- 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》
/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 接着我们创建一个一个类文件用于加载模型以及完成相应的图片处理，在此之前我们需要使用安装好的netron来打开这两个onnx模型，查询他们的输入输出值，打开netron选择file-open，然后选择第一个模型udnie-9. 首先定义一个session用于加下onnx模型 static InferenceSession styleTransferSession = new InferenceSession("model/udnie-9. BitmapToTensor(Bitmap originBmp, int resizeWidth, int resizeHeight, ref DenseTensor<float> input, bool toRGB) 9
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。
90320编辑于 2022-09-20 使用C++部署yolov9的tensorrt模型进行目标检测
接下来，你需要将YOLOv9的模型转换为TensorRT模型。这一步涉及使用TensorRT的API来解析原始的YOLOv9模型，并将其转换为TensorRT可以识别的格式。 安装步骤 下载p yolov9 and download yolov9-c.pt 模型. 转到onnx模型: 首先需要修改 utils/general.py 在yolov9官方地址 教程. 导出模型 python export.py --weights yolov9-c.pt --include onnx 转换到tensorrt模型: trtexec.exe --onnx=yolov9-c.onnx --config Release 7.使用: 预测图片 yolov9-tensorrt.exe yolov9-c.engine test.jpg 预测文件夹 yolov9-tensorrt.exe yolov9 目标检测之YOLO V9来了！，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！
51710编辑于 2025-07-20- 来自专栏区块链大本营
9岁男孩为买任天堂游戏机，竟然...
你买画吗？只接受比特币支付的那种 为筹集足够的钱给自己买一台任天堂游戏机（Nintendo Switch），9岁的 Dennis 正在网上出售他的艺术杰作——简笔画。 但如果说这个年仅9岁的小男孩是在通过比特币闪电网络乐此不疲地进行交易呢？ 在网站的首页，他是这样说的： ? 我很喜欢画画，所以我通过闪电网络出售我的简笔画来获得比特币。 “9岁的 Dennis 为我画了一个比特币吉祥物，他没有让我失望！支持这个孩子，通过闪电网络进行交易感觉很 cool！” 这个帖子下面也产生了关于 Dennis 真假的激烈讨论，如图： ? ? 是网友对 Dennis 的怜悯（他老爸不给钱买游戏机！！）？还是对闪电网络的认同？ 黑天鹅、Poketoshi、Satoshi 's Place...
2.7K40发布于 2019-03-12 - 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。 watermelon-prediction/main/app.py 老规矩，先看效果图（GIF刷新有点慢，请耐心等待） 使用方法 第一步，左侧先选择西瓜外观 第二步，选择决策树的模型参数 第三步，看结果 如果是好瓜， 页面弹出的就是笑眯眯的图片~ 如果是坏瓜，页面显示的是后果很严重的图片 实现方式 注：篇幅原因，仅贴出核心代码 完整代码我放到了网页里，需要可以copy走 data.py 主要是原始数据的处理，inputData ，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。
83230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。
2K40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
看过《哈利·波特》的人都知道，巫师们可以在伦敦国王十字车站的 9¾ 站台，登上前往霍格沃茨的列车。每一个渴望入学霍格沃茨的孩子，都相信自己不是“麻瓜”，总有一天可以找到那个入口。 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。 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。
96210发布于 2021-09-24 - 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。
77930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！ spm_id_from=333.337.search-card.all.click&vd_source=2d5420ec8bc9a0d0aca5fe8296919723 [2]https://www.youtube.com
94610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所造就的财富故事，在华强北商人群体中并不罕见。 “早几年开始做的都发财了”，“生意好的时候一天赚个几十万的都有”，“有朋友靠做这个在深圳都已经买了几套房了”······ 可以说，纵观华强北的“发展史”，山寨AirPods在华强北的出现，是一个必然的结果
