- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
学习分类 2-3 感知机
感知机 要如何求出权重向量呢？基本做法和回归时相同，将权重向量用作参数，创建更新表达式来更新参数。这就需要一个被称为感知机的模型。 感知机是接受多个输入后将每个值与各自的权重相乘，最后输出总和的模型。 数据包含三个特征的感知机模型如下所示。 感知机是非常简单的模型，基本不会应用到实际的问题当中，但是它是神经网络和深度学习模型的基础模型。 图片 下表示收集到的六个训练数据。
63210编辑于 2022-11-08 - 来自专栏人人都是极客
无人驾驶技术课——感知（3）
在前面的课程里，我们提到了感知模块内的计算机视觉和深度学习，这节课我们来讲一讲感知任务中的分类、跟踪、语义分割和 Apollo 感知相关的内容。 如果感知到前方有一辆自行车，汽车可能会决定减速或变道，以便安全驶过自行车；但是，如果感知到前方是一辆汽车，并预测到前方车辆也将以接近限速的速度行驶，无人车可能会保持其速度与车道。 过滤器应用于点云和图像数据，以缩小搜索范围并加快感知。 Apollo的感知融合策略 感知通常依赖于摄像头、激光雷达和雷达，该图显示了三种传感器的优缺点 ? 正是有了这些工具，无人驾驶才可以使用自身的传感器来感知世界。 如果您对无人车的“感知”模块还有疑问，请在文末留言，我们会为您依次解答。接下来我们将开启新的章节——自动驾驶的“预测”模块。
1.2K20发布于 2018-12-26 - 来自专栏AI学习笔记
FlashAttention - 3 精解：硬件感知 Attention 优化
FlashAttention-3 作为这一领域的闪耀新星，带着硬件感知的优化理念横空出世。 例如，Huang 等人在《FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness》中首次提出了硬件感知的注意力优化思路 三、FlashAttention-3 的代码部署实践（一）环境准备在开始部署 FlashAttention-3 之前，我们需要搭建一个适合其运行的软硬件环境。 七、结论通过以上深入细致的探讨，我们对 FlashAttention-3 这一硬件感知的 Attention 优化技术有了全面而深刻的认识。 （FlashAttention 相关理论基础，阐述了硬件感知优化的初步思路）2挫败，S., et al.
1.3K01编辑于 2025-07-09 - 来自专栏机器视觉工坊
感知
环境感知了确保无人车对环境的理解和把握，无人驾驶系统的环境感知部分通常需要获取周围环境的大量信息，具体来说包括：障碍物的位置，速度以及可能的行为，可行驶的区域，交通规则等等。 无人车通常是通过融合激光雷达（Lidar），相机（Camera），毫米波雷达（Millimeter Wave Radar）等多种传感器的数据来获取这些信息，本节我们简要地了解一下激光雷达和相机在无人车感知中的应用 激光雷达是一类使用激光进行探测和测距的设备，它能够每秒钟向环境发送数百万光脉冲，它的内部是一种旋转的结构，这使得激光雷达能够实时的建立起周围环境的3维地图。 ? 通常来说，激光雷达以10Hz左右的速度对周围环境进行旋转扫描，其扫描一次的结果为密集的点构成的3维图，每个点具备（x,y,z）信息，这个图被称为点云图（Point Cloud Graph），如下图所示， 对于反射点稀疏的目标（比如说行人），基于点云的分类并不可靠，所以在实践中，我们往往融合激光雷达和相机传感器，利用相机的高分辨率来对目标进行分类，利用Lidar的可靠性对障碍物检测和测距，融合两者的优点完成环境感知
64420发布于 2020-07-28 - 来自专栏OpenMMLab
MMDet3D 1.1：统一易用的 3D 感知平台
而这次发布的 MMDetection3D 1.1 则是我们尝试探索下一代 3D 通用感知的第一步。 pkl 文件主要按照每帧为单位进行存储，每帧的所有信息（点云、图像、注释）存储在一个字典（dict）里，主要用于点云和多模态感知任务；而 json 文件则是以图像为单位，按照 2D 检测中最主流的 coco 模型更多更强 一个强大的 3D 感知代码库一定离不开对主流和前沿模型的支持，MMDetection3D 致力于打造最全面的 3D 感知模型算法库。 想了解更多 MMDetection3D 1.1 相关内容，欢迎查看直播回放视频~ 未来，我们也将不断地迭代更新，为社区带来更好用的 3D 感知模型库。 1.1 的建设中，我们一起来做更好的 3D 感知平台～
1.3K20编辑于 2022-12-30 - 来自专栏CNNer
【3D本体感知】开源 | 通过深度传感建立软体3D本体感知，精度高！分辨率高！
