- 综合排序
- 最热优先
- 最新优先
- 来自专栏图像处理与模式识别研究所
交互式前景提取
rect=(100,100,200,400)#根据原图设置包含前景的矩形大小 cv2.grabCut(img,mask,rect,bg,fg,5,cv2.GC_INIT_WITH_RECT)#第1次提取前景 将掩模图像中白色像素对应的原始掩模像素设置为1 mask[mask2==255]=1 cv2.grabCut(img,mask,None,bg,fg,5,cv2.GC_INIT_WITH_MASK)#第2次提取前景 *mask2[:,:,np.newaxis]#将掩模与原图像相乘获得分割出来的前景图像 cv2.imshow('grabCut',img)#显示获得的前景 cv2.waitKey(0) 算法：交互式前景提取是首先用矩形框指定要提取的前景所在的大致范围 ，接着执行前景提取算法得到初步结果。 然后，用户复制原图像作为掩模图像，用白色标注要提取的前景区域，用黑色标注背景区域。最后，使用掩模图像执行前景提取算法从而获得理想的提取结果。 文献：Rother, C. . (2004).
92920编辑于 2022-09-21 - 来自专栏summerking的专栏
Python提取log参数生成图表
目标：根据ceph集群的mon日志，以其中的时间为横坐标，对象迁移速度为纵坐标，利用python的matplotlib生成图表 # 日志格式 2021-04-22 14:00:20.687685 7f97234a6700 # plt.tight_layout() pylab.show() if __name__ == '__main__': get_number() # 生成的图表展示
53930编辑于 2022-09-16 - 来自专栏bit哲学院
人工智能—产生式推理
参考链接： 人工智能中的推理 产生式推理，即利用产生式知识表示法所进行的推理，而由此产生的系统称为产生式系统。 文章目录 基本结构综合数据库规则库控制系统 推理方式正向推理算法过程优点缺点 逆向推理算法过程优点缺点 基本结构 产生式的基本结构包括： 控制系统（control system）规则库（ 它包含了将问题从初始状态转换成目标状态所需要的所有变换规则，所以规则库是产生式系统进行问题求解的基础。 控制系统 控制系统（control system），也称为推理机，用来控制整个产生式系统的运行，决定问题求解过程的推理线路。 推理方式 正向推理 一种从已知事实出发、正向使用推理规则的推理方式，也称为数据驱动推理或前向链推理。 算法过程 把用户提供的初始证据放入综合数据库。
1.4K20发布于 2021-01-29 - 来自专栏深度学习之tensorflow实战篇
python 生成内嵌式字典(dict)-案例从python提取内嵌json写入mongodb
更多的字典镶嵌 目的：生成{1: {‘errors’: {0: ‘d:\helloworld’, 1: ‘d:\dict’}, ‘os’: ‘windows’, ‘type’: 2}}这样的多层嵌套的数据 error_len]=’d:\helloworld’ d1.setdefault(key,{})[‘os’]=’windows’ d1.setdefault(key,{})[‘type’]=2 OK，这样就可以生成想要的格式的数据了
2.3K50发布于 2018-03-19 - 来自专栏深度学习之tensorflow实战篇
python 生成内嵌式字典(dict)-案例从python提取内嵌json写入mongodb
更多的字典镶嵌 目的：生成{1: {‘errors’: {0: ‘d:\helloworld’, 1: ‘d:\dict’}, ‘os’: ‘windows’, ‘type’: 2}}这样的多层嵌套的数据 error_len]=’d:\helloworld’ d1.setdefault(key,{})[‘os’]=’windows’ d1.setdefault(key,{})[‘type’]=2 OK，这样就可以生成想要的格式的数据了
2K50发布于 2019-02-14 - 来自专栏建帅技术分享
提取多个html生成单个html
#!/bin/bash # coding=utf-8 """ 作者：gaojs 功能： 新增功能： schedule 是一个第三方轻量级的任务调度模块，可以按照秒，分，小时，日期或者自定义事件执行时间。 schedule 允许用户使用简单、人性化的语法以预定的时间间隔定期运行 Python 函数（或其它可调用函数） demo如下： schedule.every(10).seconds.do(job
1.7K20编辑于 2022-08-24 - 来自专栏清菡软件测试
高级性能测试系列《14.响应的提取--json提取器：一个json提取器写多个提取式、正则提取器：万能正则式怎么用？》
