- 综合排序
- 最热优先
- 最新优先
- 来自专栏腾讯云智能·AI公有云
腾讯云AI牵头制定2项计算机视觉标准
计算机视觉作为人工智能的关键技术之一，是目前人工智能应用于产业经济的重要驱动力。 然而，业界缺乏对计算机视觉系统在可靠性、安全性、规范性等的系统性测评方法和标准建立，一定程度上影响着计算机视觉系统的广泛应用和技术发展。 在腾讯优图实验室、腾讯标准团队支持下，腾讯云AI牵头了本次《人工智能 深度合成图像系统技术规范》、《人工智能 智能字符识别技术规范》2项标准的制定工作。 |《失控玩家》：AI自我觉醒与程序员的浪漫情书 | 黑产肆虐的背后，人工智能如何剥开“面具”伪装？| 加速普惠AI，腾讯云AI在下一盘什么大棋？| 谁，复制了另一个我？ | 全球 Top2！
3.3K10编辑于 2022-08-26 - 来自专栏开发经验
云计算未来展望：边缘计算、量子计算与AI
文章目录 边缘计算：数据处理的新时代 应用领域 挑战与机遇 量子计算：超越传统计算的新范式 量子比特 应用前景 挑战与机遇 人工智能：云计算的动力 云中的AI 应用领域 挑战与机遇 结语 欢迎来到云计算技术应用专栏 ~云计算未来展望：边缘计算、量子计算与AI ☆* o(≧▽≦)o *☆嗨~我是IT·陈寒 ✨博客主页：IT·陈寒的博客 该系列文章专栏：云计算技术应用 其他专栏：Java学习路线 Java面试技巧 人工智能：云计算的动力 人工智能（AI）一直是云计算的重要驱动力，它将继续引领云计算的未来。AI技术已经在图像识别、自然语言处理、语音识别和推荐系统等领域取得了巨大成功。 云中的AI 云计算提供了强大的计算能力和大规模数据存储，这对于训练和部署AI模型至关重要。云提供商如亚马逊、微软和谷歌都提供了AI服务，开发者可以轻松地在云上构建和部署AI应用程序。 此外，AI模型的训练和部署也需要大量的计算资源，这为云提供商提供了商机。 云计算将继续推动AI的发展，而AI也将进一步推动云计算的创新。这两者之间的相互作用将塑造未来技术的面貌。
1.9K10编辑于 2023-12-13 - 来自专栏快乐学AI系列
快乐学AI系列——计算机视觉（2）特征提取和描述
图片本系列是由“MATRIX.矩阵之芯”精炼的AI快速入门系列，特色是内容简洁，学习快速。 相关要求：学员需要掌握Python编程基础，另外还需要有一定的线性代数、概率论基础。 具体来说，Sobel算法可以通过以下步骤来实现：1、将图像转化为灰度图像；2、使用Sobel卷积核计算图像的梯度值；3、对梯度值进行阈值处理，以检测图像中的边缘。 来个例子：import cv2import numpy as np# 读取图像 原图+黑白图img = cv2.imread('image.jpg')cv2.imshow("Image", img)img Canny算法包括以下几个步骤：1、高斯滤波：对图像进行高斯滤波，以平滑图像，减少噪声干扰；2、梯度计算：使用Sobel算子计算图像中每个像素点的梯度值和方向；3、梯度幅值和非极大值抑制：对梯度幅值进行非极大值抑制 2、计算图像的梯度：使用Sobel、Laplacian等算子计算图像在x、y方向的梯度。
1.3K30编辑于 2023-03-29 - 来自专栏xingoo, 一个梦想做发明家的程序员
云计算学习2
4 网络加密 V** virtual private network 虚拟个人网络：长连接和加密 L2TP(layer 2 tunneling protocol) 二层隧道协议 VPLS( 缺点 1 管理成本高昂 2 安全隐患 3 网络复杂性 SSL secure socket layer加密套接字协议。 优点： 1 简介的部署模式，浏览器大多自带ssl功能 2 精细的访问控制，只有授权的用户才能访问特定的内部网络资源 3 防火墙穿越，由于工作在传输层之上，因此能够遍历所有防火墙和NAT设备 定义了传输数据的方式 SSL V**类型 1 零客户端模式 2 瘦客户端模式 3 隧道模式 5 可靠地网络通道 标准的QOS流程：流量识别、流量标记、流量处理 流量识别 4 完成链路终结动作 FCOE设备 1 ENode 终结流量的设备 2 FCF 转发流量的设备 FCOE的演化 1 纯以太网模式 2 FIP snooping模式：监听
