- 综合排序
- 最热优先
- 最新优先
- 来自专栏快乐学AI系列
快乐学AI系列——计算机视觉（6）人脸检测和识别
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。 目标跟踪 目标跟踪是计算机视觉中的一个重要问题，它是指在视频序列中跟踪一个运动目标的过程。在目标跟踪中，计算机需要根据先前帧中目标的位置和运动来预测下一帧中目标的位置。 算法的基本思路是首先选择一个ROI（Region of Interest），在ROI中计算蓝色的颜色直方图，并在后续帧中使用直方图匹配来跟踪目标。 视频搜索需要通过一些算法来实现，如特征提取、相似度计算等。 该部分内容相对简单，自行搜索学习即可。 计算机视觉是一门研究如何使计算机“看懂”图像和视频的学科，具有广泛的应用前景。 本教程涵盖了计算机视觉的基础概念和常用技术，掌握一些基本的图像和视频处理方法，以及如何应用这些技术来解决实际问题。 你，学废了吗？
92620编辑于 2023-04-06 - 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。
2K10编辑于 2023-12-13 - 来自专栏往期博文
MySQL学习6:常用计算函数
常用计算函数 求总数 关键词：count 案例： 1.计算所有记录总数 select count(*) from students; 最大值 关键词：max 案例： 1.计算学生中最大年龄 select max(age) from students; 求和 关键词：sum 案例： 1.计算所有学生的年龄总和 select sum(age) from students; 平均值 关键词：avg 案例： 1.计算所有学生的平均年龄 select avg(age) from students; 四舍五入 关键词：round 案例： 1.计算所有学生的平均年龄,保留2位小数 select
20920编辑于 2022-06-14 - 来自专栏绿盟科技研究通讯
多方安全计算（6）MPC中场梳理
；实现的方式较多，读者不妨参考[6]了解细节，开源实现可参考[2] · 不经意传输模块：主要包含标准不经意传输（OT，常基于对称与非对称加密），随机不经意传输（ROT，OT的一种变形），关联不经意传输（ · 布谷鸟哈希：广泛用于专用隐私计算模块中，用于降低通信与计算开销，其实现可参考[2]。 International Journal of Information Security, 2010, 9(6): 371-385. [5]: https://github.com/microsoft /SEAL [6]:https://zh.m.wikipedia.org/zh-hans/%E4%BC%AA%E9%9A%8F%E6%9C%BA%E6%95%B0%E7%94%9F%E6%88%90%E5% 往期回顾： 安全多方计算之前世今生 安全多方计算(1):不经意传输协议 安全多方计算:(2)隐私信息检索方案汇总分析 多方安全计算(3)MPC万能钥匙：混淆电路 多方安全计算（4）MPC万能积木 秘密共享
2.4K11编辑于 2023-02-22 - 来自专栏云计算D1net
云计算的6个未来趋势
移动浪潮驱动下，云计算将无处不在 在手机、平板电脑等移动设备的驱动下，云计算的市场需求将获得进一步增长。每个部署在云端的应用程序，都将提升云计算的商业价值。 2. 第三方云平台数量，将获得增长 如同过去的操作系统和浏览器大战，能够满足用户需求并最终流行的第三方应用程序，将推动云计算平台获得增长，类似于NetSuite的云计算服务公司将蓬勃发展。 3. 云计算将减少企业损耗 云计算的运用，可以减少企业内外部之间由于流通不畅而导致的损耗。那些无法避免这种损耗的企业，将逐渐退出市场。 新的价格战将不可避免 目前的云计算产业，正处在新一轮价格战的前夜。在繁荣的云服务领域，亚马逊已经占据了很长一段时间。 6. 云计算的社会化特征增强 云计算，当下正在向社会化模式靠拢。通过云端应用发布的数据，不仅可以使用传统的电子邮件分享，而且能够满足社会化媒体的需求，如Facebook和Twitter。