二、性能测试中，关联的时候会用得上:响应的提取 三、正则提取器 1.万能正则式：.*? 2.写正则提取式 3.配置正则表达式提取器并运行 4.Jmeter正则表达式 一、响应的提取--json提取器（下） 1.有多个的话，怎么获取某一个呢？ 可以使用列表，也可以使用索引的方式去提取。 4.重点：一个json提取器写多个提取式。 $.. 再写一个json提取器。从性能的角度来说，多一个元件会多消耗一些资源。 一个json提取器写多个提取式。 正则提取式： 左边界(正则式)右边界 1.万能正则式：.*? 万能正则式，能万能到什么程度呢？ 除 换行符（\n) 之外的，都可以匹配。 万能正则式把不想要的东西也匹配出来了，也就是说不精确。 2.写正则提取式 添加后置处理器--->正则表达式提取器。在察看结果树中选择RegExp Tester，然后写正则提取式： mobile":"(.*?)"，点击Test。
3.4K20编辑于 2022-06-21 - 来自专栏python3
列表生成式
列表生成式，即List Comprehensions，是Python内置的非常简单却强大的可以用来创建list的生成式 运用列表生成式，可以快速生成list，可以通过一个list推导出另一个list 可通过循环来达到 list生成list目的，但列表生成式更加简洁 但是，列表容量是有限的，会受到内存限制 使用示例： 列表生成式 写列表生成式时，把要生成的元素放到前面，后面跟for循环就可以把list创建出来， 十分有用，列表生成式一定要用[]括起来 print([x * x for x in range(1, 11)]) #输出：[1, 4, 9, 16, 25, 36, 49, 64, 81, 100 ]，使用列表生成式生成list，该list是原list对应元素的平方 使用if语句 print([x * x for x in range(1, 11) if x % 2 == 0]) #输出 in d.items()]) #输出：['y=B', 'x=A', 'z=C'] #for循环其实可以同时使用两个甚至多个变量，比如dict的items()可以同时迭代key和value,列表生成式也可以使用两个变量来生成
81720发布于 2020-01-16 - 来自专栏python学习指南
python生成式
本篇将介绍Python的列表生成式，更多内容请参考:Python列表生成式 列表生成式即List Comprehensions,是Python内置的非常简单却强大的可以用来创建list的生成式。 list: >>>[x*x for x in range(1, 11)] [1, 4, 16, 25, 36, 49, 64, 81, 100] 写列表生成式时，把要生成的元素x * x放在前面，后面跟 运用列表生成式，可以写出非常简洁的代码。 {'X':'A', 'y':'B', 'z':'C'} >>>for k, v in d.items(): print(k, '=', 'v') y = B x = A z = C 因此，列表生成式也可以使用两个变量来生成 [x.upper() for x in L if isinstance(x, str)] 参考 列表生成式--学习笔记 廖雪峰-生成式
99280发布于 2018-01-17 - 来自专栏python3
字典生成式
目录 字典生成式(掌握) zip()方法(掌握) 字典生成式(掌握) print({i: i**2 for i in range(10)}) {0: 0, 1: 1, 2: 4, 3: 9, 4: 16 keys,values): <zip object at 0x11074c088> info_dict: {'name': 'nick', 'age': 19, 'sex': 'male'} 通过解压缩函数生成一个字典
58710发布于 2020-01-16 - 来自专栏祥的专栏
列表生成式
参考文献 Python列表生成式 Python文档整理目录： https://blog.csdn.net/humanking7/article/details/80757533 0. 基础 列表生成式 就是一个用来生成列表的 特定语法形式 的 表达式 列表生成式 即List Comprehensions，是Python内置的非常简单却强大的可以用来创建list的生成式 1.1
99530发布于 2020-03-10 - 来自专栏偏前端工程师的驿站
.Net魔法堂：提取注释生成API文档
下面我们使用.Net唯一的注释生成API文档工具——Sandcastle和Sandcastle Help File Builder来实现API文档自动化吧！ 生成XML文档文件 步骤：1. 在VS中，右击程序集->选择“属性”->选择“生成”页->勾选“XML文档文件” 2. 编译程序集后，在生成目录下可以找到“程序集名称.XML”文件。 ? 2. 即可进入文档生成项目的界面。 将程序集DLL和XML文件加载到文档生成项目中。 ?