1.3K80发布于 2018-01-17 - 来自专栏机器学习、深度学习
CNN光流计算2
Optical Flow Estimation with Deep Networks CVPR2017 Code: https://github.com/lmb-freiburg/flownet2 改进主要有三点： 1） 在训练层面，数据库的训练的顺序很重要 the schedule of presenting data during training is very important 2）
1.4K30发布于 2019-05-26 - 来自专栏AI系统
【AI系统】微分计算模式
上一篇文章简单了解计算机中常用几种微分方式。本文将深入介绍 AI 框架离不开的核心功能：自动微分。 前向梯度累积会指定从内到外的链式法则遍历路径，即先计算 dw_1/dx ，再计算 dw_2/dw_1 ，最后计算 dy/dw_2 。即，前向模式是在计算图前向传播的同时计算微分。 节点，v_1=lnv_{−1}=lnx_1=ln2 ； 计算 v_2 节点，节点 v_2 依赖于 v_{-1} 和 v_0 ，v_2=10 ； 计算 v_3 节点，v 反向模式的缺点： 需要额外的数据结构记录正向过程的计算操作，用于反向使用； 带来了大量内存占用，为了减少内存操作，需要 AI 框架进行各种优化，也带来了额外限制和副作用。 因此，目前大部分 AI 框架都会优先采用反向模式，但是也有例如 MindSpore 等 AI 框架同事支持正反向的实现模式。
40210编辑于 2024-12-13 - 来自专栏AI系统
【AI系统】计算图原理
在前面的文章曾经提到过，目前主流的 AI 框架都选择使用计算图来抽象神经网络计算表达，通过通用的数据结构（张量）来理解、表达和执行神经网络模型，通过计算图可以把 AI 系统化的问题形象地表示出来。 最后简单地学习 PyTorch 如何表达计算图。AI 系统化问题遇到的挑战在真正的 AI 工程化过程中，我们会遇到诸多问题。 因此派生出了目前主流的 AI 框架都选择使用计算图来抽象神经网络计算。计算图的定义我们会经常遇到有些 AI 框架把统一的图描述称为数据流图，有些称为计算图，这里可以统称为计算图。 在 AI 框架中会稍微有点不同，其计算图的基本组成有两个主要的元素：1）基本数据结构张量和 2）基本计算单元算子。节点代表 Operator 具体的计算操作（即算子），边代表 Tensor 张量。 在这里的计算图其实忽略了 2 个细节，特殊的操作：如：程序代码中的 For/While 等构建控制流；和特殊的边：如：控制边表示节点间依赖。
67010编辑于 2024-12-06 - 来自专栏AI系统
【AI系统】计算与调度
他观察到，如果将这些数字按照顺序两两配对，比如 1 和 100、2 和 99、3 和 98，以此类推，每对数字的和都是 101。 于 AI 框架而言，所开发的算子是网络模型中涉及到的计算函数。 AI 编译器优化的目的在于通过对算子进行最佳调度，使得算子在特定硬件上的运行时间达到最优水平。这种优化涉及到对算子调度空间的全面搜索和分析，以确定最适合当前硬件架构的最佳调度方案。 Reorder(交换)、Split(拆分)、Fuse(融合)、Tile(平铺)、Vector(向量化)、展开(Unrolling)、并行(Parallelizing)等，以 Halide 思想为指导的 AI 在这一步首先对 x 轴和 y 轴进行循环分块，分块因子为 4，然后将外侧的 y 和外侧的 x 轴循环进行融合(2+2=4)，再将这个融合后的操作进行并行操作。
59710编辑于 2024-11-29 - 来自专栏AI系统