论文地址： http://arxiv.org/pdf/1904.03820v3.pdf 代码： 公众号回复：08030258682 来源： 纽约大学, 卡耐基梅隆大学 论文名称：Real-time Soft ，但它们的本体感知一直是一个挑战。 换句话说，几乎没有一种方法可以用内部传感器来测量和建模软体的高维3D形状。我们提出了一个框架，使用嵌入相机测量高分辨率3D形状的软体的实时情况。 摄像头捕捉到软体内部的视觉模式，卷积神经网络(CNN)产生代表变形状态的潜在代码，然后可以使用另一个神经网络重建软体的3D形状。 我们相信，该方法可以应用于软机器人和人-机器人交互的本体感觉形状感知。 主要框架及实验结果 ? ? ? 声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请联系删除。
40720发布于 2021-02-24 - 来自专栏媒矿工厂
CVPR 2023 | MIME: 人物感知的 3D 场景生成
实验表明，MIME 生成的 3D 场景支持人物接触和运动，并能够在自由空间中填充可信的物体。 引言 图 1：从人物运动估计 3D 场景。给定 3D 人物动作，我们可以重建运动可能发生的 3D 场景。 为了训练 MIME，我们向 3D FRONT 数据集中填充 3D 人物，构建了名为 3D FRONT Human 的新数据集。 生成式人物感知场景合成 我们将 3D 场景 \mathcal{S} 表示为物体的无序集合，包含与人物接触的物体 \mathcal{O}=\{o\}_{i=1}^N 和无接触的物体 \mathcal 图 3：使用碰撞损失和接触损失进行场景细化。 模型生成的场景由 3D 边界框表示。根据边界框的大小和类别标签，我们从 3D FUTURE 中检索最接近的网格模型。 我们通过在 3D FRONT 中的 3D 房间中填充互动人物来生成一个包含大量房间和各种人物互动的新数据集 3D FRONT HUMAN。
61610编辑于 2024-01-23 - 来自专栏CoderJia的工作笔记
重学SpringBoot3-Spring WebFlux之Reactor事件感知 API
在 Spring Boot 3 中，响应式编程通过 Reactor 库得到了广泛应用，提供了强大的流式数据处理能力。 为了增强对流式数据流的调试和处理能力，Reactor 提供了一组非常重要的事件感知（side-effect）API，也就是我们常听到的 doOnXxx 系列方法。 当某些元素由于某种原因（例如 filter() 操作或上游取消）没有被使用时，可以通过 doOnDiscard() 来感知这些元素的丢弃，并执行相关的操作（如清理资源、记录日志等）。 总结 Reactor 的 doOnXxx 系列 API 是在响应式流中进行事件感知和副作用处理的强大工具。 SpringBoot3
1K21编辑于 2024-10-28 - 来自专栏hotarugaliの技术分享
感知机
感知机学习由训练数据集求得模型参数 和 ；感知机预测则根据学 习到的模型对新的输入实例给出其对应的输出类别。 3. 3.2 感知机的学习策略 假设训练数据集是线性可分的，感知机学习的目标是求得一个能够将训练数据集正实例点和负实例点完全正确分开的分离超平面 ，即确定感知机模型参数 和 。 求参数 和 ，使其为以下损失函数极小化问题的解： minw,bL(w,b)=−∑xi∈Myi(w⊤xi+b)(3)\min_{\boldsymbol{w}, b} L(\boldsymbol{ w}, b) = -\sum_{\boldsymbol{x}_i \in M} y_i (\boldsymbol{w}^\top \boldsymbol{x}_i + b) \tag{3} w,bminL (w,b)=−xi∈M∑yi(w⊤xi+b)(3) 其中 为误分类点的集合。
95720编辑于 2022-04-25 - 来自专栏hotarugaliの技术分享
感知机
image.png
73320编辑于 2022-05-11 - 来自专栏全栈程序员必看
多层感知机实现(单层感知器和多层感知器)
多层感知机从零开始实现方法 多层感知机（ multilayer perceptron ， MLP），在单层神经网络的基础上引入了一到多个隐藏层（hidden layer）。 对于图中的感知机来说， 它含有一个隐藏层，该层中有 5个隐藏单元。输入和输出个数分别为 4 和 3 ，中间的隐藏层中包含了 5个隐藏单元。 因 此，多层感知机中的隐藏层和输出层都是全连接层。 我们将使用多层感知机对图像进行分类。 然后我们实现上一节中多层感知机的计算表达式。
1.5K10编辑于 2022-07-31 - 来自专栏全栈程序员必看
多层感知机理解(多层感知机原理)
