- 综合排序
- 最热优先
- 最新优先
- 来自专栏xiaosen
ChatGLM-6B微调推理实战
在INT4量化级别下，最低只需6GB显存即可运行。 我是人工智能助手 ChatGLM-6B,很高兴见到你,欢迎问我任何问题。 tar -xvf ChatGLM-6B-main.tar.gz ⭐️安装依赖 ! cd ChatGLM-6B-main/ptuning && bash train.sh 模型推理 evaluate.sh： PRE_SEQ_LEN=8 CHECKPOINT=adgen-chatglm -6b-pt-8-1e-2 STEP=6 CUDA_VISIBLE_DEVICES=0 python main.py \ --do_predict \ --validation_file
35710编辑于 2024-08-24 《数字图像处理》实验6-图像分割方法
'图像文件'}, '选择彩色图像'); if isequal(filename, 0) error('未选择图像文件'); end rgb_img = imread(fullfile(pathname FontSize', 12); subplot(2, 3, 5); imshow(canny_edge); title('Canny算子', 'FontSize', 12); subplot(2, 3, 6) = 1; queue = [queue; nr, nc]; % 加入队列继续生长 end end end end % 6. 交互式选择彩色图像 [filename, pathname] = uigetfile({'*.jpg;*.png;*.bmp;*.tif', '图像文件'}, '选择彩色图像'); if isequal rgb_label = label2rgb(L, 'jet', 'w', 'shuffle'); % 彩色标记分割区域 % 6.
16810编辑于 2026-01-21《数字图像处理》第 6 章 - 彩色图像处理
# 误差图（原始-还原） error = np.abs(img_rgb - rgb_recon) plt.subplot(2, 3, 6) plt.imshow ) # 还原的RGB图像 plt.subplot(2, 4, 6) plt.imshow(rgb_recon) plt.title('HSI转回RGB图像') plt.figure(figsize=(18, 6)) plt.subplot(1, 3, 1) plt.imshow(img_rgb) plt.title('原始低对比度图像 g_gain = gray_mean / (g_mean + 1e-6) b_gain = gray_mean / (b_mean + 1e-6) # 应用增益 Gonzalez（核心教材）； 《数字图像处理与机器视觉》—— 张铮； OpenCV 官方文档：https://docs.opencv.org/4.x/d6/d00/tutorial_py_root.html
18010编辑于 2026-01-21《数字图像处理实战》第 6 章 彩色图像处理
前言 彩色图像处理是数字图像处理领域的核心内容之一，相比灰度图像处理，彩色图像能携带更丰富的视觉信息，广泛应用于医疗影像、遥感监测、工业检测、计算机视觉等领域。 本文基于《数字图像处理》第 6 章内容，从基础理论到实战代码，全方位讲解彩色图像处理的核心知识点，所有代码均可直接运行，并附带效果对比图，帮助大家直观理解。 cmap='gray') plt.title('CMY-黄(Y)') plt.axis('off') # CMYK分量 plt.subplot(3, 4, 6) ) * min_rgb # 加1e-6避免除以0 # 计算色调H numerator = 0.5 * ((r - g) + (r - b)) denominator = np.sqrt((r - g)**2 + (r - b) * (g - b)) + 1e-6 theta = np.arccos(numerator / denominator)
20310编辑于 2026-01-21- 来自专栏新智元
【Science】DeepMind关系推理ANN，在图像理解中击败人类
