- 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。
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机器学习与深度学习算法
机器学习入门 8-7 偏差方差平衡
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍什么是偏差和方差，并从偏差和方差这种更高更全面的视角来探讨模型过拟合和欠拟合，最后提出在算法层面上主要解决高方差，并提出五条解决高方差的手段。
1.2K10发布于 2020-01-14 - 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
近日，一种名为“蓝鲸”（Blue Whale）死亡游戏正藉由网络向全球各地悄然蔓延，包括英国、阿根廷、墨西哥，甚至中国。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
99360发布于 2018-05-16 - 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。 ax.w_yaxis.set_ticklabels(()) ax.w_zaxis.set_ticklabels(()) plt.show() 我们设置降维成三维，并在3D图上可以直观的感受到降维成三个解释变量后的花朵分布情况 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
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。 ，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。 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
2.4K30发布于 2021-05-13 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。 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
1.2K30发布于 2021-06-08 - 来自专栏有三AI
【AI产品】智能修图时代已来临？「咔嗒」一下，轻松后期
让我们把上面这张花朵照片作为例子，原图比较暗淡，不明亮，对比也不明显。看看曾获得过2019年App Store本土优秀App、小米应用市场金米奖和OPPO至美奖的智能软件「咔嗒」会怎么做。 下图为软件处理的中间过程，非常智能的是软件识别出了图像主体为“花卉”，并且将识别结果展示出来，随后进行了一系列智能修图操作。 下图是经过智能修图过后的照片，颜色更加明亮，花朵、绿叶也表现出应有的颜色，整体上氛围更好了。 ? 让我们试试更多的场景： • 夜景图→识别为“夜色” ? • 人正脸照太过容易，特意选择一张背影图→识别为“绿色自然/人物” ? 通过不同的案例进行实验，识别结果还是比较准确的。 识别图像中物体类型 2. 识别图像场景 3. 根据前两步的结果自适应地选择滤镜
68320发布于 2020-09-03 - 来自专栏人工智能与演化计算成长与进阶
np.diff函数
np.array([1, 6, 7, 8, 12]) diff_x1 = np.diff(a) print("diff_x1",diff_x1) # diff_x1 [5 1 1 4] # [6-1,7-6,8- b.reshape(5,1,2) diff_x3 = np.diff(c) print("diff_x3 \n",diff_x3) # diff_x3 # [[[ 5]] [6-1] # # [[ 1]] [8-
94910发布于 2020-08-14 - 来自专栏青年夏日
视频识别 动作识别 实时异常行为识别 等所有行为识别
大家好，我是cv君，很多大创，比赛，项目，工程，科研，学术的炼丹术士问我上述这些识别，该怎么做，怎么选择框架，今天可以和大家分析一下一些方案： 用单帧目标检测做的话，前后语义相关性很差（也有优化版）， 当然可以通过后处理判断下巴是否过框，效果是不够人工智能的），高抬腿计数，目标检测是无法计数的，判断人物的球类运动，目标检测是有很大的误检的：第一种使用球检测，误检很大，第二种使用打球手势检测，遇到人物遮挡球类，就无法识别目标 开始 目前以手势和运动识别为例子，因为cv君没什么数据哈哈 项目演示： 本人做的没转gif，所以大家可以看看其他的演示效果图，跟我的是几乎一样的~ 只是训练数据不同 一、 基本过程和思想
