- 综合排序
- 最热优先
- 最新优先
- 来自专栏三分恶的专栏
华强买瓜•程序员版
最近小破站老给我推“华强买瓜”，整的各种活让我目瞪口呆，突然灵感上来，忍不住整个程序员版的——纯属玩梗，请勿与任何现实挂钩。 ---- ---- 素材来源电视剧《征服》，里面有出现了一个非常经典的梗——你这瓜保熟吗？ 剧中，刘华强的前妻在水果摊买了一个瓜，发现瓜缺斤短两还不熟，便回去找商贩要求换一个。 没成想商贩郝哥是个地痞流氓，不仅拒绝换瓜，还当她女儿的面用言语调戏她。 刘华强从女儿口中得知此事后，佯装前去卖瓜的顾客，反复问商贩“这瓜保熟吗”让其不耐烦，接着当面揭露商贩不仅卖生瓜还对秤做手脚。 商贩恼羞成怒要打华强，被刘华强拿西瓜刀ci伤。
1.1K30发布于 2021-09-26 - 来自专栏全球技术精选
使用 ML.NET 再现 《华强买瓜》
环境准备 今天我们会用到一些训练好的模型来实现我们的目的，需要准备以下环境和工具： 1、安装有.NET5或者6的windows开发环境 2、netron 用于解析模型的参数。 /t.ly/0cUt super-resolution模型 下载地址：https://t.ly/rnsi（需要解压提取内部的onnx文件） 操作流程 1、首先我们将目标视频（我这里就用B站经典短视频《华强买瓜 所以我们还需要通过ML.NET加载【超分辨率预训练模型】将每一帧图片进行超分辨率放大得到一张672672的图片 4、通过ffmpeg将新的图片合并成新的视频 首先先看看成品（这里我转换成gif方便演示）： 原版视频《华强买瓜 Tool 2 { 3 ///
4 /// 将bitmap转换为tensor 5 /// 6 } 总结 这一期整活基本到此就结束了，虽然只是调用了两个小模型搞着玩，但是其实只要能搞到业界主流的开源预训练模型，其实可以解决很多实际的商业场景，比如我们最近在使用美团开源的yolov6模型做一些图像对象检测来落地就是一个很好的例子这里就不再展开1.1K10编辑于 2022-09-05 - 来自专栏新智元
大谷Stable Diffusion巨制：《华强买瓜》好莱坞巨星版来了！
前两天，大谷就用它做了个《华强买瓜》——好莱坞国际巨星版。 瓜熟不熟不知道，但这AI保熟吗？ 一句话，就换了1、2、3、4个…演员。
95720编辑于 2022-09-20 - 来自专栏机器学习与统计学
收手吧，华强！我用机器学习帮你挑西瓜
今天我们就把它们结合起来，用机器学习帮华强挑西瓜！仅供娱乐，希望大家可以学到一些新姿势。 features = ["color", "root", "knocks", "texture", "navel", "touch"] np.array(input).reshape(1, 6) df_input = pd.DataFrame(input, columns=features, index=None) for feature in features[0:6]: ，买不得', unsafe_allow_html=True) return y_pred,model 决策树可视化 决策树可视化和插入网页我用decisionTreeViz和svg_write GIF 不适配手机屏幕 移动端预测坏瓜页面刷新bug 以上问题，如有兴趣，欢迎贡献代码。
87330编辑于 2021-12-15 - 来自专栏量子位
只要5秒就能“克隆”本人语音！美玉学姐不再查寝，而是吃起了桃桃丨开源
（像我们后面就试着白学了一下华强买瓜 ） 此外，还有正经的方言版，比如台湾腔就完全冇问题： 这就是GitHub博主Vega最新的语音克隆项目MockingBird，能够在5秒之内克隆任意中文语音，并用这一音色合成新的说话内容 我们先选用一位路人小姐姐的声音，试着让他像华强一样，来一句“这瓜保熟吗”，效果如何？ 嗯，果然小姐姐的语气没有华强的凶猛，不过也准确还原了本人的音色： 这不禁让我们有了一些大胆的想法。 模型再次顺利地合成了“我要买一百个瓜”，看来合成的音频质量效果也是不错的： 除此之外，我们还试了一下其他文本，基本效果都挺OK。 例如，在某位同事的强烈建议下，我们拜托作者用最新的预训练模型白学了一把华强： 嗯？原本的黑社会混混，真就变成了一位内向白学家…… 其实，为了防止不法分子利用，作者并没有上传最新的模型。