【新智元导读】人类通常相当擅长关系推理，但对 AI 来说是难点。谷歌 DeepMind 研究人员提出了用于关系推理的人工神经网络。 这些问题需要关系推理，这对于 AI 来说是难点。现在，谷歌 DeepMind 的研究人员已经开发了一种简单的算法来处理这种推理，而且它已经在复杂的图像理解测试中打败了人类。 它拥有处理图像、分析语言甚至学习游戏的专门架构。在这种情况下，新的“关系网络”设计用来比较各个场景中的每一对对象。 对于这个任务，关系网络与另外两种类型的神经网络组合：一个用于识别图像中的对象，一个解释问题。在许多图像和问题上，其他机器学习算法在 42％ 到 77％ 的时间是正确的。人类取得了 92％ 的好成绩。 “我希望可以实现自己生成策略的模型”，他表示：“ DeepMind 正在致力于一种特定类别推理的建模，并非普遍意义上的关系推理。但是向着正确方向迈进的及其重要的一步”。
1.1K170发布于 2018-03-28 - 来自专栏计算机视觉
图像处理常用算法—6个算子 ！！
前言 同图像灰度不同，边界处一般会有明显的边缘，利用此特征可以分割图像。 正是因为这些原因，基于边缘的图像分割仍然是当前图像研究中的世界级难题，目前研究者正在试图在边缘提取中加入高层的语义信息。 缺点：Sobel算子并没有将图像的主题与背景严格地区分开来，换言之就是 Sobel算子并没有基于图像灰度进行处理，由于Sobel算子并没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意 其原理是图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个检测水平边缘，一个检测垂直边缘。 6、Canny算子 该算子功能比前面几种都要好，但是它实现起来较为麻烦，Canny算子是一个具有滤波，增强，检测的多阶段的优化算子，在进行处理前，Canny算子先利用高斯平滑滤波器来平滑图像以除去噪声，
2.1K11编辑于 2024-03-19 - 来自专栏石开之旅
图像处理笔记（6）---- OpenCV waitKey函数
函数格式：waitKey(x); 参数x ： 等待x秒，如果在x秒期间，按下任意键，则立刻结束并返回按下键的ASCll码，否则返回-1 若 x=0，那么会无限等待下去，直到有按键按下。 import cv2 from matplotlib import pyplot as plt img = cv2.imread("C:\\Users\\SPC20-012\\Pictures\\girl.png", 0) cv2.imshow("Image", img) k = cv2.waitKey(0)&0xFF #
1.3K10发布于 2020-09-21 - 来自专栏信数据得永生
Python 图像处理实用指南：6~10
/apachecn-cv-zh/-/raw/master/docs/handson-imgproc-py/img/2e6ef21f-0fbd-4754-8f0d-9d706c63fbc6.png)] 下面的代码块显示了如何在相同的输入灰度图像上应用 使用以下图像并裁剪白色背景： [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qxbyj6kF-1681961425703)(https://gitcode.net/apachecn 输入是一个扁平图像，包含隐藏层中的 28 x 28 个节点和 1024 个节点，以及 10 个输出节点，对应于要分类的每个数字： [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-O6wofc2V _conv1 (Conv2D) (None, 6, 6, 512) 1180160 # _______________________________________ __________________________ # block4_conv2 (Conv2D) (None, 6, 6, 512) 2359808 # ____
2.1K20编辑于 2023-04-27 原生多模态推理：Gemini 3 如何“理解世界”而非“拼接图像”？