5.6K20发布于 2021-04-18 - 来自专栏人工智能
TensorFlow图像分类教程
云栖君导读：深度学习算法与计算机硬件性能的发展，使研究人员和企业在图像识别、语音识别、推荐引擎和机器翻译等领域取得了巨大的进步。六年前，视觉模式识别领域取得了第一个超凡的成果。 工作原理 本教程旨在把一个事先被放到训练过的类别里的图片，通过运行一个命令以识别该图像具体属于哪个类别。步骤如下图所示： 标注：管理训练数据。 例如花卉，将雏菊的图像放到“雏菊”目录下，将玫瑰放到“玫瑰”目录下等等，将尽可能多的不同种类的花朵按照类别不同放在不同的目录下。如果我们不标注“蕨类植物”，那么分类器永远也不会返回“蕨类植物”。 训练和分类 本教程将训练一个用于识别不同类型花朵的图像分类器。深度学习需要大量的训练数据，因此，我们需要大量已分类的花朵图像。 直到我们做了这个约20分钟的训练，Inception才知道如何识别雏菊和郁金香，这就是深度学习中的“学习”部分。 安装 首先，在所选的平台上安装Docker。
1.3K60发布于 2018-01-16 - 来自专栏决策智能与机器学习
智能识别方面主要进展 | 语音识别、OCR识别、图像识别、生物识别…… | 智能改变生活
识别与分类技术可应用于图像识别、医疗诊断、生物识别、信号识别和预测、雷达信号识别、经济分析，以及在智能交通管理、机动车检测、停车场管理等场合的车牌识别等很广泛的领域。 语音识别：语音识别行业现在似乎维持着最大的平衡，因为国内外各家的引擎识别率都基本在同一个水平线上，差不多达到了当前语音识别技术的极限，彼此之间差距不是那么明显。 国内著名的车牌识别产品主要有中科院自动化研究所汉王公司的汉王眼、北京文通科技有限公司的文通车牌识别系统等。 ? 虹膜识别：现代信息社会对精准识别的需求，呼唤更加不可替代的生物体特征，虹膜识别应运而生。 目前主要应用有证件识别、银行卡识别、名片识别、文档识别、车牌识别等。 ? 唇语识别：相较于前文提到的语音识别、车牌识别、人脸识别等难度更大，其很大程度上取决于语言的语境和对其的了解，而这些都只通过视觉来呈现的。
6.2K30发布于 2020-08-04 - 来自专栏产品的技术小课
100秒了解一个技术术语：什么是AI？
（ps：当然也有这3类算法融合一起的情况） 1、感知 感知就是模式识别，比如人脸识别、语音书别、机器翻译、体感感知等。 记得有个小程序叫识花君，扫一扫现实中的花，就可以识别出花名。 智能识别一般分2部分，一部分是处理信息的结构体，比如处理花朵的结构 体；另一部分是数据反馈结构体特征。数据反馈主要用于验证结果，比如验 证这种结构特征的花朵的花名是什么。 这种模式识别，业内有很多开源的识别库可以直接调用。 2、推理 比如棋牌游戏。 很早之前就看到有人机大战棋牌游戏，机器战胜人类的新闻。 这种就是通过人工智能推理来作出的行为。 我们可以看到评论里的感情倾向既有正向情绪（口味不错），又有负向情绪（位置偏不好找）； 那该如何识别出用户评论里正向/负向情绪的句子呢，美团这里就用到了预训练模型。
7.4K20编辑于 2021-12-09 - 来自专栏A周立SpringCloud
Zuul的高可用
图8-7 Zuul高可用架构图 如图8-7，当Zuul客户端也注册到Eureka Server上时，只需部署多个Zuul节点即可实现其高可用。
1.6K30发布于 2018-04-02 - 来自专栏PaddlePaddle
【场景文字识别】场景文字识别
场景文字识别是在图像背景复杂、分辨率低下、字体多样、分布随意等情况下，将图像信息转化为文字序列的过程，可认为是一种特别的翻译过程：将图像输入翻译为自然语言输出。 场景图像文字识别技术的发展也促进了一些新型应用的产生，如通过自动识别路牌中的文字帮助街景应用获取更加准确的地址信息等。 在场景文字识别任务中，我们介绍如何将基于CNN的图像特征提取和基于RNN的序列翻译技术结合，免除人工定义特征，避免字符分割，使用自动学习到的图像特征，完成端到端地无约束字符定位和识别。 本例将演示如何用 PaddlePaddle 完成 场景文字识别 (STR, Scene Text Recognition) 。 任务如下图所示，给定一张场景图片，STR 需要从中识别出对应的文字"keep"。 ? 图 1. 输入数据示例 "keep" |2.
28.4K70发布于 2018-04-02
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