- 综合排序
- 最热优先
- 最新优先
- 来自专栏Fantasy的技术小站
花朵数
编程大题 花朵数 题目 一个N位的十进制正整数，如果它的每个位上的数字的N次方的和等于这个数本身，则称其为花朵数。 程序的任务是：求N＝21时，所有满足条件的花朵数。注意：这个整数有21位，它的各个位数字的21次方之和正好等于这个数本身。 void main(String[] args) { long start = System.currentTimeMillis(); int[] a = new int[10 ]; BigInteger[] b = new BigInteger[10]; // 计算0~9 10个数的21次方并且存储在数组b中 b[0] = BigInteger.ZERO { // 一次深度优先走完 // 刚好21次也分配完了 a[9] = left; if (a[9] < 10
49920编辑于 2023-05-02 - 来自专栏深度学习框架
花朵分类(一)
本次教程的目的是带领大家学会基本的花朵图像分类 首先我们来介绍下数据集，该数据集有5种花，一共有3670张图片，分别是daisy、dandelion、roses、sunflowers、tulips，数据存放结构如下所示
66720发布于 2021-07-29 - 来自专栏Python项目
花朵识别系统python+TensorFlow+Django网页界面+卷积网络算法【完整代码】
一、介绍花朵识别系统，基于Python实现，深度学习卷积神经网络，通过TensorFlow搭建卷积神经网络算法模型，并对数据集进行训练最后得到训练好的模型文件，并基于Django搭建可视化操作平台。 在当今信息化社会，图像识别技术在各种领域都展现出了重要的应用价值，包括医学影像分析、自动驾驶、人脸识别等。图像识别是深度学习领域最为重要和最具挑战性的研究方向之一。 本项目即是基于这一背景，通过使用Python和TensorFlow框架，以ResNet50网络模型为核心，构建了一套高效、准确的图像分类识别系统。 二、效果图片图片图片图片三、演示视频+代码视频+代码：https://www.yuque.com/ziwu/yygu3z/zetq5wehgyh7gufv四、技术架构本项目的图像分类识别系统是基于Python 在本项目中，我们使用了50层的ResNet模型，即ResNet50，进行图像分类识别。用户交互方面，我们通过Django框架搭建了网页端界面。
93131编辑于 2023-07-11 - 来自专栏腾讯社交用户体验设计
来自星星的花朵 - 腾讯ISUX
同样的，在新版的动效设计中，我们也对波纹动效进行了细节的优化，为了增强互动的真实感，当花朵飘落到明星头像上时，其周围的波纹也有一个加速扩散的反馈，随后，波纹恢复到匀速循环的状态，动效的体验过程也更加自然
1.4K50发布于 2018-06-29 - 来自专栏AI无止境
使用数据中心完成花朵图片数据标注
操作步骤步骤1：数据准备在对象存储中导入好数据集，本示例使用花朵数据集；图片在数据中心导入花朵数据集：图片选择对象存储桶中的数据集进行导入到数据集：图片导入成功后可在“我的数据集”页面查看数据集状态：图片点击数据集名称进入数据集详情界面
1.7K61编辑于 2022-09-16 - 来自专栏全栈程序员必看
Django 教程_最简单剪花朵的步骤
web框架：别人已经设定好的一个web网站模板，你学习它的规则，然后“填空”或“修改”成你自己需要的样子。
1.2K40编辑于 2022-10-29 - 来自专栏VRPinea
别让祖国的花朵，被蓝鲸杀死
据悉，该游戏源于俄罗斯，参与者多为10-14岁的青少年。他们被要求跟随“导师”一一完成列表上的项目，如凌晨4:20起床看恐怖片，静脉切割，半夜爬到屋顶，用剃刀在手上雕鲸鱼等。 10-14岁的青少年正处于青春的叛逆期，独立和自我意识日益增强，他们急欲通过一些极端的事情来证明自己或者摆脱成人的监护。
99360发布于 2018-05-16 - 来自专栏小鹏的专栏
10 端到端语音识别
端到端语音识别 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? • Espnet: https://github.com/espnet/espnet • 实现了主流的端到端语音识别方法 • Speech-Transformer、LAS、CTC、RNN-T • 一个小缺点
1.9K20发布于 2020-03-25 - 来自专栏小红豆的数据分析
小蛇学python（14）K-means预测花朵种类
Iris数据集的地位就相当于遗传学家眼中的果蝇，其花朵的性状分明，用来学习数据挖掘再好不过。因此python的sklearn库中内置了此数据集，大家不用下载，一行代码就可以获得该数据集。 同时还有标签变量target，表示了花朵的种类，用0、1、2表示。 存在csv文件中是这样的。 ? 数据集 下面是处理数据的代码。代码中涉及了如何将花个体与标签两个表格合并的过程。 多变量探索 接下来我们探索并比较，花萼长宽和花瓣长宽这两组因子组合分别对花朵种类的影响。 ]], y[i[:-10]] x_test, y_test = x[i[-10:]], y[i[-10:]] knn = KNeighborsClassifier() knn.fit(x_train, y_train) y_pre_test = knn.predict(x_test) print(y_pre_test) print(y_test) 运行后发现，我们的识别错误率为10%。
93140发布于 2018-09-12 - 来自专栏用户5033944的专栏
“花朵分类“ 手把手搭建【卷积神经网络】