@TOC开篇引言在人工智能领域，多模态推理一直是一个重要的研究方向。传统的多模态模型通常将不同模态的数据（如文本、图像、音频）进行简单的特征拼接，然后进行联合推理。 Gemini 3 是一种新型的多模态推理框架，它通过原生多模态推理技术，能够更好地“理解世界”，而不仅仅是“拼接图像”。 通过结合用户的历史听歌记录（文本）、专辑封面（图像）和音乐片段（音频），Gemini 3 能够更准确地理解用户的音乐偏好，并推荐符合其口味的音乐。 这种原生多模态推理技术不仅能够更好地“理解世界”，还能够应用于各种实际场景，如猴子音悦100万正版音乐的推荐系统。 总结本文深入探讨了原生多模态推理：Gemini 3 如何“理解世界”而非“拼接图像”？的相关技术，从原理到实践，从基础到进阶，希望能够帮助读者全面掌握这一技术。
28210编辑于 2025-12-25- 来自专栏往期博文
【OpenCV】Chapter6.频率域图像滤波
= cv2.magnitude(imgIdft[:, :, 0], imgIdft[:, :, 1]) # 重建图像 plt.figure(figsize=(9, 6)) plt.subplot( NORM_MINMAX)) # 归一化为 [0,255] imgRebuild = np.copy(idftMagNorm[:rows, :cols]) plt.figure(figsize=(9, 6) plt.figure(figsize=(9, 6)) rows, cols = imgGray.shape[:2] # 图片的高度和宽度 sigma2 = [0.5, 0.09, 0.01] # minValue, maxValue, minLoc, maxLoc = cv2.minMaxLoc(dftAmp) # 找到傅里叶谱最大值的位置 plt.figure(figsize=(9, 6) 2): dftLPfilter[:rPadded, :cPadded, j] = dftImage[:rPadded, :cPadded, j] * lpFilter # (6)
2K30编辑于 2022-09-26 - 来自专栏信数据得永生
OpenCV 图像处理学习手册：6~7
捕获的图像可以传输到开发计算机，并用于创建 HDR 图像。 注意 从 iOS 7 开始，本机相机应用具有 HDR 模式，可自动快速捕获三幅图像，每幅图像具有不同的曝光度。 这些图像也会自动组合为单个（有时更好）的图像。 创建 HDR 图像 我们如何将多张（例如三张）曝光图像合成为 HDR 图像？ 甚至还有一个名为hdr_imaging的教程示例，该示例从图像文件中读取图像文件和曝光时间列表，并创建 HDR 图像。 seamlessClone函数获取源图像，目标图像和遮罩图像以及目标图像中将插入裁剪对象的点（可以从这个页面）。 总之，速度增量为6x。 此增量非常重要，尤其是当您只需要更改几行代码时。 但是，有可能实现更高的速度增加速率，这与问题甚至内核的设计有关。
2.1K30编辑于 2023-04-27 - 来自专栏贾志刚-OpenCV学堂
图像编辑器 Monica 之生成漫画风格的图像、以及使用 GPU 实现推理
图像编辑器 Monica Monica 是一款跨平台的桌面图像编辑软件(早期是为了验证一些算法而产生的)。 ONNXRuntime 部署的模型都支持使用 GPU 来加速推理。 风景图动漫化.png 2.2 模型的加载、推理 下面展示 AnimeGANv3 相关模型的加载、推理方法，先定义一个 AnimeGAN 类 #include<iostream> #include<fstream ，将图像转换成漫画的风格。 使用 GPU 推理 在使用 GPU 做推理时，需要有个前提就是确保安装了 CUDA、cuDNN 以及 CUDA 对应的 ONNXRuntime 版本。
10600编辑于 2026-04-02 - 来自专栏Rattenking
OpenCV-Python学习（6）—— OpenCV 图像算术操作