71940发布于 2021-09-14 - 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。
43810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？
1.1K30编辑于 2023-05-15 - 来自专栏xiaosen
DFS算法及应用
dfs(depth): if depth == n: # 递归的出口 return # 每次循环做的枚举操作 例题： 分糖果 两种糖果分别有9个和 两种糖果分别有9个和16个，要全部分给7个小朋友，每个小朋友得到的糖果总数最少为2个最多为5个，问有多少种不同的分法。糖果必须全部分完。 if 2 <= i + j <= 5 and i <= n and j <= m: dfs(depth + 1, n - i, m - j) dfs(0,9,16 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。 # 卖一半 dfs(depth + 1, weight + A[depth] // 2, cnt + 1) n, m = map(int, input().split()) # 买n
48410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。
39710编辑于 2026-01-22 - 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？
68320编辑于 2023-05-06 - 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。 红色石头终于明白了如何利用朴素贝叶斯法，来判断瓜是否熟了。 4. 朴素贝叶斯分类 红色石头已经了解了贝叶斯定理和朴素贝叶斯法，接下来已经可以很自信地去买瓜了。 买瓜之前，还有一件事情要做，就是搜集样本数据。红色石头通过网上资料和查阅，获得了一组包含 10 组样本的数据。这组数据是不同瓜蒂、形状、颜色对应的西瓜是生是熟。 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？
1K10发布于 2019-05-25 - 来自专栏人工智能应用
七天学完十大机器学习经典算法-03.决策树：人类思考的算法实现
行业应用统计： 医疗诊断：85%的临床决策支持系统使用决策树 金融风控：信用卡审批的核心算法 制造业：产品缺陷根源分析工具 二、决策树本质：问答游戏的算法实现 生活案例1：买西瓜决策 特征 好瓜(1) 坏瓜(0) 纹理 清晰 8 2 模糊 1 9 敲声 清脆 9 1 沉闷 2 8 人类决策逻辑： 先看纹理：清晰的瓜80%是好瓜 若纹理模糊：直接判坏瓜（准确率90%） 若纹理清晰：再听敲声 清脆→好瓜（90%概率） 沉闷→坏瓜（80%概率） 三、核心问题：如何选择最佳提问顺序？ 关键指标1：信息熵（混乱度度量） S：当前数据集 pᵢ：第i类样本的比例 案例计算（买瓜数据集）： 初始状态（10好瓜+10坏瓜）： 按纹理清晰分割后： 清晰组（8好+2坏）：Entropy 清脆组（9好+1坏）：Entropy=0.47 沉闷组（2好+8坏）：Entropy=0.72 发现：纹理和敲声增益相同？
64310编辑于 2025-08-01 - 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。 数据集分为好瓜、坏瓜，所以 |y|=2。 根结点包含17个训练样例，其中好瓜共计8个样例，所占比例为8/17。 坏瓜共计9个样例，所占比例为9/17。 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 ：{9} 结点4（坏瓜）：分类正确：{11,12} [5fea16b3d617ec6629d3850e28b9a503.png] 若划分后的验证集精度下降，则拒绝划分。 /6，坏瓜样例为\left \{ 9,15 \right \} ，比例为2/6。
4.4K63编辑于 2022-03-10 - 来自专栏鱼皮客栈
DeepSeek 拿下顶级域名！
大家好，我是正在吃瓜写代码的程序员鱼皮。 可能这两天已经有小伙伴发现了，输入 ai.com，跳出来的不是 ChatGPT、也不是马斯克的 X AI，而是咱国产的 DeepSeek！ 搜索引擎收录的结果中，文字已经改为了 DeepSeek，但图标还是 ChatGPT 的图标： 我查了一下这个域名的历史记录，发现 2 月 9 日凌晨 2 点的时候，这个域名就被重定向到了 chat.deepseek.com 有一说一，比起区块链公司 Block.one 收购 voice.com 花的 3000 万美元，360 买 360.com 花的 1700 万美元，这个价格已经算得上物美价廉了。 ai.com 最后一次比较明确的易主，还是在 2021 年 9 月。有媒体报道称 ai.com 被 FMA 出售，之后也有消息确认了这个域名被卖给了 NFT 领域的个人买家。 只有吃瓜群众乐此不疲。 所以“海王” ai.com下一次买主会是深度求索（DeepSeek）吗？还是域名贩子又一次蹭热度，想尽快卖个好价？
3K10编辑于 2025-02-12
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