2.1K40编辑于 2023-03-01 - 来自专栏程序猿石头
逛一次北京环球影城，得花多少钱
如果你不想排这么长的队，那就要乖乖氪金买张 400 元起的“优速通”，或者直接买 1200 元起的“VIP 贵宾体验”来免排队，假装自己在魔法学院“有人”。 这笔买周边的钱在北京环球影城大概也很难省下来。 虽然还没正式开园，但环球影城的官网网店已经上线了小黄人、功夫熊猫、侏罗纪世界三个 IP 的商品。 北京环球影城虽然还未开业，但中信建投研报估算，其每年的营业额可达 250 亿元至 300 亿元人民币 [6]。 多数本土主题公园，都采用了和地产、表演相结合的产业模式，有本土大 IP 熊出没的华强方特是为数不多将 IP 做成产业的主题公园。 尽管华强方特的熊出没已是国产 IP 中的佼佼者，但由于受众年龄较低，以此为卖点的主题公园，大概多是孩子“带着”家长去玩，很难调动起其他人为其买单。
1K10发布于 2021-09-24 [C++]使用C++部署yolov9的tensorrt模型进行目标检测
，yolov9+bytetrack+pyqt5实现目标追踪结果演示，YOLOv9华强买瓜，Yolov9教程来了！赶快学习吧！
58210编辑于 2025-07-20- 来自专栏三分恶的专栏
手写HashMap，快手面试官直呼内行！
例如，我们一堆无规律的名字诸葛钢铁、刘华强、王司徒、张全蛋……我们就需要通过散列函数，算出这些名字应该分配到哪一号工位。 " + i, "你这瓜保熟吗？" 1","哥们，你这瓜保熟吗？") ; map.put("刘华强1","你这瓜熟我肯定要啊！") ; System.out.println(map.get("刘华强1")); } 大家可以自行跑一下看看结果。
82830发布于 2021-11-29 - 来自专栏量子位
当AI作画入侵鬼畜区……
Round 1： （往左滑） Round 2： （往左滑） Round 3： （往左滑） Round 4： （往左滑） 在看完AI魔改后的《华强买瓜》，网友直呼：强哥果然是御姐型！ Round 5： （往左滑） Round 6： （往左滑） 如果上面AI作画的原图你都猜中了，那么接下来这个，绝对会是一个“万万没想到”！ （往左滑） 惊不惊喜，意不意外？ 毕竟如大家所见，训练结果的有些局部细节尚待优化，类似1只手上画出6根手指头的离谱事件屡屡发生。 “那为什么你训练出的鬼畜图，最终呈现都是女孩纸？” 一起来左右滑动来康康： 新一轮Round 1： （往左滑） Round 2： （往左滑） Round 3： （往左滑） Round 4： （往左滑） Round 5： （往左滑） Round 6： 参考链接： [1]https://www.bilibili.com/video/BV1H44y1f7d6/?
98410编辑于 2023-02-28 - 来自专栏智能相对论
库克“坐视不理”，与苹果共同芯片，山寨AirPods到底有多“横”？
（图源：网络） 据供应链信息不完全统计，2020年苹果公司生产的AirPods全年出货量约在8千万至9千万幅之间，而与此同时，山寨AirPods的出货量高达6亿幅，二者的出货量差距竟然可以高达7倍之多。 （图源：时代财经） “买正品，谁来华强北啊”，华强北一家店铺的老板在接受《时代财经》记者采访时说道。在华强北买耳机，除非门口有“正品专区”标志，否则大多数情况都是山寨产品。 电商平台的商家不会明目张胆的使用AirPods字样，而是配以“华强北苹果耳机”“华强北黑科技”“苹果官方三代”“官方原封三代耳机”等引流文案。 山寨AirPods带来的经济损失竟占到全年销售额的约1/6。库克着实头大啊！ 在约6亿人月收入不足1千元的经济背景下，价格着实是让众多消费者“望而却步”的最佳理由。
76840发布于 2021-09-14 - 来自专栏腾讯云智能·AI公有云
吃瓜 | 程序员的6个真面目，没有一个被冤枉！
公众号后台回复「福利」领资料包&红包封面 *数量有限，先到先得 03 评论有礼 参与方式 【腾讯云开发者】公众号文章评论区聊一聊： 「你对所在岗位的感受 or 工作中的难忘时刻」 点赞量最高的6位朋友
62220编辑于 2023-05-05 - 来自专栏红色石头的机器学习之路