图像像素运算 3.1 实例 读取要图像像素运算的原图片 opencv-logo-white； 复制一个和原图形状一致的矩阵，数组元素以 0 来填充；由于图像像素运算两个图像必须是一样大小，所以直接复制一个形状一致的矩阵 修改矩阵每个元素的颜色为 (110,0,250)； 图像像素加法运算【cv.add】，由于保证不越界，因此相加大于255的值最后的值都是255，如果三通道都是255就是白色； 图像像素减法运算【cv.subtract 就是白色，由于复制图片的颜色是(110,0,250)，所以除黑色外的颜色就是(255,0,255)； 图像像素除法运算【cv.divide】，由于保证不越界，同时元素的dtype=np.uint8，所以原图像除以 由于饱和运算和模运算的不同，可以看到做相同操作后，两种运算得到的图像差距较大！ 5. 由于图像像素运算两个图像必须是一样大小。
1K10编辑于 2022-10-24 - 来自专栏点云PCL
Open3d学习计划—6（RGBD图像）
Open3d的图像能够直接转化为numpy或者从numpy转化。 一个Open3d的RGBDImage由两幅图像组成，分别是RGBDImage.depth & RGBDImage.color。 我们要求两幅图像能够通过相同的相机框架和相同的分辨率配准。下面的教程将会介绍如何从一些著名的RGBD数据集去读取和使用RGBD图像。 Color图像被转换为灰度图，储存成[0，1]之间的float类型的数据。深度图像也通过float类型存储，表示深度值（单位：米）。 转换后的结果能够通过numpy数组表示。 给定一组相机参数，RGBD图像能够转换成点云。 首先，NYU图像不是标准的jpg或者png格式，因此我们需要使用 mpimg.imread来读取一个color图像为一个numpy数组，并将其转化为Open3d图像。
4.2K40发布于 2020-07-14 - 来自专栏巴山学长
大神带你玩转matlab图像处理（6）——Hough变换
近段时间过冷水开始接触一点点图像处理的知识三维空间分布函数绘制实例推文就有关于读取图像上的数据程序处理。 关于图像处理的基础知识过冷水就不再重复讲解了，在其基础上继续深入学习数字图像的转变。 为了能够有效的快速对图像进行处理，需要在图像空间的图像以某种形式转换到另一空间，在过冷水的工作中就存在倒易空间和实空间的概念。各空间概念的提出必然有其便捷性。 利用空间的特点性质进行图像加工，就是图像转换，比较常见的图像转换方式有：算术计算、几何变换、Hough变换、傅里叶变换、离散变化，有关案例可以看大神带你玩转matlab图像处理 (一)。 在图像处理中，从图像中识别几何形状的基本方法之一是Hough变换，它有很多改进算法。最基本的Hough变换是从黑白图像中检测直线。
1.1K10发布于 2021-02-24 - 来自专栏计算摄影学
6. 傅里叶变换与图像的频域处理
今天这篇主要介绍傅里叶变换与图像的频域处理，并分析频域滤波和图像的空域滤波的关系。 一、傅里叶的趣事 ? 今天的主角是图上这位男子：让·巴普蒂斯特·约瑟夫·傅立叶。 同样，非周期性的二维图像也可以表达为频谱形式： ? 有趣的是，图像的相位信息非常重要。 每一次高斯模糊，都是在去除图像中的高频分量，这样图像的最大频率就会降低，于是就会满足采样频率fs > Nyquist Rate的要求，也就使得采样后的图像没有缺陷。 ? 七. 总结 在很多领域信号的傅里叶变换和频域处理都有广泛的应用，今天这篇文章主要介绍了图像的傅里叶变换、频域图像处理基础。下面是大纲： ? yourwanghao/获取 参考资料： 这一篇文章的绝大部分素材来自于 [1] CMU 2017 Fall Computational Photography Course 15-463, Lecture 6
2.1K10发布于 2020-04-17 - 来自专栏人人都是架构师
HugggingFace 推理 API、推理端点和推理空间使用介绍