前言 本文介绍卷积神经网络的入门案例，通过搭建和训练一个模型，来对几种常见的花朵进行识别分类； 使用到TF的花朵数据集，它包含5类，即：“雏菊”，“蒲公英”，“玫瑰”，“向日葵”，“郁金香”；共 3670 张彩色图片；通过搭建和训练卷积神经网络模型，对图像进行分类，能识别出图像是“蒲公英”，或“玫瑰”，还是其它。 花朵数据集中的图片，形状是 (180, 180, 3)，我们可以在声明第一层时将形状赋值给参数 input_shape 。 比如：在训练集的花朵图片都是近距离拍摄的，测试集的花朵有部分是远距离拍摄，训练出来的模型，自然在测试集的准确度不高了；如果一开始在训练集也包含部分远距离的花朵图片，那么模型在测试集时准确度会较高，基本和训练集的准确度接近 使得此层的10%、20%、40%的神经元被暂时停止工作。
2.4K30发布于 2021-05-13 - 来自专栏python爬虫实战之路
10行代码实现python人脸识别
什么是人脸识别 人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。 用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。 目前的人脸识别技术已经非常成熟了，还发展成3D人脸识别。而且现在各大厂商也都提供了人脸识别的API接口供我们调用，可以说几行代码就可以完成人脸识别。但是人脸识别的根本还是基于图像处理。 所有的人脸识别算法在他们的train()函数中都有两个参数：图像数组和标签数组。这些标签标示进行识别时候的人脸ID，根据ID可以知道被识别的人是谁。 现在机器学习是非常火爆的，基于OpenCV的机器学习人脸识别也精确度也很高，下次我们在来对比几种机器学习人脸识别的库。
5.4K32发布于 2020-05-22 基于yolov8的106种鲜花识别花朵检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv8的106种鲜花识别花朵检测系统是一项融合了先进深度学习技术的创新应用。 该系统利用YOLOv8算法，这一目前最先进的目标检测模型之一，实现了对106种不同花卉的快速、准确识别。 YOLOv8以其速度快、准确性高和鲁棒性强的特点，在花卉识别任务中展现出卓越性能。 在实际应用中，该系统能够快速识别并标记出图像中的花卉种类，同时提供位置信息和置信度评分，为用户提供了直观、便捷的识别体验。 无论是植物爱好者、园艺师还是科研人员，都可以通过该系统轻松实现花卉的自动识别与分类，提高工作效率和准确性。 未来，随着技术的不断发展和优化，基于YOLOv8的鲜花识别花朵检测系统将在更多领域发挥重要作用，为花卉保护、园林设计等领域提供有力支持。
52400编辑于 2025-07-22- 来自专栏AI科技大本营的专栏
热文 | 卷积神经网络入门案例，轻松实现花朵分类
作者 | 黎国溥 责编 | 寇雪芹 出品 | AI 科技大本营（ID:rgznai100） 前言 本文介绍卷积神经网络的入门案例，通过搭建和训练一个模型，来对几种常见的花朵进行识别分类；使用到TF 的花朵数据集，它包含5类，即：“雏菊”，“蒲公英”，“玫瑰”，“向日葵”，“郁金香”；共 3670 张彩色图片；通过搭建和训练卷积神经网络模型，对图像进行分类，能识别出图像是“蒲公英”，或“玫瑰”，还是其它 导入数据集 使用到TF的花朵数据集，它包含5类，即：“雏菊”，“蒲公英”，“玫瑰”，“向日葵”，“郁金香”；共 3670 张彩色图片；数据集包含5个子目录，每个子目录种存放一个类别的花朵图片。 比如：在训练集的花朵图片都是近距离拍摄的，测试集的花朵有部分是远距离拍摄，训练出来的模型，自然在测试集的准确度不高了；如果一开始在训练集也包含部分远距离的花朵图片，那么模型在测试集时准确度会较高，基本和训练集的准确度接近 使得此层的10%、20%、40%的神经元被暂时停止工作。
1.2K30发布于 2021-06-08 - 来自专栏c++ 学习分享
【65001在win7不识别，在win10系统识别】
65001在win7不识别，在win10系统识别 #pragma code_page(65001) 是一个指示编译器使用特定代码页来编译资源文件的预处理器指令。 操作系统更新和补丁：Windows 10 相比 Windows 7，包含了许多系统更新和补丁，这些更新可能改善了对 UTF-8 编码的支持。 Windows 10 的某些更新显著改善了对 UTF-8 的支持，包括命令行和其他系统工具。 大多数Windows应用程序都可以识别BOM，但某些程序和系统可能需要特定的顺序（Little Endian或Big Endian）。 在这种情况下，保存为UTF-16 LE格式通常是Windows平台上识别的默认方式。
1.6K10编辑于 2023-12-28 - 来自专栏Python编程 pyqt matplotlib
CIFAR-10数据集 图像识别
本篇我们还是用序列化的（串行的）卷积神经网络，基于CIFAR-10数据集创建图像识别模型。 # -*- coding: utf-8 -*- """ Created on Tue Dec 10 20:04:58 2019 @author: wsp Tensorflow version：2.0 Python train_dataset, train_labels, valid_dataset, valid_labels from matplotlib import pyplot as plt cifar10 = tf.keras.datasets.cifar10 #(x_train, y_train), (x_test, y_test) = cifar10.load_data() #从网络下载数据集 x_train tf.keras.layers.Dense(500, activation='relu'), tf.keras.layers.Dropout(0.25), tf.keras.layers.Dense(10
1.6K10发布于 2019-12-25 - 来自专栏一“技”之长
iOS10语音识别框架SpeechFramework应用
