- 综合排序
- 最热优先
- 最新优先
- 来自专栏运维之路
风险感知（二）场景设计5要素
本篇接《风险感知（一）》，将采用数字化运维场景设计方法梳理风险感知场景的一些思路。 分析前，先回顾一下场景设计的一些要点： 场景的基础是实际运维工作，要用“连接、数据、赋能”的数字化思维重塑场景 按“人、事、时间、协同、环境”5要素梳理场景 场景强调多角色“组织”高效协同，是对线下流程的在线化 ，平台赋能场景生产力 再看看风险感知场景的要点： 在线感知风险状况，即时健康质检 赋能专家主动构建、调优风险感知模型 “数据指标+算法策略”（点）=》编排组装主题（面、兼顾非知风险） 建立风险识别（感知 ）、决策、执行闭环 以下从“人、事、时间、协同、环境”5要素看看场景。 5.环境 环境包括显性环境与隐性环境。
1.4K20编辑于 2022-11-16 - 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 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 GPT-5多模态与情境感知AI技术解析
GPT-5以分钟级代码生成能力注入"人性化"AI语音该模型具备增强的自主行动与推理能力，例如在演示中仅用数分钟便编写400余行代码创建交互式物理模拟。 用户无需手动选择深度推理模式，GPT-5可自动判断问题复杂度，同时支持通过下拉菜单强制激活深度推理。 OpenAI研究主管在直播中表示："其目标是提供恰到好处的思考量以生成完美答案"。 API提供三种变体： GPT-5：面向逻辑与多步骤任务的前沿模型 GPT-5-mini：低成本轻量版 GPT-5-nano：低延迟场景专用优化版 开发者可调节"详细度"参数，并选择"极简模式"以满足超低延迟需求 技术泄漏事件正式发布前，部分GPT-5技术资料曾短暂出现在代码托管平台。 尽管近期有观点认为生成式AI进入平台期，但分析师强调GPT-5在推理精度、领域准确性与幻觉控制方面实现显著突破："性能提升更多源于系统设计创新而非单纯规模扩张"。
36410编辑于 2025-08-11- 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。 通过拟合出来的三维模型， 结合背景的深度图片，就可以得到车辆的位姿信息，包括距离，朝向等，实现了超长距离的三维感知。 这一套方案，被称为“场景深度感知 + 前景车辆部件级解析”。 为此，嬴彻也基于计算摄影学（computational photography）技术，开发了应对的去雨去雾算法，保障感知距离和感知精度。 ? 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。
69330发布于 2020-07-14 - 来自专栏hotarugaliの技术分享
感知机
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 。 算法 上述学习策略验证了感知机在线性可分数据集上的有效性，下面就是要给出如何在训练数据集上具体实现感知机学习过程。感知机学习问题有两种形式，一种是最直观的原始形式，一种是原始形式的对偶形式。 wL(w,b)=−xi∈M∑yixi∇bL(w,b)=−xi∈M∑yi(4) 设学习率为 ，则梯度下降法更新参数的方式为（即每次迭都加上负梯度）： w←w+ηyixib←b+ηyi5) boldsymbol{w} \leftarrow \boldsymbol{w} + \eta y_i \boldsymbol{x}_i \\ b \leftarrow b + \eta y_i \tag(5) w←w+ηyixib←b+ηyi5)(() 综上所述，可以总结为如下算法： 算法：感知机学习算法的原始形式 输入：训练数据集 ，其中 ， ；学 习率 ； 输出： ；感知机模型
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