本文将介绍 HuggingFace 的推理 API、推理端点和推理空间的使用方法。 页面小组件 推理 API 有两种使用方式，一种是在模型页面的右侧找到推理 API 的小组件页面，初始界面如下图所示： 我们可以在这个页面中上传图片，然后就可以看到模型进行推理运行，等一会后推理结果就出来了 (Endpoint) 推理 API 虽然方便，但推理 API 一般用于测试和验证，由于速率限制，官方不推荐在生产环境中使用，而且也不是所有模型都有提供推理 API。 信息确认无误后点击Create Endpoint按钮创建推理端点，创建成功后可以进入推理端点的详情页面看到如下信息： 其中Endpoint URL就是部署好的推理端点地址，我们可以跟调用推理 API 总结 本文介绍了 HuggingFace 的推理 API、推理端点和推理空间的使用方法，推理 API 是免费的，使用 HuggingFace 自建的 API 服务，推理端点是部署自己专属的 API 服务
4.4K40编辑于 2023-09-17 - 来自专栏Python数据科学
使用K-Means算法将图像压缩6倍！
使用K-Means进行图像压缩 是时候测试我们对K-Means的知识并将其应用于解决现实生活中的问题了。我们将使用K-Means来执行图像压缩。 最左边的图像描绘了实际图像。 中间图像描绘了一个压缩图像，但剩下一点点分辨率。最右边的图像描绘了高度压缩和低分辨率的图像。压缩已经使用K-Means完成。 考虑你有一个大小为128 X 128 X 3的图像。 如果你矢量化图像，你将有一个大小为16384 X 3的numpy数组。我们可以将这个图像视为数字数据的数据点，即我们必须忽略这个事实这个数据代表一个图像。 如果我们现在将数组视为一个图像，唯一的区别是，我们现在只使用4位（因为2⁴= 16 = K）来表示图像颜色。新图像的总大小为：128 X 128 X 4 = 65536位。 将其与原始图像进行比较，原始图像具有128 X 128像素，每个像素为24位颜色，结果是128 X 128 X 24 = 393216位。 显然，我们将图像压缩了6倍！结果惊人！
1.6K30发布于 2019-04-09 - 来自专栏EMQ 物联网
eKuiper 1.8.0 发布：零代码实现图像视频流的实时 AI 推理
该版本的主要亮点有： 零编码 AI 推理： 通过通用 AI 函数，用户无需编码即可针对流式数据或视频流实现实时 AI 算法推理。该函数可以推理任意的 Tensor Flow Lite 模型。 图像/视频流推理 配合新版本提供的视频流源（详情见下文），eKuiper 提供了视频接入并定时获取图像帧的能力。图像帧可在规则中，使用 tfLite 函数进行 AI 推理。 Tensor Flow 模型通常是针对特定的图像大小进行训练的，对图像进行推理时，经常需要进行变更大小等预处理。eKuiper 也提供了 resize、thumnail 等预处理方法。 连接生态扩展 eKuiper 可以处理二进制图像数据，但是此前的测试中，图像都是经由 MQTT、HTTP 等偏向文本数据传输的协议来发送。新版本提供了视频流源，增加了一种新的二进制数据源。 通过视频源接入的数据，可以使用已有的 SQL 功能，例如 AI 推理函数功能等，转换成数据进行计算或输出为新的二进制图像等。 规则自动化运维 部署在边缘端的规则运维相对困难。
1.5K20编辑于 2023-03-01 - 来自专栏CreateAMind
因果推理比概率推理更难吗？
统计和因果推理中的许多任务可以被解释为合适的形式语言中的蕴含问题。我们问，从计算的角度来看，对于因果概率语言来说，这些问题是否比纯概率（或“关联”）语言更困难。 尽管从多种意义上讲，因果推理确实更复杂——无论是表达上的还是推理上的——我们表明因果蕴涵（或可满足性）问题可以系统地、稳健地简化为纯粹的概率问题。因此，计算复杂性不会增加。 毫无争议的是，因果推理比纯粹的概率或统计推理更困难。后者似乎已经足够困难了：估计概率、根据过去的观察预测未来事件、确定统计显着性、在统计假设之间做出裁决——这些已经是艰巨的任务，长期陷入争议。 因果推理问题似乎只会让我们的任务变得更加困难。推断因果效应、预测干预结果、确定因果方向、学习因果模型——这些问题通常需要统计推理，但也对研究者提出更多要求。 从推理的角度来看，概率信息远远不能确定因果信息。 统计推断和因果推断的一个共同特征是，每种方法最突出的方法都可以（至少部分地）理解为试图将归纳问题转化为演绎问题。
27810编辑于 2024-03-25
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