iOS10语音识别框架SpeechFramework应用 一、引言 iOS10系统是一个较有突破性的系统，其在Message，Notification等方面都开放了很多实用性的开发接口 本篇博客将主要探讨iOS10中新引入的SpeechFramework框架。 SFSpeechRecognizer：这个类是语音识别的操作类，用于语音识别用户权限的申请，语言环境的设置，语音模式的设置以及向Apple服务发送语音识别的请求。 三、申请用户语音识别权限与进行语音识别请求 开发者若要在自己的App中使用语音识别功能，需要获取用户的同意。 SFSpeechRecognitionResult SFSpeechRecognitionResult类是语音识别结果的封装，其中包含了许多套平行的识别信息，其每一份识别信息都有可信度属性来描述其准确程度
1.4K20发布于 2018-08-15 - 来自专栏Deep Learning 笔记
图像识别（三）cifar10.py
cifar10.py文件包含以下函数，用于搭建模型 def _activation_summary(x): def _variable_on_cpu(name, shape, initializer): _data', """Path to the CIFAR-10 data directory.""") tf.app.flags.DEFINE_boolean #描述 CIFAR-10 数据集的全局常量 IMAGE_SIZE = cifar10_input.IMAGE_SIZE NUM_CLASSES = cifar10_input.NUM_CLASSES NUM_EXAMPLES_PER_EPOCH_FOR_TRAIN = cifar10_input.NUM_EXAMPLES_PER_EPOCH_FOR_TRAIN NUM_EXAMPLES_PER_EPOCH_FOR_EVAL = cifar10_input.NUM_EXAMPLES_PER_EPOCH_FOR_EVAL : raise ValueError('Please supply a data_dir') data_dir = os.path.join(FLAGS.data_dir, 'cifar-10
1.6K40发布于 2018-09-02 - 来自专栏施炯的IoT开发专栏
Windows 10 IoT Serials 10 – 如何使用OCR引擎进行文字识别
创建针对某种语言的OCR识别实例 4. 加载图片，识别图片中的文字 5. 从摄像头捕捉的图片中识别文字 6. 将识别的文字覆盖在图片上 2. 解决方法 上述问题的出现，是由于Windows 10 IoT Core设备上没有OCR的相关资源，导致程序无法正常运行。 解决方法如下： 首先，将Windows 10设备的C:\\Windows\OCR目录拷贝到Windows 10 IoT Core设备的c$\Windows目录，如下图所示。 ? 首先，调试OCR图片中文识别，结果如下： ? 可以看到，中文的识别准确度挺高，基本上都识别出来了。 接着，在调试用摄像头进行OCR中文识别和OCR英文识别，结果分别如下图所示。 ? 从图中可以看出，摄像头识别的结果依赖于光线、摄像头分辨率等因素，环境光越好，摄像头分辨率越高，则识别精度就越高。
3K40发布于 2018-03-27 - 来自专栏有趣的Python和你
深度学习|Keras识别CIFAR-10图像（CNN）
数据和方法 CIFAR-10数据集有6000个32×32个彩色图片，50000个训练图片和10000个测试图片。有10个类别：飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车。 from keras.datasets import cifar10 import numpy as np np.random.seed(10) (x_img_train,y_label_train) ,(x_img_test,y_label_test)=cifar10.load_data() 数据处理 标准化 label的one-hot编码 x_img_train_normalize = x_img_train.astype rate=0.25)) model.add(Dense(1024, activation='relu')) model.add(Dropout(rate=0.25)) model.add(Dense(10 y_label_train_OneHot, validation_split=0.2, epochs=10
1.4K50发布于 2019-01-28 - 来自专栏Coding01
TensorFlow (2) CIFAR-10 简单图像识别
本文 2345.5字，需要 5.86 分钟 CIFAR-10 图像识别 本文主要学习获取 CIFAR-10 数据集，通过简单的模型对数据集进行训练和识别。 _create_unverified_context 下载 CIFAR-10 数据集[1]： (x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar10 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck'] plt.figure(figsize=(10,10 至此，基本完成模式建立和训练，并对模型进行评估，简简单单的几行代码就能让识别率在 70% 左右。 总结 这识别率还是可以再提高的，随着下一阶段的学习，把增强型模型做好，以提高识别率。 参考 [1] CIFAR-10 数据集 https://www.tensorflow.org/datasets/catalog/cifar10
1.6K20发布于 2021-02-24
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