- 综合排序
- 最热优先
- 最新优先
- 来自专栏加菲猫的VFP
〔连载〕VFP9增强报表－运行时能力的增强
译者:Fbilo VFP 开发组在对运行时增强工作的时候有几个目标，其中包括： 处理更多的报表输出类型，而不仅仅是打印和预览； 为报表输出使用 GDI+。 这提供了一些显著的增强，比如精确得多的报表绘制、图像和字体的平滑缩放、以及象文本旋转那样的额外能力。 现在让我们来看一下运行时增强的某些特点。 新的预览窗口 匆匆一看，在图25中显示的 VFP 9 预览窗口看上去好像跟过去版本中的它并没多少不同。不过，请仔细看一下这里面的工具栏。 VFP 9 支持的输出中还没包括 PDF。 其它打印增强 在 VFP 9 中有着大量的其它通用打印增强。 显示页设置对话框的 SYS(1037) 有了一些新的功能。
1.3K10编辑于 2022-04-07 - 来自专栏DotNet NB && CloudNative
AI应用实战课学习总结（9）Hello 深度学习
最近入坑黄佳老师的《AI应用实战课》，记录下我的学习之旅，也算是总结回顾。 今天是我们的第9站，一起了解下大数据和GPU时代下的 深度学习 和 PyTorch框架。 深度学习介绍 根据之前的学习，我们知道了人工智能的范围很广阔，而机器学习是人工智能的一个重要分支，而今天要学习的深度学习又是机器学习的一个重要分支。 在大数据和GPU的加持下，我们现在正处于深度学习的黄金时代。 深度学习是机器学习实践方法中的一种，它是基于神经网络的机器学习方法。 下图展示了各种现代神经网络模型，你一定用过或听过一个或多个： 深度学习 vs 传统机器学习 前面几篇我们学习到的就是传统的机器学习方法，现在也叫它“浅层机器学习”，因为它没有多层的神经网络，无法自己学习提取特征 它由 Facebook 的 AI 研究团队开发，并以 Python 编程语言为基础，提供了强大的 GPU 加速支持。
30410编辑于 2025-04-02 - 来自专栏写字母的代码哥
java9-Collection集合类的增强
我计划在后续的一段时间内，写一系列关于java 9的文章，虽然java 9 不像Java 8或者Java 11那样的核心java版本，但是还是有很多的特性值得关注。 期待您能关注我，我将把java 9 写成一系列的文章，大概十篇左右，本文是第5篇。 java9系列文章访问地址 本文带大家快速的了解一下在Java 9 种集合类Colleaction子类都发生了哪些比较有用的变化与增强。 10); System.out.println(integers); // [2, 6, 7, 10] 1.3.构建Map对象 虽然Map不是Colleaction的子类，但是我们一般也把它当作集合类学习 版本中也进行了增强。
57020发布于 2020-10-29 - 来自专栏数字孪生元宇宙
PandasAI - AI增强的Pandas
Pandas AI 是一个 Python 库，它为流行的数据分析和操作工具 Pandas 添加了生成式AI能力。 PandasAI旨在与 Pandas 结合使用，而不是它的替代品。 使用如下命令安装pandas-ai：pip install pandasai1、快速上手PandasAIPandasAI 旨在与 Pandas 结合使用。 = PandasAI(llm)pandas_ai.run(df, prompt='Which are the 5 happiest countries?') 例如，你可以要求 PandasAI 求出 2 个最不幸福国家的 GDP 总和：pandas_ai.run(df, prompt='What is the sum of the GDPs of the 2 上面的代码将返回以下内容：19012600725504也可以要求 PandasAI 画图：pandas_ai.run( df, "Plot the histogram of countries
2.4K30编辑于 2023-05-05 - 来自专栏清菡软件测试
高级性能测试系列《9.脚本增强》下篇
用户定义的变量的这个值的后四位直接用${__Random(1000,9999,)}替换掉就可以了
38110编辑于 2022-06-21 - 来自专栏清菡软件测试
高级性能测试系列《9.脚本增强》上篇
高级性能测试系列《8.脚本写法》 目录 一、没有接口文档怎么办 二、写脚本方法扩展 三、脚本功能增强 1.定义用户变量 2.用户参数 3.用户定义变量（全局变量）和用户参数（局部变量）的区别 一、没有接口文档怎么办 三、脚本功能增强 关联： 前面接口的响应信息，有动态值作为后续接口的传入参数。 我想把手机号码发生变化： 变量： 1.用户定义变量；2.用户参数。 1.用户定义变量: 1.配置元件；2.测试计划。