2K50编辑于 2022-07-26 - 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 ? 感知机有如下几何解释：线性方程 ? 对应于特征空间 ? 中的一个超平面S，其中w是超平面的法向量，b是超平面的截距。 ，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。 代码实现：此部分分为两部分，第一部分为手撸感知机，第二部分为基于skleran来实现感知机。 第一部分：手撸感应机代码 ? 加载需要用的库，其中time用来计算程序运行的时间不必在意。 ? (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. 感知机模型 感知机定义： 输入空间： X⊆Rn\mathcal X \subseteq \mathbf R^nX⊆Rn 输出空间： Y={+1,−1}\mathcal Y = \{+1,-1\}Y={+ 当训练集线性不可分时，感知机学习算法不收敛，迭代结果会发生震荡。 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
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
5万人关注的大数据成神之路，不来了解一下吗？ 5万人关注的大数据成神之路，真的不来了解一下吗？ 5万人关注的大数据成神之路，确定真的不来了解一下吗？ 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。 通过一个机架感知的过程，NameNode可以确定每一个 DataNode所属的机架id(这也是NameNode采用NetworkTopology数据结构来存储数据节点的原因)。 namenode启动时会判断是否启用了机架感知，若启用则会根据配置查找配置脚本，并在收到DataNode的心跳时传入其IP获取机架的ID存入内存中的一个map中。一个简单的配置脚本如下： #! 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 - 来自专栏机器学习算法与Python学习
感知机详解
1.感知机是什么？ 一种类型的ANN系统是以被称为感知器（perceptron）的单元为基础的，如图1所示。 感知器以一个实数值向量作为输入，计算这些输入的线性组合，然后如果结果大于某个阈值就输出1，否则输出-1。更精确地，如果输入为x1到xn，那么感知器计算的输出为： ? 图1 感知机 为了简化表示，假想有一个附加的常量输入x0=1，那么就可以把上边的不等式写为 ? ，或以向量形式写为 ? 。为了简短起见，有时会把感知器函数写为： ? 其中， ? 学习一个感知器意味着选择权w0, …, wn的值。所以感知器学习要考虑的候选假设空间H就是所有可能的实数值权向量的集合。其中， ? 我们可以把感知器看作是n维实例空间（即点空间）中的超平面决策面。 为得到可接受的权向量，一种办法是从随机的权值开始，然后反复地应用这个感知器到每个训练样例，只要它误分类样例就修改感知器的权值。重复这个过程，直到感知器正确分类所有的训练样例。
1.7K80发布于 2018-04-08 - 来自专栏小明的博客
感知机（Perceptron）
感知机是二类分类的线性分类模型。 感知机只在求出线性可分的分类超平面，通过梯度下降法对损失函数极小化建立感知机模型。 感知机1957年由Rosenblatt提出，是神经网络和支持向量机的基础 模型 输入空间是实例向量组成的空间，输出空间是-1和+1（正负两类）。 建立如下函数： 策略 算法（原始形式） 感知机学习算法是误分类驱动的，具体采用随机梯度下降法。 收敛性 Novikoff定理告诉我们线性可分数据集经过有限次迭代可以得到一个将训练数据集完全正确划分的分离超平面及感知机模型。当训练集线性不可分时，感知机学习算法不收敛，迭代结果会发生震荡。
69820编辑于 2022-09-05 - 来自专栏全栈程序员必看
感知机分析
关于感知机 ok lets go。 感知机是线性分类模型，划重点注意哦，是线性的分类模型。也就是说，如果你拿感知机去分类线性不可分的数据集的话，它的效果想必垂泪。 因为近期看到相关算法的缘故来写一片感知机的文章，主要介绍一下这是个什么东西以及它能用来干什么。 就我来说最考试接触到感知机是在学习神经网络的时候，神经网络中的每一个点就能看做是一个感知机。 我们在看一下感知机的公式： 我们的公式1即可视为感知机的机理，公式二为激活函数。公式1与上图中感知机的结构相对应。 2.这差不多就是我们使用感知机模型的方法了，当然这是感知机模型以及训练完毕之后的用法。 得到这两个参数之后，我们可以看到感知机就能够运作了，只需要输入数据即可。 现在我们来简单讨论如何训练这两个参数，这就是感知机算法。