1.3K100发布于 2018-01-18 - 来自专栏爬虫资料
使用 Python Selenium 提取动态生成下拉选项
在进行网络数据采集和数据分析时，处理动态生成的下拉菜单是一个常见的挑战。Selenium是一个强大的Python库，可以让你自动化浏览器操作，比如从动态生成的下拉菜单中选择选项。 options=chrome_options) driver.maximize_window() # 设置需要采集的URL driver.get("https://example.com") # 使用显式等待
2.2K30编辑于 2023-06-07 - 来自专栏后端架构
生成式之DCGAN生成漫画头像
DCGAN原理 DCGAN是GAN的扩展，使用卷积和转置卷积层来分别构建判别器和生成器。 本教程将使用动漫头像数据集来训练该网络，并生成动漫头像图片。 生成器 生成器 G 的作用是将隐向量 z 映射到数据空间，创建与真实图像大小相同的 RGB 图像。 循环训练网络，每经过50次迭代，就收集生成器和判别器的损失，以便于后面绘制训练过程中损失函数的图像。 结果展示 生成的图片例子 训练次数增多，图像质量也越来越好。 当训练周期数达到50以上时，生成的动漫头像与数据集中的相似。接下来通过加载生成器网络模型参数文件来生成图像。 总结 使用DCGAN（深度卷积生成对抗网络）生成动漫头像图片。 包括数据准备与处理、生成器网络结构、判别器网络结构、损失函数和优化器设置、模型训练过程以及最终生成的动漫头像图片展示。
50510编辑于 2024-07-19 - 来自专栏python3
Python 列表生成式
1.1 列表生成式 Python内置的非常简单却强大的可以用来创建list的生成式。 要生成[1x1, 2x2, 3x3, ..., 10x10]怎么做 >>> L = [] >>> for i in range(1, 6): --循环 ... . >>> L [1, 4, 9, 16, 25] >>> [x * xfor x in range(1, 6)] --列表生成式 [1, 4, 9, 16, 25] x * x要生成的元素放在前面 ，后还可以跟if语句 >>> [x * xfor x in range(1, 6) if x % 2 == 0] [4, 16] 两层循环，生成全排列 >>> [m + nfor m in 'ABC' ICEauthority', '.metacity', '.gstreamer-0.10','.bash_history', '.eggcups', '.mysql_history', 'shell'] dict的列表生成式
1K10发布于 2020-01-10 - 来自专栏自学气象人
生成式 AI 简介
这个科技就是生成式人工智能 (Generative Artificial Intelligence, GenAI)，现在只是 GenAI 革命的开始，现在是学习 GenAI 的最佳时机。 1. 生成模型对 p(x) 建模，直接估计特征 x 的概率，从这个概率分布中采样即可生成新的特征。 由此可见，生成模型比判别模型要困难很多。 2. 生成模型的框架 了解生成模型框架之前，让我们先玩一个游戏。 normalizing FLOW model) 但是对密度函数做逼近，比如变分自动编码器 (variational autoencoder, VAE) 和扩散模型 (diffusion model) 对密度函数隐式建模 比如生成对抗网络 (generative adversarial network, GAN) 总结 生成式人工智能 (GenAI) 是一种可用于创建新的内容和想法 (包括文字、图像、视频和音乐) 的人工智能
68110编辑于 2023-09-05 - 来自专栏王的机器
生成式 AI 简介