56840编辑于 2022-06-21 - 来自专栏AI科技大本营的专栏
Chatbot大牛推荐：AI、机器学习、深度学习必看9大入门视频
我们人类只要把算法和计算能力保证了，别的就不用管了，机器它自己就会学习。 机器是怎么自主学习呢？ 答：通过学习已有的标注数据来解决问题，而并不需要把规则硬编码到算法中。 那什么又是深度学习呢？ 深度学习属于机器学习，不过更复杂。 成长款——深入学习 如果你还想深入学习相关的技术细节，可以观看 Youtube 上的 Deep Learning Simplified 系列视频与 Facebook 解释机器学习/深度学习的视频。 原文链接 https://medium.com/@MatthiasNannt/videos-to-learn-about-ai-machine-learning-deep-learning-fd6a536a8abd ➤版权申明：该文章由AI100整理编辑，如需转载请后台留言征得同意。
91070发布于 2018-04-27 - 来自专栏音视频咖
技术解码 | 腾讯明眸技术全面解析——深度学习AI画质增强
本期我们将先从深度学习AI画质增强开始，为大家分享腾讯明眸在AI方向上的探索及思考。 腾讯明眸核心能力展示 目前我们在画质增强的工作上通过结合深度学习网络，针对性的提出了一些适合于落地的AI解决方案，有些算法的效果也超过了当前的state-of-the-art，相关研究成果主要是应用到明眸极速高清和画质重生产品中编码优化前的前置处理的这个阶段 若按照之前的增强思路，我们也可以选择端到端的成对数据训练方式，比如经典的方法有HDRNet，他通过学习色彩线性变换的系数来进行色彩增强，如下图所示。 由于不会受到固定色彩增强操作的限制，理论上其可以学习到所有可能的增强操作的组合。 In Proceedings of the IEEE Conference on computer vision and pattern recognition (pp. 5928-5936). [9]
4K40发布于 2021-10-25 - 来自专栏Mac软件的分享
Topaz Video AI for mac(AI视频增强工具)
作为AI视频增强方案，Topaz Video AI的Mac版本在视频处理方面表现出色，可以通过AI技术提高视频的清晰度、减少噪点和抖动等，从而改善视频质量。 Topaz Video AI for mac(AI视频增强工具)图片Topaz Video AI采用AI技术，可以自动增强视频质量，提高清晰度、减少噪点和抖动等。 多种增强模式：Topaz Video AI提供多种增强模式，包括清晰度增强、稳定器、降噪、复原和增强视频颜色等。 高效处理：Topaz Video AI处理速度快，可以快速完成视频增强，同时支持多种视频格式。简单易用：Topaz Video AI操作简单易用，用户只需要几个简单的步骤就可以完成视频增强。 高质量输出：Topaz Video AI可以保证高质量输出，增强后的视频画面更加清晰、稳定和真实。
1.1K30编辑于 2023-03-06 - 来自专栏加菲猫的VFP
〔连载〕VFP9增强报表－多细节带区
幸运的是，VFP 9 通过一个新的功能很好的解决了这个问题：多细节带区。 记录处理 在探讨多细节带区之前，让我们先讨论一下在一个报表中，VFP 是如何在记录们中间移动的。 在 VFP 9 中，现在可以有多个细节范围了（超过20个）。一个特定的细节范围中的记录可以是来自子表中的相关记录，也可以是驱动游标中的记录，而这就意味着它可以被处理多次。 报表属性对话框的 Variables （变量）页现在使用 “reset based on（基于…重置）”而不是“reset at（在何时重置）”作为一个变量作用范围的提示，来增强这个功能。 在 VFP 9 中，这只是简单的意味着要有一个细节带区来进行计算、而用另一个细节带区来显示结果。在这个示例 EmployeesMD2.FRX 中，这两个细节带区都使用 Orders 表作为目标别名。
2.3K10编辑于 2022-04-07 - 来自专栏决策智能与机器学习
算法集锦（9）|自动驾驶|道路图像增强算法