66820编辑于 2022-11-01 - 来自专栏JavaPark
多层感知机
多层感知机简介 多层感知机就是含有至少一个隐藏层的由全连接层组成的神经网络，且每个隐藏层的输出通过激活函数进行变换，多层感知机的层数个各个隐藏层中隐藏单元个数都是超参数，输出可以通过以下公式计算得出： from mxnet import autograd, nd # 绘图函数 def xyplot(x_vals, y_vals, name): d2l.set_figsize(figsize=(5, 从零开始实现多层感知机， 代码如下： #! return nd.dot(H, w2) + b2 # 定义损失函数 loss = gloss.SoftmaxCrossEntropyLoss() # 训练模型 num_epochs, lr = 5, gloss.SoftmaxCrossEntropyLoss() trainer = gluon.Trainer(net.collect_params(), 'sgd', {'learning_rate':0.5}) num_epochs = 5
95730编辑于 2022-06-15 - 来自专栏智能大数据分析
【深度学习基础】多层感知机 | 多层感知机概述
收入从0增加到5万，可能比从100万增加到105万带来更大的还款可能性。处理这一问题的一种方法是对我们的数据进行预处理，使线性变得更合理，如使用收入的对数作为我们的特征。 这种架构通常称为多层感知机（multilayer perceptron），通常缩写为MLP。下面，我们以图的方式描述了多层感知机。 图1 一个单隐藏层的多层感知机，具有5个隐藏单元 这个多层感知机有4个输入，3个输出，其隐藏层包含5个隐藏单元。输入层不涉及任何计算，因此使用此网络产生输出只需要实现隐藏层和输出层的计算。 因此，这个多层感知机中的层数为2。注意，这两个层都是全连接的。每个输入都会影响隐藏层中的每个神经元，而隐藏层中的每个神经元又会影响输出层中的每个神经元。 然而，正如【深度学习基础】线性神经网络 | softmax回归 所说，具有全连接层的多层感知机的参数开销可能会高得令人望而却步。
1.2K10编辑于 2025-01-22 - 来自专栏音视频技术
为什么AI感知与人类感知很难直接比较？
在他们题为《比较人类和机器感知的臭名昭著的困难》的论文中，研究人员强调了目前比较深层神经网络和人类视觉系统的方法中存在的问题。 人类和计算机视觉的复杂性 在似乎无休止的重建人类感知能力的探索中，目前为止，目前为止，深度学习中的计算机视觉领域取得了最有利的结果。 神经网络如何感知轮廓？ 第一个测试涉及轮廓检测。在这个实验中，人类和人工智能参与者都必须说明出一幅图像是否包含封闭轮廓线。.. 根据它们所包含的特征，猫图像不同部分的特写镜头会对我们的感知产生不同的影响。 深度学习系统也以特征为基础，但它们的工作方式更为微妙。 总而言之，在比较人类和机器的感知时，必须注意不要强加我们人类的系统性偏见。”
72843发布于 2020-09-29 - 来自专栏全栈程序员必看
什么是多层感知机(什么是多层感知机)
1.感知机与多层感知机 1.1 门 与门：实现逻辑“乘”运算 y=AB 与门真值表 A B y 0 0 0 0 1 0 1 0 0 1 1 1 非门：实现逻辑非，一对一输出 感知机接受多个输入信号，输出一个信号，x1,x2是输入信号，y是输出信号，w1，w2是权重，输出y=x1w1+x2w2,当这个总和超过了某个界限值时，才会输出1。 这里将这个界限值称为阈值，用θ表示 感知机的局限性在于它只能表示由一条直分割的空间，异或门的曲线无法用感知机表示 异或门无法用直线分割，可以用曲线分割开 数字电路中异或门可以通过 ： 上图中有s1和s2 两层感知机，叠加了多层的感知机也称为多层感知机。 常见的多层感知机（神经网络）的图： 单层感知机与多层感知机的区别： <1>. 多层感知机在输入层与输出层之间多了一层隐藏层 <2>. 每层神经元与下一层神经元全互连 <3>.
1.3K10编辑于 2022-07-27
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