1.8K41发布于 2018-03-20 - 来自专栏CloudBest
边缘计算的6个基本计算机硬件需求
为了应付不断增长的数据量，计算边缘被 部署到减轻放置在云和数据中心的负担。那么， 边缘计算的计算机硬件需求是什么? 什么是坚固型边缘计算机? 01 边缘计算机必须坚固且无风扇 边缘计算硬件必须足够坚固，以承受在易受频繁冲击，振动，灰尘，碎屑甚至极端温度影响的易变环境中的部署。坚固耐用的边缘计算机的主要特征是其 无风扇设计。 05 边缘计算机必须安全 边缘计算设备通常部署在不受监控的远程环境中，因此它们必须是安全的。幸运的是，边缘计算设备配备可信平台模块(TPM)2.0。 这使VPU成为无风扇计算机的理想选择，这些计算机需要的组件产生的热量很少且消耗的功率也很少。总体而言，VPU的低功耗和热占用空间使其成为我们在坚固的边缘计算解决方案中的理想选择。 NVMe 计算存储 ：NVMe 计算存储 设备通过在驱动器本身上本地执行数据存储和处理 ，从而在边缘部署计算机 。这是通过在驱动器上本地处理数据来完成的。
1.8K30发布于 2021-09-26 - 来自专栏机器学习算法与Python学习
最好用的 AI 开源数据集(涵盖计算机视觉、NLP、语音等 6 大类）
1 新智元编译 来源：medium.com 编译：刘小芹 【新智元导读】本文按计算机视觉、自然语言处理、语音识别、地理空间数据等人工智能的子领域分类，精心整理，每个数据集均附有下载链接，是做 AI 今天，构造 AI 或机器学习系统比以往任何时候都更加容易。 我们有许多开源的最前沿的工具，如 TesorFlow，Torch，Spark 等，也有 AWS、Google Cloud 以及其他云服务提供商提供的大量计算力，这意味着你可以悠哉地一边喝着咖啡一边用 laptop 许多搞 AI 的人忘记了构建新 AI 解决方案或开发产品的最难的部分不是 AI 本身或者算法，而是数据的收集和标记。标准数据集可以用于验证模型，或作为构建更加定制化的解决方案的一个好的起点。 计算机视觉 【学术、经典、陈旧】MNIST：最常用的完整性检查数据集，图像大小为25x25的B＆W手写数字，但在 MNIST 上性能良好，并不意味着模型本身很好。
1.4K60发布于 2018-04-08 - 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。 前向模式 Foward Mode 前向模式从计算图的起点开始，沿着计算图边的方向依次向前计算，最终到达计算图的终点。它根据自变量的值计算出计算图中每个节点的值以及其导数值，并保留中间结果。 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。
42010编辑于 2024-12-13 - 来自专栏AgenticAI
6种AI Agent模式详解
在本文中，我们将探讨多种构建 AI 智能体结构的模式。这些模式有助于我们扩展功能、保持模块化，并更好地控制执行流程。 为什么使用多智能体模式？ 一开始，通常会采用单智能体模型。 适用于按领域或部门划分逻辑的系统 每个监督者管理一组特定任务或智能体 优势： 高度可扩展且结构清晰 各层级具备模块化控制能力 挑战： 实现复杂度较高 层级之间需要明确定义接口 适用场景： 企业级系统、多领域编排任务 6.