【AI系统】CPU 计算本质
CPU 算力 算力(Computational Power)，即计算能力，是计算机系统或设备执行数值计算和处理任务的核心能力。 操作与数据加载的平衡点 为了平衡计算和数据加载，每从内存中加载一个数据，需要执行 80 次计算操作。这种平衡点确保了计算单元和内存带宽都能得到充分利用，避免了计算资源的浪费或内存带宽的瓶颈。 这一概念在计算机科学中至关重要，尤其在高性能计算领域。操作强度衡量的是计算与内存访问之间的关系。操作强度越高，意味着处理器在处理数据时进行更多计算操作，而不是频繁访问内存。 图片 训练 AI 大模型的变化趋势 这张图展示了训练 AI 大模型所需时间随模型参数数量的变化趋势，纵轴表示训练时间，单位从“天”（Days）到“周”（Weeks）再到“月”（Months）；横轴表示模型参数的数量 ，范围从 2 亿到 1008 亿。
87110编辑于 2024-12-04 - 来自专栏周景超的专栏
腾讯 AI Lab 计算机视觉中心人脸 & OCR 团队近期成果介绍 ( 2 )
腾讯AI Lab计算机视觉中心人脸&OCR团队是2016年11月底开始组建和开展工作，我们以研发业界领先的算法为目标驱动，逐步克服人手不足、训练数据不足等困难，不断夯实基础，做既有原创性又能落地应用的国际前沿研究 在上一期（腾讯AI Lab 计算机视觉中心人脸&OCR团队近期成果介绍（1））中已经介绍了我们团队的一些研究成果，近期，我们团队有一些新的成果再和大家进一步分享。 1. Megaface Challenge 2的常规识别测试集的识别准确率结果对比 表2. Megaface Challenge 2的常规识别测试集的验证准确率结果对比 表3. 2. 项目合作 人脸与OCR是计算机视觉领域应用非常广泛，受到工业界和学术界高度关注的一个研究领域和方向，不仅难度很大而且竞争非常激烈。
3.2K30发布于 2017-09-25 - 来自专栏TEG云端专业号的专栏
腾讯AI Lab计算机视觉中心人脸&OCR团队近期成果介绍（2）
腾讯AI Lab计算机视觉中心人脸&OCR团队是2016年11月底开始组建和开展工作，我们以研发业界领先的算法为目标驱动，逐步克服人手不足、训练数据不足等困难，不断夯实基础，做既有原创性又能落地应用的国际前沿研究 在上一期（腾讯AI Lab 计算机视觉中心人脸&OCR团队近期成果介绍（1））中已经介绍了我们团队的一些研究成果，近期，我们团队有一些新的成果再和大家进一步分享。 Megaface Challenge 2的常规识别测试集的识别准确率结果对比 表2. Megaface Challenge 2的常规识别测试集的验证准确率结果对比 表3. 图2. ch=1&com=evaluation&task=3） 3 项目合作 人脸与OCR是计算机视觉领域应用非常广泛，受到工业界和学术界高度关注的一个研究领域和方向，不仅难度很大而且竞争非常激烈。
65220编辑于 2023-03-30 - 来自专栏python3
php 循环 计算1+1+2+1+2
$sum; } add(100,0); 方法二:回调函数 function getSum($n) { if ($n > 1) { $tempSum = $n * (1 + $n) / 2;
1.2K10发布于 2020-01-07 - 来自专栏育种数据分析之放飞自我
GWAS计算BLUE值2--LMM计算BLUE值
GWAS计算BLUE值2--LMM计算BLUE值 #2021.12.12 本节，介绍如何使用R语言的lme4包拟合混合线性模型，计算最佳线性无偏估计（blue） 1. 2. 使用asreml包进行blue值计算 library(asreml) m2 = asreml(height ~ RIL, random = ~ location + location:RIL + location :rep,data=dat) summary(m2)$varcomp re2 = predict(m2,classify = "RIL")$pval %>% as.data.frame() head(re2 95%的同学，在计算GWAS分析表型值计算时，都是用上面的模型计算出blue值，然后直接进行计算，其实还有更好的模型。