一.网络的原理和结构 多层感知器(Muti-Layer Percetron)和卷积网络(Convolutional Neural Network)。 这两种网络都属于前馈型网络(Feedforward network)，其中多层感知器(MLP)是最简单也是最常见的一种神经网络结构，它是所有其他神经网络结构的基础， 好在我对神经网络的了解是从卷积神经网络开始的 ，对基本的原理和模型已经有了了解，所以学习起来相对容易，先看多层感知机的模型： 如何设计一个网络，输入代表像素的值，输出0-9之间的一个正确的数字 先把神经元当做数字 1 ] \begin{bmatrix} 3\\1\\ \end{bmatrix} [31] 也可以理解为改变x对函数影响更大 这样来看，网络的代价函数是把权重和偏置作为输入 三.反向传播法 还要看改变那些权重性价比高 如何改变上一层的输出 和更改权重一样，如果我们需要结果更大的时候，依据权重的大小，对上一层的结果做出呈比例的改变 结果2期待上一层的值如何改变，比如增大 结果3期待上一层的值如何改变
2K50编辑于 2022-07-26 - 来自专栏量子位
千米感知误差低于5%，嬴彻发布全球领先的超长距精准3D感知技术
这就是嬴彻科技最新发布的超长距精准3D感知技术要解决的问题。 不仅感知距离可以达到 1000 米，嬴彻还在行业内首次提到了测距精度—— 1000米感知距离下，测距误差能达到5%以下。 超长距精准3D感知技术 无论是激光雷达还是毫米波雷达，有效感知距离也不过 150-200 米。 在长距离的感知上，主要需要依靠相机作为传感器。 如上图所示，嬴彻用静态三维扫描的方法对其算法进行了严格的实地验证，实验证明，嬴彻的超长距3D感知技术在距离为 1000 米的时候，测距精度能达到 5%以内。 嬴彻科技的超长距精准 3D 感知技术为自动驾驶卡车显著增加更多的路径选择和执行时间，为自动驾驶卡车的安全与节能带来了突破性提升的机会。 除了这项全球领先的超长距精准3D感知技术，嬴彻还发布了高性能自动驾驶计算平台Inceptio M51。
69330发布于 2020-07-14 - 来自专栏小七的各种胡思乱想
ES索引迁移优化：3倍速ReIndex + 零感知切换
task_status['completed']: # 检查任务是否完成 break time.sleep(60) # 等待1min再次检查2.性能飞跃：ReIndex调优三板斧（实测提速3倍 在我们的数据集上，使用以下操作后再进行reindex能有接近3倍的速度提升，千万量级的索引，可以在2~3个小时刷完。关闭副本分片 (释放写入压力)：副本分片是主分片的完整拷贝，用于数据冗余和高可用。 sync_interval": "30s" }}PUT new_index/_settings{ "index.translog": { "durability": "request" }}3. 如何让线上服务在切换索引时毫无感知，避免因索引名变更导致的服务中断或需要通知下游调用方，才是真正的挑战。 测试读索引是否迁移成功通过结合异步Reindex、 调优三板斧 (副本/刷新/Translog) 以及 Alias别名机制，我们成功地将原本耗时漫长的索引迁移过程压缩到了几小时内，并实现了线上服务的零停机、无感知切换
79120编辑于 2025-06-18 - 来自专栏脑机接口
3D神经接口系统可以感知和操纵微型脑
他们的研究属于首次将最复杂的3D生物电子系统与高度先进的3D人类神经相结合的研究。目的是精确研究人类大脑回路是如何在体外发育和自我修复的。 这项研究于3月19日出版在《Science Advance》上。 整个球体表面自发神经活动的3D时空映射。 3D MMF作为与神经球体的接口的示意图，FEA结果和光学显微照片 这个平台使科学家能够在不直接涉及人类或进行侵入性测试的情况下对人体组织进行复杂研究。 使用3D MMF从皮质球体进行多峰刺激和记录的结果 西北大学博士后研究员Yoonseok Park补充说：“这仅仅是一个全新的微型3D生物电子系统的开始，我们可以构建这种系统来扩大再生医学领域的能力。 而且，即使系统是3D的，将多种材料合并到一个小型3D结构中也是非常具有挑战性的。现在有了这一进展，针对再生医学领域的整个类别的3D生物电子设备可以量身定制了。
40750编辑于 2022-09-22 - 来自专栏Python爬虫实战
感知机初探