自动驾驶汽车是一项非常有挑战性的AI技术，与其他AI技术（如图像处理、语音识别等）相比，它有着本身的特殊性。比如，它不仅需要处理白天和黑夜的场景，还需要处理各种复杂的天气。 因此，在训练自动驾驶算法时，需要一些特殊的图像增强处理。 为了更有效的训练汽车的CNN网络，本文提供了一个可模拟各种气候及环境的图像增强算法-Automold。该算法基于python的Numpy和OpenCV库开发，可以将图像转换至各种气候环境及季节。 比如，模拟雨天、晴天、大雾及雪天等，可以使系统在采集路况图像的时候，完成其在各种气候环境下的训练，大大增强了训练的样本数量及丰富程度。 添加季节 Automold库提供了一种便捷的方式，可以对图像随机添加增强效果，而不需要繁琐的去指定增强类型，使得该算法可以很好的嵌入到自动驾驶的CNN网络训练中。
1.6K30发布于 2020-08-04 - 来自专栏Echo软件分享
AI图片画质增强工具分享
时下正流行运用AI技术实现几秒钟内对照片的优化和增强。这些工具很容易上手，估计不久也会被越来越多人使用。所以这里，小编给大家分享几款我用的还不错的软件~1. AI Photo Enhancer Online：Pixlr这个 AI 在线工具有两个版本。第一个版本是为经验丰富的专业设计师或编辑开发的。另一方面，第二个版本适合所有类型的用户，尤其是新手。 DVDFab Photo Enhancer AI该软件可用于在不损失质量的情况下升级像素化照片。 只需单击一下，用户就可以增强他们的照片，类似于 DSLR 类似的照片。该工具可以通过令人惊叹的全自动人工智能技术将黑白照片转换为彩色照片。它可以去除图片中的噪点，以增强图像清晰度和清晰度。 Vance AIVance AI Image Enhancer 也是可用于增强图像的流行工具之一。它采用先进的人工智能和深度学习技术开发。如果您想要自动图像编辑，它是不二之选。
4.3K180编辑于 2022-11-02 - 来自专栏项目文章
Redis学习9：Jedis学习
Jedis学习 编程语言中的数据如任何和redis联动，如果是java语言，那么就可以使用Jedis工具，同时springdata redis也可以使用，lettuce也可以使用。
18010编辑于 2024-06-07 - 来自专栏肖力涛的专栏
马里奥 AI 实现方式探索 ：神经网络+增强学习（下）
接《马里奥 AI 实现方式探索 ：神经网络+增强学习（上）》 马尔可夫决策过程（MDP） 一提到马尔科夫，大家通常会立刻想起马尔可夫链（Markov Chain）以及机器学习中更加常用的隐式马尔可夫模型 基于NEAT算法的马里奥AI实现所谓NEAT算法即通过增强拓扑的进化神经网络（Evolving Neural Networks through Augmenting Topologies），算法不同于我们之前讨论的传统神经网络 ，并利用增强学习算法做出动作选择，然后根据新的返回状态和历史状态来计算reward函数从而反馈给Q函数进行迭代，不断的训练直到游戏能够通关。 总结 综上便是从最基本的神经网络算法+增强学习，到将这些算法用在智能AI上的一些基本整理，长舒一口气，整理了好久。。。 Reinforcement learning: An introduction , 1998 马尔可夫性质 增强学习（二）——- 马尔可夫决策过程MDP 增强学习（三）——- MDP的动态规划解法 增强学习
2.7K21发布于 2017-08-18 - 来自专栏肖力涛的专栏
马里奥 AI 实现方式探索 ：神经网络+增强学习（上）
如果能够在游戏自动化测试、智能AI中应用这些有趣的算法，想想还是有点小激动哒 ^v^ 马里奥AI实现方式探索：神经网络+增强学习 儿时我们都曾有过一个经典游戏的体验，就是马里奥（顶蘑菇^v^），这次里约奥运会闭幕式 首先，对于实现马里奥AI当中涉及到的神经网络和增强学习的相关概念进行整理，之后对智能通关的两种方式进行阐述。 增强学习 机器学习领域，我们都知道两位大哥就是监督学习和非监督学习，我们有样本X和标记或者未标记的Y，我们通过训练可以做一些分类或者聚类的任务。 但是，对于一些序列决策或者控制问题，是很难得到上面那样的规则样本的，比如机器人的控制问题，决策机器人下一步该怎么走，那么这时我们就需要清楚另外一位大哥——增强学习，虽然他似乎曝光度并不是很高，那么何谓增强学习呢 通过增强学习，一个智能体（agent）应该知道在什么状态下应该采取什么行为。RL是从环境状态到动作的映射的学习，我们把这个映射称为策略。 接《马里奥 AI 实现方式探索 ：神经网络+增强学习（下）》
2.8K40发布于 2017-08-16 - 来自专栏加菲猫的VFP
〔连载〕VFP9增强报表系统AND社群的各种姿势
