- 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。 次方并且存储在数组b中 b[0] = BigInteger.ZERO; b[1] = BigInteger.ONE; for (int i = 2; i <= 9; { // 一次深度优先走完 // 刚好21次也分配完了 a[9] = left; if (a[9] < 10) { // 9的21次方出现的次数不能超过10次，因为9的21次方是21位数 BigInteger ret = BigInteger.ZERO
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Ms08067安全实验室
人脸识别9种攻击方式
9.
1.4K10编辑于 2025-03-07 - 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 - 来自专栏贾志刚-OpenCV学堂
OpenCV实现0到9数字识别OCR
使用OpenCV对0到9数字进行识别，实现简单OCR功能，基于CA（轮廓）分析实现特征提取，基于L1距离计算匹配实现数字识别。在排除干扰的基础上，识别精度可以达到98%以上。 整个算法分为两个部分，第一部分是特征提取，提取的特征实现了尺度不变性与轻微光照与变形干扰排除，第二部分基于特征数据进行匹配实现了相似性比较，最终识别0到9十个数字。 第一部分详解： 算法的第一部分主要是实现以下功能，提取42个特征向量，用其中40个向量做匹配识别，另外两个向量做辅助检查。比如0跟1的横纵比有明显差别。特征提取的主要步骤如下： 1. 识别结果： ? 观察结论 训练数据和识别数据在字体、大小上均有差异，然而根据提取的特征进行匹配，均可识别，充分证明了本识别算法的尺度不变性与局部抗干扰能力。
5.7K20发布于 2018-07-26 - 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。 ，字母顺序对应于目录名称 class_names = train_ds.class_names print(class_names) 查看一下训练数据集中的9张图像 # 查看一下训练数据集中的9张图像 matplotlib.pyplot as plt plt.figure(figsize=(10, 10)) for images, labels in train_ds.take(1): for i in range(9) 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 - 来自专栏我爱计算机视觉
GroupFace 人脸识别，刷新 9 个数据集SOTA
在人脸识别常用的 9 大数据集(LFW, YTF, CALFW, CPLFW,CFP, AgeDB-30, MegaFace, IJB-B, IJB-C)上，该算法表现出了一致性的精度提高，虽然代码没开源 作者认为如果在训练的时候能够给出每张图片所属组（或者说类别）的标签，训练得到的特征天然的具有缩小人脸搜索范围的性质，使人脸识别更精准。 其实透过上面的分析可知，使用作者的方法很难学到作者假设的那种语义分组，但在实验中发现，网络自动分组对人脸识别来说仍然有好处的。 实验结果 除了使用GroupFace网络结构，作者还使用arcface loss损失函数，在 9 个常用的1:1人脸验证和1:N人脸识别数据集中的实验，均得到了显著的精度提升。 ? ? ? 虽然作者称GroupFace是一种人脸识别专用算法，但其实这种思想在所有表示学习、度量学习领域都值得尝试，比如ReID。
1.4K20发布于 2020-05-27 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Android 研究
PMI-ACP 敏捷项目管理9——识别干系人
一、识别干系人 识别干系人并分析和记录他们的相关信息，可以帮助敏捷项目经理建立对各个干系人或者干系人群体的适度关注。 在项目或者阶段的早期，识别干系人，并分析他们的利益层次、个人期望、重要性和影响力，对项目成功非常重要。 识别干系人的工具，主要包括：任务、线框图和用户故事 二、人物 人物是用细节描述详细阐释用户信息，提供客户的背景；部分人物带有名称、地址、年龄、收入、洗好、厌恶和其他概念性细节。 任务是快速识别项目干系人和他们兴趣点的一个工具。软件项目通常创建即将使用这个系统的不同类型的任务。人物可以基于某个真实的人或者多个用户的复合原型。 验收条件体现故事范围，需要在故事编译的时候就识别验收标准。同时，对于这些测试要能够从界面或者接口进行，能够被自动化测试。 4 用户故事待办事项 一旦用户故事被写好，他们就应该放在一个待办事项中。
1.7K20发布于 2018-08-30 - 来自专栏猿人工厂
猿设计9——真电商之商品实体识别
经过前一章节的讨论相信你已经能够正确的区分SPU与SKU两个概念。商品系统的设计与构建，从某种程度上来讲，就是围绕SPU和SKU来进行的。但是只有这两个粗浅的概念，并不足以描述一个商品信息，今天，我们一起来聊一聊商品到底有哪些信息，进一步完善商品系统的设计。
1.3K20发布于 2020-07-28 - 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。 ，字母顺序对应于目录名称 class_names = train_ds.class_names print(class_names) 查看一下训练数据集中的9张图像 # 查看一下训练数据集中的9张图像 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AI机器学习与深度学习算法
机器学习入门 7-9 人脸识别与特征脸
本章的最后一个小节介绍PCA在人脸识别领域的一个特殊的应用，也就是所谓的特征脸。本小节会介绍什么是特征脸，并通过可视化的方式直观的感受特征脸。 同样在这里我们依然使用sklearn内部为我们提供的人脸识别数据集"The Labeled Faces in the Wild face recognition dataset"。 对于人脸识别数据集而言，如果没有访问外国网站，虽然下载速度相对慢一点，但是还是能够下载的。 sklearn的人脸识别数据集大约200MB，相对而言数据集还是比较大的。 这就是这一小节所介绍的PCA在人脸识别领域中的一个专门的应用特征脸。 使用这种人脸图片足够的数据集进行人脸识别相对来说就比较靠谱。
1.4K20发布于 2019-11-23 多种蝴蝶识别分割数据集labelme格式784张9类别
数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件) 图片数量(jpg文件个数)：784 标注数量(json文件个数)：784 标注类别数：9 标注类别名称:["
20500编辑于 2025-07-16稻田虫害识别分割数据集labelme格式7533张9类别
是原图剩余为增强图片 数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件) 图片数量(jpg文件个数)：7533 标注数量(json文件个数)：7533 标注类别数：9
17710编辑于 2025-07-16- 来自专栏数据派THU
要学习的第一个现代CNN：AlexNet
ImageNet是一个计算机视觉系统识别项目，是目前世界上图像识别最大的数据库，它包含了1000个类别的超过140万张图像。 所以相对于为了解决手写数字识别（0到9共10个类别）的LeNet，AlexNet的最后输出层就有了1000个输出。 init_weights)import model_summarymodel_summary.summary(model, (3, 224, 224))br 从头开始训练AlexNet 我要训练一个基于AlexNet的花朵品种分类 由于这个数据集里就5种花朵，所以我直接将AlexNet的最后一层输出从1000改成5，其他的不动。 数据集在加载自己的图像数据集一文中说过了。 下面我从测试数据中选择了10朵花，每种花2朵来看看我们应该怎么使用训练好的模型去预测现实世界中的花朵种类： imgs = ['.
33710编辑于 2023-05-11
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