通俗易懂！白话朴素贝叶斯
买瓜问题 首先，我们要介绍两个数学概念：先验概率、后验概率。是不是又要晕乎乎了？没关系，我们通过一个例子来帮助你理解这两种概率。 红色石头买西瓜的例子中，P(瓜熟，瓜蒂脱落) 称之为联合分布，它表示瓜熟了且瓜蒂脱落的概率。 首先，对于瓜熟的情况： 瓜熟的先验概率： P(瓜熟) = 6 / 10 = 0.6。 条件概率： P(脱落 | 瓜熟) = 4 / 6 = 2 / 3。 条件概率： P(圆形 | 瓜熟) = 4 / 6 = 2 / 3。 条件概率： P(青色 | 瓜熟) = 2 / 6 = 1 / 3。 不知道红色石头的这次买瓜经历是否对你了解朴素贝叶斯有所帮助呢？
1.1K10发布于 2019-05-25 - 来自专栏PaddlePaddle
从00后小学生到童心工程师：让我们荡起“飞桨”，共度快乐六一
1 热AI生活 “你这瓜，保熟吗？” 著名找茬青年刘华强凭借这句话引发了“一个西瓜的血案”，也贡献了年度最火表情包。玩梗的网友不亦乐乎，水果摊摊主瑟瑟发抖。 然而，即使掌握了各种挑水果攻略，还是免不了买到“生瓜蛋子”。日常生活中，买到不成熟、不新鲜水果是司空见惯的事，大部分人会自认倒霉。毕竟对于水果新鲜度的判断，就像薛定谔的猫，打开了才有定论。 “我想帮外婆买最新鲜的水果。” 覃希妍，是一名来自海淀实验二小的学生，今年上4年级。从小就是一个“科技迷”的她，特别喜欢钻研生活中的小细节。 覃希妍发现，外婆买的香蕉拿回家后很快就变黑了，她想让外婆吃到更加新鲜的水果，但自己也很难判断。于是，她萌生了做一个“水果新鲜度检测工具”的想法。 说干就干。
46210编辑于 2022-08-31 - 来自专栏AiCharm
Meta发布视觉大模 | 自监督学习无需微调，多任务效果超OpenCLIP，已开源
官网上给出的图片效果还是挺不错的，输入铁塔照片，可以生成不少含铁塔的相似艺术图片： 这里我们也试了试，输入一张华强买瓜，给出来的艺术图片大多数与西瓜有关： 那么，这样的自监督视觉大模型可以用在哪里？
1.2K30编辑于 2023-05-15 - 来自专栏量子位
小扎亲自官宣Meta视觉大模型！自监督学习无需微调，多任务效果超OpenCLIP丨开源
官网上给出的图片效果还是挺不错的，输入铁塔照片，可以生成不少含铁塔的相似艺术图片： 这里我们也试了试，输入一张华强买瓜，给出来的艺术图片大多数与西瓜有关： 那么，这样的自监督视觉大模型可以用在哪里？
73820编辑于 2023-05-06 - 来自专栏xiaosen
DFS算法及应用
就需要实现n重循环 n重循环=特定的树状结构=DFS搜索 给定一个数字x=6，将其拆分成3个正整数，后一个要求大于等于前一个，给出方案。 买瓜 小蓝正在一个瓜摊上买瓜。瓜摊上共有n个瓜，每个瓜的重量为A;小蓝刀功了得，他可以把任何瓜劈成完全等重的两份，不过每个瓜只能劈一刀。小蓝希望买到的瓜的重量的和恰好为m。 ans, cnt) if depth == n: # 正常的出口 return # 不买 dfs(depth + 1, weight, cnt) # 买 # 卖一半 dfs(depth + 1, weight + A[depth] // 2, cnt + 1) n, m = map(int, input().split()) # 买n 定义两个n边形不同是指至少有—条边的长度在一个n边形中有使用而另一个n边形没有用到，如n边形(3,4,5,6)和(3,5,4,6)是两个相同的n边形，(3,4,5,6)和(4,5,6,7)是两个不相同的
52310编辑于 2024-03-15 - 来自专栏机器学习
—— 用 “买西瓜” 讲透核心逻辑
——用“买西瓜”讲透核心逻辑快速导读难度：入门位置：第1篇读完可接：第2篇《机器学习基本术语大拆解——用西瓜数据集逐个对应》@[toc]一、先看人类怎么“学习”挑西瓜你之所以能快速挑到好瓜，背后藏着三个关键步骤 ，这和机器学习的核心流程完全对应：1.积累“数据”——收集经验你第一次买西瓜时可能不懂分辨，要么听老板推荐，要么凭感觉选。 但买的次数多了，就会默默记下各种“线索”：色泽：青绿的好像比浅白的好；根蒂：蜷缩的比硬挺的甜；敲声：浊响的比清脆的熟得透。 2.总结“规律”——训练模型买的西瓜多了，你会不自觉地总结出一套“挑瓜规则”：如果色泽=青绿AND根蒂=蜷缩AND敲声=浊响→好瓜；如果色泽=浅白OR根蒂=硬挺→大概率是差瓜。 3.判断“新瓜”——模型预测下次再买瓜时，你不会再盲目尝试，而是直接用总结好的“规则”去套新瓜：看到一个青绿、蜷缩、浊响的瓜，立刻判断是好瓜，果断下手。