好啦，继续来VFP9的增强报表系统开发 保护 如果你允许用户在你的应用程序运行过程中从报表设计器里修改报表，你也许会希望有一种途径能够保护其中一部分对象。 VFP 9 给 MODIFY/CREATE REPORT/LABLE 命令增加了一个新的关键字：PROTECTED。当使用了这个关键字的时候，你可以阻止特定的操作。 例如，比较一下图8和图9中的两个报表设计工作期。图8是使用不带 PROTECTED 关键字的 MODIFY REPORT 打开的。 图8、当没有使用 PROTECTED 关键字的时候，用于输出页码的表达式显示为一个表达式 图9使用了 PROTECTED 关键字。 在 VFP 9 中，你可以指定这些值应该如何显示。
91510编辑于 2022-04-07 - 来自专栏DevOps
AI框架：9大主流分布式深度学习框架简介
前言 转载翻译Medium上一篇关于分布式深度学习框架的文章 https://medium.com/@mlblogging.k/9-libraries-for-parallel-distributed-training-inference-of-deep-learning-models 二、进阶演化 上述两个并行训练范式已有各种优化和增强方法，使训练/推理变得高效，包含如下： TensorParallel Pipeline Model Parallel Zero Redundancy ColossalAI Colossal-AI提供了一组并行组件，可以用来实现定制化的分布式/并行训练，包含以下并行化策略和增强功能： Data Parallelism Pipeline Parallelism Zero Redundancy Optimizer (ZeRO) Heterogeneous Memory Management (PatrickStar) For Inference**Energon-AI 9. Mesh-Tensorflow 根据 github 页面：Mesh TensorFlow (mtf) 是一种用于分布式深度学习的语言，能够指定广泛的分布式张量计算类别。
6.4K10编辑于 2024-03-29 - 来自专栏技术指北
Upscayl——免费开源 AI 图像增强器
Upscayl还支持批量处理功能，让您能够一次性导入多张图片进行放大和增强。对于需要处理大量图片的用户而言，这将极大地提升工作效率。 Upscayl提供了多个先进的AI模型供用户选择，以满足不同图片类型的需求，从而灵活提升图片放大后的效果。 每个AI模型都经过精心训练，针对不同的图片特点和处理目标进行了优化。
4.9K20编辑于 2024-05-07 - 来自专栏MiningAlgorithms
机器学习9：采样
另外，利用重采样技术，可以在保持特定的信息下（目标信息不丢失），有意识地改变样本的分布，以更适应后续的模型训练和学习，例如利用重采样来处理分类模型的训练样本不均衡问题。 对于很多分类算法，如果直接采用不均衡的样本集来进行训练学习，会存在一些问题。 同样地，对于欠采样，可以采用InformedUndersampling来解决由于随机欠采样带来的数据丢失问题 7.2，基于算法的方法： 在样本不均衡时，也可以通过改变模型训练时的目标函数（如代价敏感学习中不同类别有不同的权重 ）来矫正这种不平衡性；当样本数目极其不均衡时，也可以将问题转化为单类学习（one-classlearning）、异常检测（anomaly detection）。 if __name__ == '__main__': plot_mcmc(0.1, 0.1) plot_mcmc(1, 1) plot_mcmc(2, 3) Reference： 《百面机器学习
2.3K30发布于 2019-08-08 - 来自专栏人工智能头条
高级搜索树+深度增强学习，Google DeepMind AI算法击败欧洲围棋冠军
纵横十九道，棋子无大小，平均150回合的比赛，最大有3^361 种局面（大致为10^170），围棋一直被视为人工智能（AI）的最大挑战之一，但Google旗下的DeepMind声称其AI算法已经掌握了比赛 DeepMind引以为傲的是AlphaGo并非基于规则的程序，而是以机器学习算法取胜。据其解释，AlphaGo将高级搜索树与深度神经网络结合在一起。 DeepMind用人类围棋高手的3000万步围棋走法训练神经网络，同时，AlphaGo还通过增强学习(Reinforcement Learning)自行研究新战略，利用50台机器，在它的神经网络之间运行了数千局围棋 届时，我们可以一睹最牛围棋AI的极限。 Nature报道：http://www.nature.com/news/google-ai-algorithm-masters-ancient-game-of-go-1.19234 Google博客：https
1K50发布于 2018-06-06
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