称为感知机。其中，w和b为感知机模型参数， ? 叫作权值（weigh）或权值向量（weigh vector）， ? 叫作偏置（bias）, ? 表示w和x的内积。sign是符号函数，即 ? ，就得到感知机学习的损失函数。 求感知机模型参数w和b，转化为以下损失函数极小化问题解： ? 其中M为误分类点的集合。 综上，得到如下算法： 输入：训练数据集T 输出：w，b：感知机模型 ? (1)选取初值 ? (2)在训练集中选取数据 ? (3)如果 ? ? （4）转之（2）直到训练集中没有误分类点。 定义pla函数，其中首先将训练数据用mat函数转化成矩阵，为后面做线性运算做准备，同理将标签转化成矩阵并转置，在通过shape函数获得训练数据大小(在此处m为6，n为3)并初始化w。 (3)从sklearn.linear_model加载模型，运用训练数据训练感知机模型，得出感知机模型。
48210发布于 2018-08-09 - 来自专栏Michael阿明学习之路
感知机（Perceptron）
感知机（perceptron）是二类分类的线性分类模型 输入：实例的特征向量 输出：实例的类别，取 +1 和 -1 二值 感知机对应于输入空间（特征空间）中将实例划分为正负两类的分离超平面，属于判别模型 感知机学习算法具有简单而易于实现的优点，分为原始形式和对偶形式。 预测：对新的输入进行分类 感知机1957年由Rosenblatt（罗森布拉特）提出，是神经网络与支持向量机的基础。 1. limits_{x_i \in M} y_i(\omega \cdot x_i +b)L(ω,b)=−xi∈M∑yi(ω⋅xi+b) 选择使上面损失函数最小的模型参数 ω,b\omega,bω,b 3. x+b)f(x)=sign(ω⋅x+b) 1.选取初值 ω0,b0\omega_0,b_0ω0,b0 2.在训练集中选取数据 (xi,yi)(x_i,y_i)(xi,yi) 3. 基于感知机Perceptron的鸢尾花分类实践 请查阅链接
1.5K20发布于 2020-07-13 - 来自专栏关忆北.
无感知发布
什么是无感知发布 "无感知发布"是指在软件系统或应用程序进行更新或升级时，尽可能地避免对用户或系统的正常运行产生影响或中断。 这种发布方式通常采用一系列技术和策略，以确保新版本的软件可以平滑地替代旧版本，而不会造成用户的感知或系统的停机时间。 无感知发布技术手段 负载均衡 分布式架构 容器化 有感知发布-蓝绿发布(Blue Green Deployment) 在蓝绿部署中，存在两个完全独立的环境，一个是当前正在运行的稳定版本（蓝环境），另一个是新版本 3.渐进式发布(Progressive Deployment) 渐进式发布是逐步将新版本部署到生产环境中，并将其功能或变更逐步展示给用户。可以使用分段式或按百分比的方式，逐渐增加新版本的流量比例。
65030编辑于 2023-10-11 - 来自专栏码力up
二、感知机
因为感知机也是作为神经网络（深度学习）的起源的算法。因此，学习感知机的构造也就是学习通向神经网络和深度学习的一种重要思想。 2.1 感知机是什么 感知机接收多个输入信号，输出一个信号。 那么，要用感知机实现这个异或门的话，应该设定什么样的权重参数呢？ 实际上，用前面介绍的感知机是无法实现这个异或门的。为什么用感知机可以实现与门、或门，却无法实现异或门呢？ 实际上，与门、或门是单层感知机，而异或门是2层感知机。叠加了多层的感知机也称为多层感知机。 2.6 从与非门到计算机 与非门可以使用感知机实现。 也就是说，如果通过组合与非门可以实现计算机的话，那么通过组合感知机也可以表示计算机（感知机的组合可以通过叠加了多层的单层感知机来表示）。 那么，什么构造的感知机才能表示计算机呢？ 使用感知机可以表示与门和或门等逻辑电路。 异或门无法通过单层感知机来表示。 使用2层感知机可以表示异或门。 单层感知机只能表示线性空间，而多层感知机可以表示非线性空间。
20310编辑于 2025-12-18 - 来自专栏大数据成神之路
Hadoop机架感知
2.机架感知 HDFS采用一种称为机架感知的策略来改进数据的可靠性、可用性和网络带宽的利用率。 在大多数情况下，副本系数是3，HDFS的存放策略是将一个副本存放在本地机架节点上，一个副本存放在同一个机架的另一个节点上，最后一个副本放在不同机 架的节点上。 3.配置 若不配置机架感知，namenode打印的日志如下： 2016-07-17 17:27:26,423 INFO org.apache.hadoop.net.NetworkTopology: Adding 192.168.147.95 tbe192168147095 /dc1/rack3 192.168.147.96 tbe192168147096 /dc1/rack3 可以使用 . 在启用了机架感知的集群中可以这样操作： 假设Hadoop集群在192.168.147.68上部署了NameNode和DataNode, 启用了机架感知，执行bin/hadoop dfsadmin -printTopology
1.5K20发布于 2019-04-24
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