1.8K30编辑于 2021-12-20 - 来自专栏云深之无迹
为什么计算等效噪声带宽计算时有π2
不知道有没有人发现，一开始的文章里面我计算带宽的时候是有带宽要乘 π/2”，其实是“等效噪声带宽 (Noise BandWidth, NBW)” 的核心概念。 在文档里，增益级写的 NBW = 4 MHz × π/2 ≈ 6.3 MHz，就是这个公式来的；同理，buffer 带宽 70 MHz → NBW = 70 × π/2 ≈ 110 MHz；ADC 内部的数字滤波 黄色矩形 理想低通，截止在 ，积分面积 = 1.0（归一化计算）。 绿色面积 一阶 RC 的积分面积 ≈ 1.375（数值计算结果）。 理论值 解析解 = ，比理想低通大 **57%**。 NBW 都写成“带宽 × π/2”。 H_RC = 1 / (1 + f**2) # 积分计算面积 df = f[1] - f[0] area_ideal = np.sum(H_ideal) * df area_RC = np.sum(H_RC
19410编辑于 2026-01-07 - 来自专栏技术杂记
QT(二).计算器（2）
QWidget *parent = 0); //构造函数 ~Calc(); //析构函数 signals: public slots: void append1(); void append2( ::AlignRight); //将le的显示设定为右对齐 connect(pb1,SIGNAL(clicked()),this,SLOT(append1())); connect(pb2, *b; else if ('/' == c) r=a/b; else if ('%' == c) r=(int)a % (int)b; else r=b; //根据操作符的类别进行相应计算 ) //输入2 { res.append("2"); le->setText(res); } void Calc::append3() //输入3 { res.append("3"); [emacs@h102 calc]$ make /usr/local/Trolltech/Qt-4.8.6/bin/uic calc.ui -o ui_calc.h g++ -c -pipe -O2
1.2K20发布于 2021-09-14 - 来自专栏数据结构与算法
12:计算2的N次方
12:计算2的N次方 查看 提交 统计 提问 总时间限制: 1000ms 内存限制: 65536kB描述 任意给定一个正整数N(N<=100)，计算2的n次方的值。 输入输入一个正整数N。 输出输出2的N次方的值。 样例输入 5 样例输出 32 提示高精度计算 1 #include<iostream> 2 #include<cmath> 3 #include<cstdio> 4 #include <cstring> 5 using namespace std; 6 int n; 7 int ans[100001]={0,2}; 8 int lans=1; 9 int main( 15 cout<<"1"; 16 return 0; 17 } 18 else if(n==1) 19 { 20 cout<<"2"
2.4K60发布于 2018-04-11 - 来自专栏算法工程师的学习日志
MATLAB-矩阵相关计算（2）