这个科技就是生成式人工智能 (Generative Artificial Intelligence, GenAI)，现在只是 GenAI 革命的开始，现在是学习 GenAI 的最佳时机。 1. 生成模型对 p(x) 建模，直接估计特征 x 的概率，从这个概率分布中采样即可生成新的特征。 由此可见，生成模型比判别模型要困难很多。 2. 生成模型的框架 了解生成模型框架之前，让我们先玩一个游戏。 normalizing FLOW model) 但是对密度函数做逼近，比如变分自动编码器 (variational autoencoder, VAE) 和扩散模型 (diffusion model) 对密度函数隐式建模 比如生成对抗网络 (generative adversarial network, GAN) 总结 生成式人工智能 (GenAI) 是一种可用于创建新的内容和想法 (包括文字、图像、视频和音乐) 的人工智能
68930编辑于 2023-09-02 - 来自专栏数据派THU
生成式模型与辨别式模型
分类模型可以分为两大类:生成式模型与辨别式模型。本文解释了这两种模型类型之间的区别，并讨论了每种方法的优缺点。 生成式模型在估计类概率之前学习输入的分布。 区别和优缺点 生成式模型和辨别式模型的主要区别在于它们学习的目标不同。生成式模型学习输入数据的分布，可以生成新的数据样本。辨别式模型学习输入数据和输出标签之间的关系，可以预测新的标签。 对数据分布的假设比较强，因为生成式模型要建立输入数据和输出数据之间的联合分布，需要对数据的分布进行假设和建模，因此对于复杂的数据分布，生成式模型在小规模的计算资源上并不适用。 生成模型可以处理多模态数据，因为生成式模型可以建立输入数据和输出数据之间的多元联合分布，从而能够处理多模态数据。
80020编辑于 2023-05-11 - 来自专栏机器之心
学界 | 抛弃黑箱，斯坦福大学与Facebook提出程序生成式图像推理模型
深度学习著名学者 Yann LeCun 在社交网络上也分享点评了这项研究：「在为视觉推理和问答学习生成程序上的非常棒的新成果。」 受到网络模块的启发，本论文提出了一种视觉推理模型，其中包括一个程序生成器（program generator）——该组件构造要执行的推理过程的显式表示；以及一个执行引擎（execution engine ）——执行生成的程序以产生答案。 程序生成器和执行引擎均由神经网络实现，并都使用了反向传播和强化学习的组合进行训练。 正如前文所述，该模型有两个组件构成： 程序生成器：读取问题文本，输出可执行解答问题的程序。程序生成器是由 LSTM sequence-to-sequence 模型实现的。
75150发布于 2018-05-07 - 来自专栏慕枫技术笔记
深入理解生成式AI技术原理：初识生成式AI
真正的大师永远怀着一颗学徒的心 如果将人工智能按照用途进行简单分类的话，人工智能可以划分为决策式AI以及生成式AI两类。 而以ChatGPT为代表的生成式AI通过对大量数据的联合概率进行学习，对已有的数据和知识进行归纳总结，同时结合深度学习技术，自动生成新的内容，而新生成的内容可以是文字、图片甚至是视频等多模态内容。 深度学习 深度学习是生成式AI背后比较核心的实现技术，它是机器学习的重要优化手段，而机器学习又是人工智能领域重要的落地实现措施。 人工神经网络 仿生学一直是人类追求进步的工具，比如人类希望像鸟一样飞行于是发明了飞机，人类希望像鱼一样潜入水底于是发明了潜水艇，人类希望机器能够像人一样进行思考推理，于是开始研究自身大脑运行机理。 如上图所示，对于机器学习来说它需要人工介入进行特征提取来帮助机器学习来实现分类处理，而深度学习不需要人工介入干预，自身便可以实现特征提取，这是两者最大的区别。
2.3K30编辑于 2023-08-10
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