46610编辑于 2026-01-22 - 来自专栏韦东山嵌入式
不用买硬件，1s体验鸿蒙系统！(IMX6ULL QEMU运行鸿蒙系统)
体验LCD和触摸屏 执行如下命令： [root@qemu_imx6ul:/]# myfb-test /dev/fb0 // 在屏幕上画同心圆 [root@qemu_imx6ul:/]# ts_test 体验LED 执行如下命令，观察开发板上第1个LED： [root@qemu_imx6ul:~]# insmod 100ask_led.ko [root@qemu_imx6ul:~]# ls /dev/100ask_led0 /dev/100ask_led0 [root@qemu_imx6ul:~]# ledtest /dev/100ask_led0 on [root@qemu_imx6ul:~]# ledtest /dev 这里不需要再次执行 [root@qemu_imx6ul:~]# cd button_driver_qemu/ [root@qemu_imx6ul:~/button_driver_qemu]# insmod button_drv.ko [root@qemu_imx6ul:~/button_driver_qemu]# insmod board_100ask_qemu_imx6ull.ko [root@qemu_imx6ul
2.9K20编辑于 2022-05-09 - 来自专栏ShowMeAI研究中心
图解机器学习 | 决策树模型详解
以买衣服为例，一个顾客在商店买裤子，于是有了下面的对话： [0ae3c195e46617040f9961f601f3fa20.png] 决策树是一种预测模型，代表的是对象属性与对象值之间的映射关系。 \left \{ 1,4,6 \right \} ，比例为3/6，坏瓜样例为\left \{ 10,13,17 \right \} ，比例为3/6。 D2(色泽=乌黑)，包含\left \{ 2,3,7,8,9,15 \right \} ，6个样例，其中好瓜样例为\left \{ 2,3,7,8 \right \} ，比例为4/6，坏瓜样例为\left 此时好瓜样例为\left \{2,3,4,6,7,8\right \} ，比例为6/14，坏瓜样例为\left \{ 9,10,11,12,14,15,16,17 \right \} ，比例为8/14。 /6，坏瓜样例为\left \{ 9,15 \right \} ，比例为2/6。
4.5K63编辑于 2022-03-10 - 来自专栏FreeBuf
八百元八核的服务器？二手服务器（工作站）搭建指南（下）| 你们要的第二弹
大型单机的多核优化还算可观，但在网游里就真是“一核有难，八核吃瓜”了 E5-2670（2.6Ghz，最高睿频3.3Ghz） ? E5-2683 V3（2.0Ghz，最高睿频3Ghz） ? 但是在面对单核性能优化的网游来说，E5确实是门不当户不对，看着一核有难，八核吃瓜，着实有点尴尬。像E5-2670，要是只跑两个核，也就是个二代i3。 不得不说中国绝对不缺人才，华强北可谓卧虎藏龙，就连intel顶级的主板，都能自主山寨出来，我严重怀疑有主板厂商的内部人员下海华强北。 X58和X79都相继被仿造，800的全新主板！还能上RECC内存！ 介绍它的原因是因为它多多少少有点传奇色彩： 前年价格1K多，去年瞬间掉到最低价320一颗（C1步进）,据华强北JS说是某超算拆了几万块下来。 搭建过程简单描述一下： 1、买配件，这块板比较少见，华强北也没有找到，最后选择的淘宝，广州发深圳，含邮费300（现在好像涨到350了）。其他配件阳台翻出来的。 ? 主板全貌如下： ?
13.4K121发布于 2018-02-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号