详细例子 在MATLAB中建立一个脚本文件，代码如下： a = [ 1 2 3; 2 3 4; 1 2 5] b = [ 2 1 3 ; 5 0 -2; 2 3 -1] prod = a * b 运行该文件 ，显示以下结果： a = 1 2 3 2 3 4 1 2 5 b = 2 1 3 5 0 - 要计算对应矩阵行列式的值的指令为：d=det(A)，该指令返回矩阵 A 的行列式，并把所得值赋给 d。 MATLAB中，逆矩阵的计算使用 inv 函数：逆矩阵A是inv(A). 详细例子 在MATLAB中建立一个脚本文件，并输入下面的代码： a = [ 1 2 3; 2 3 4; 1 2 5] inv(a) 运行该文件，显示以下结果： a = 1 2
94230编辑于 2022-07-27 - 来自专栏SIGAI学习与实践平台
理解计算：从√2到AlphaGo——第2季 神经计算的历史背景
有意思的是,在20世纪后半，神经科学和计算科学相结合诞生的神经计算(Neural Computing)，显微镜终于和集成电路联系在一起。 卡哈尔确定了若干个重要的规律，并且在研究中始终贯彻：1神经系统由神经元这样的基本单位构成，但在研究功能时，需要整体考虑各个结构之间的相互作用；2神经信号的传导大多是单向的；3神经元之间是生理结构上不连续的 因此，在计算机科学领域则更多的是借鉴一种思想，可以认为计算科学交叉使用了网状理论和神经元理论。 那么神经元到底是个什么东西？ 推荐文章 往期文章汇总 [1] 机器学习-波澜壮阔40年 SIGAI 2018.4.13. [2] 学好机器学习需要哪些数学知识？ ：从√2到AlphaGo ——第1季 从√2谈起 SIGAI 2018.6.20 [27] 场景文本检测——CTPN算法介绍 SIGAI 2018.6.22 [28] 卷积神经网络的压缩和加速 SIGAI
57050发布于 2018-07-02 - 来自专栏鲜枣课堂
AI计算，为什么要用GPU？
CPU vs GPU █ GPU与AI计算 大家都知道，现在的AI计算，都在抢购GPU。英伟达也因此赚得盆满钵满。为什么会这样呢？ 原因很简单，因为AI计算和图形计算一样，也包含了大量的高强度并行计算任务。 深度学习是目前最主流的人工智能算法。从过程来看，包括训练（training）和推理（inference）两个环节。 GPU凭借自身强悍的并行计算能力以及内存带宽，可以很好地应对训练和推理任务，已经成为业界在深度学习领域的首选解决方案。 目前，大部分企业的AI训练，采用的是英伟达的GPU集群。 目前，他们市值高达1.22万亿美元（英特尔的近6倍），是名副其实的“AI无冕之王”。 那么，AI时代的计算，是不是GPU一家通吃呢？我们经常听说的FPGA和ASIC，好像也是不错的计算芯片。 敬请期待下集：《到底什么是ASIC和FPGA》 参考文献： 1、《一文搞懂GPU的概念、工作原理》，开源LINUX； 2、《AI芯片架构体系综述》，知乎，Garvin Li； 3、《GPU、FPGA、ASIC
3.3K11编辑于 2024-01-03 - 来自专栏云社区活动
量子计算 + AI：科幻照进现实？
今天，我就来带大家初探量子计算如何加速AI算法，不仅讲理论，还动手写点代码，让大家感受一下量子的魅力！为什么AI需要更快的计算能力？在AI领域，尤其是深度学习模型，训练时间是一个大问题。 经典计算（CPU/GPU）我们传统的计算方式是二进制的，即 0 和 1 组成的比特（bit）。一台计算机的处理能力，依赖于它能同时处理多少个比特。2. 量子计算利用量子纠缠和叠加，可以在一次计算中同时处理多个状态的数据。这就意味着，量子计算可能在某些AI任务上实现指数级加速！量子计算如何加速AI？1. 优化 AI 训练量子计算的一个核心优势在于求解最优化问题，比如：训练神经网络时，我们需要最小化损失函数（如交叉熵、均方误差）。量子计算可以更快地找到全局最优解，而不是陷入局部最优点。2. 实战演示：用量子计算优化AI训练我们来用量子计算模拟一个简单的AI优化任务，看看它能否比传统方法更快收敛。
73510编辑于 2025-03-22
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