原创 Failed calling sys.__interactivehook__ 錯誤的解決

啓動python,有些錯誤,如下。 PS D:\........> python Python 3.7.0 (v3.7.0:1bf9cc5093, Jun 27 2018, 04:59:51) [MSC v.1914 64 bit

原创 ModuleNotFoundError: No module named pip.__internal , pip 無法下載軟件 解決辦法

python -m ensurepip python -m pip install --upgrade pip 如果更新不成功,加上–user,就可以了。 python -m ensurepip python -m pip in

原创 利用pip和清華源安裝tensorflow的GPU版本和CPU版本(或其他模塊)

安裝tensorflow時,如果使用直接安裝速度相對較慢,採取清華大學的鏡像會提高速度。 GPU版本: pip install tensorflow-gpu==1.8 -i https://pypi.tuna.tsinghua.e

原创 機器學習-支持向量機(SVM)詳解

原文鏈接: https://blog.csdn.net/b285795298/article/details/81977271?utm_medium=distribute.pc_relevant.n

原创 機器學習-KNN(最近鄰)詳解

K-近鄰算法原理 K最近鄰(kNN,k-NearestNeighbor)分類算法,見名思意:找到最近的k個鄰居(樣本),在前k個樣本中選擇頻率最高的類別作爲預測類別。 下面舉個例子,圖解一下大家就會顯而易見了,如下圖: e.g

原创 學裏學外

1.IT 程序員、軟件工程師值得考的證書有哪些?有什麼證書可以考?: https://blog.csdn.net/ldkjsdty/article/details/106158578 2.C/C++程序執行過程詳解之預處理、編譯、

原创 深度學習-YOLOv4網絡結構詳解

簡介 論文提出YOLOv4,從圖1的結果來看,相對於YOLOv3在準確率上提升了近10個點,然而速度並幾乎沒有下降. 論文主要貢獻如下: 提出速度更快、精度更好的檢測模型,僅需要單張1080Ti或2080Ti即可完成訓練。 驗證

原创 深度學習-CNN

原文鏈接:https://blog.csdn.net/v_JULY_v/article/details/51812459

原创 2020年華爲鯤鵬產業體系研究深度報告

導語 華爲 2019 年先後發佈兩款高性能的 7nm 級芯片處理器鯤鵬 920 和昇騰 910,標誌自研芯片算力步入 ARM 架構體系前列水平。以此爲契機,華爲 2019 年 7 月召開“鯤鵬展翅,力算未來,開創計算新時代”爲主題

原创 機器學習-SVM支持向量機解析

支持向量機(SVM) 1 摘要 支持向量機是一種二類分類模型,它的基本模型是定義在特徵空間上的間隔最大的線性分類器,所以模型的學習策略就是間隔最大化,因此形式可化爲一個求解凸二次規劃的問題,也等價於正則化的合頁損失函數的最小化問

原创 OpenCL 設備上的圖像對象和採樣器

1.設備上的圖像對象:image2d_t和image3d_t 當主機將一個圖像對象傳遞到設備上,設備上的內核函數會將它作爲一個內核參數來訪問。這個參數的數據類型和圖像的維度有關。如果接受的是二維圖像對象,參數的數據類型就是imag

原创 深度學習-MTCNN網絡結構詳解

MTCNN工作原理 MTCNN是什麼 MTCNN,Multi-task convolutional neural network(多任務卷積神經網絡),將

原创 機器學習-K-Means算法

簡介 又叫K-均值算法,是非監督學習中的聚類算法。 基本思想 k-means算法比較簡單。在k-means算法中,用cluster來表示簇;容易證明k-means算法收斂等同於所有質心不再發生變化。基本的k-means算法流程如下

原创 深度學習-MobileFaceNet網絡結構詳解

MobileNet 可分離卷積(Depthwise separable conv): 可分離卷積可以減少參數量與計算量: 例如輸入是1001003,普通卷積採用33352的卷積核,輸出爲10010052,參數量爲33352=14

原创 機器學習-多元線性迴歸(multiple linear regression)

先甩幾個典型的線性迴歸的模型,幫助大家撿起那些年被忘記的數學。 ● 單變量線性迴歸: h(x)=theta0 + theta1* x 1 ● 多變量線性迴歸: h(x)=theta0 + theta1* x 1 + theta2*