己的特性。MlFlow追踪追踪可能是框架最有趣的功能。它允许您围绕模型创建广泛的日志记录框架。您可以定义自定义指标，以便在运行后可以将输出与先前的运行进行比较。我们将主要关注这一部分，同时也让您了

深度学习是计算密集型的，搭建硬件环境很重要。因此您需要具有多个内核的快速CPU，对吧？在构建深度学习系统时，最糟糕的事情之一就是在没有必要的硬件上浪费钱。在这里，我将逐步指导您使用廉价高性能系统所需的硬件。多年来，我总共建立了7个不同的深度学习工作站，尽管经过了仔细的研究和推理，但我还是在选择硬件部分时犯了一些错误。在本指南中，我想分享一下我多年来积累的经验，这样你就不会再犯同样的错误了。这篇文章

2018年马上就要结束了，我们来回顾一下过去的这一年中，机器学习领域有哪些有趣的事情吧！我们先来看看Mybridge AI 中排名靠前的顶级开源项目，再聊聊机器学习今年都有哪些发展，最后探寻下新的一年中会有哪些有值得我们期待的事情。顶级的开源项目BERTBERT，全称为Bidirectional Encoder Representations from Transformers，是一种基于Tens

为什么这对NLP来说是个大新闻？ Flair在解决NLP问题方面提供"最"先进的性能，例如命名实体识别（NER）、词性标注（PoS）、词义消歧和文本分类。这是一个建立在PyTorch之上的NLP框架。本文介绍如何使用现有的文本分类器并使用Flair构建自定义文本分类器。介绍文本分类是一种有监督的机器学习方法，用于将句子或文本文档分类为一个或多个定义的类别。它是一种广泛使用的自然