1.2K10编辑于 2025-07-27 - 来自专栏信数据得永生
Python OpenCV 计算机视觉：6~7
Pygame 提供了更多功能，包括： 绘制 2D 几何 绘制文字 管理可绘制 AI 实体（精灵）的分组 捕获与窗口，键盘，鼠标和操纵杆/游戏手柄相关的各种输入事件 创建自定义事件 播放和合成声音和音乐 例如，Pygame 可能是使用计算机视觉的游戏的合适后端，而 HighGUI 则不是。 要学习如何识别母牛，计算机需要预先识别为母牛的正训练图像和预先识别为“非母牛”的负训练图像。 作为训练师，我们的第一步是收集这两套图像。
2K20编辑于 2023-04-27 - 来自专栏云计算D1net
2018年云计算的6个预测
然而，随着互联网的普及、云计算和大数据等新技术的兴起，网络成为了最大的一块阻碍数据中心发展的绊脚石，对网络进行改造势在必行。 01 安全因素不再妨碍云计算采用 对于考虑将业务转移到云端的组织而言，其安全性一直是一个普遍关心的问题。 鉴于云计算安全方面的改进，这种担忧有些夸大，但可以理解：放弃对业务的安全控制，并将其交给外部服务供应商对于企业来说是很困难的。 人们将在2018年会看到许多客户接受云计算环境中的安全性。 即使有些组织认为云计算安全的某些方面不符合他们的期望，他们仍然会采用云计算，这将改变他们在云端所做的事情。一般来说，安全不会成为企业采用云计算的障碍，但是会成为影响企业选择部署的一个因素。 计算和虚拟化长期处于成熟的曲线之中，存储在“软件定义”的路径上得到很好的发展，但网络可移植性仍处于黑暗时代。预计2018年将会看到网络连接将会奠定基础。 以虚拟化为例，SDN是针对虚拟化计算的网络。
93380发布于 2018-03-28 - 来自专栏cloudskyme
跟我一起云计算（6）——openAPI
根据开放技术划分，可将开放平台划分为五种类型：OpenAPI 型开放平台、插件式开放平台、综合型开放平台、应用超市型开放平台和基础服务型开放平台（云计算平台）。 腾讯社区开放平台、腾讯微博开放平台、WebQQ开放平台等） 3、360安全中心（360应用开放平台、360软件开放平台、极速浏览器应用开放平台等） 4、新浪（新浪微博开放平台、SAE） 5、人人网开放平台 6、 百度开放平台是基于“框计算”的创新技术不开放运营机制，为广大站长呾开収者提供的开放数据及应用的免费对接平台。 百度数据开放平台： 百度数据开放平台是基于框计算创新技术和开放运营理念，面向拥有专业、权威、稳定的合法数据信息站点，站长通过提交结构化优质数据，获得百度搜索结果页“即搜即得”的搜索展现。 百度应用开放平台 百度应用开放平台是以用户需求为导向，以“框计算”创新技术呾全开放机制为基础，为广大应用开収者及运营商提供的开放式应用分享暨合作对接平台。
3.5K40发布于 2018-03-20 - 来自专栏AI系统
【AI系统】计算与调度
计算与调度计算与调度的来源图像处理在当今物理世界中是十分基础且开销巨大的计算应用。图像处理算法在实践中需要高效的实现，尤其是在功耗受限的移动设备上。 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 计算节点：调度树的叶子，表示正在执行的计算。计算节点可以有其他计算节点作为子节点，以表示内联函数而不是从中间存储加载。
62010编辑于 2024-11-29 - 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。 本文将会以 AI 概念落地的时候，遇到的一些问题与挑战，因此引出了计算图的概念来对神经网络模型进行统一抽象。接着展开什么是计算，计算图的基本构成来深入了解诶计算图。 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。 x_mat = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]图中对标量、向量、矩阵进行形象化表示：张量张量（tensor）理论是数学的一个分支学科，在力学中有重要应用。
68910编辑于 2024-12-06 - 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。 ： \text{超级计算机的算力 (FLOPS)} = 10,000 \times 320 \times 10^9 = 3.2 \times 10^6 \times 10^9 = 3.2 \text{ 超算中心的性能趋势 这张图展示了超算中心性能随时间的变化趋势，纵轴表示浮点运算性能（GFLOPs），显示性能倍数（如 10^3 GF、10^6 GF、10^9 GF 和 10^13 GF），而横轴表示时间 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
91310编辑于 2024-12-04 - 来自专栏量子位
AI计算力6年增长30万倍，远超摩尔定律 | OpenAI分析报告
为了感受这个速度，OpenAI发布了一份分析报告，说的是2012年开始，AI训练所用的计算量呈现指数增长，平均每3.43个月便会翻倍。 ? 对比一下，摩尔定律的翻倍时间是18个月。 从2012年到现在，计算量扩大了300,000倍。如果是周期是18个月，那只会扩大12倍。 看着计算力对AI发展的影响，如果按这个趋势发展下去，未来系统的能力可能会远远超过我们今天的想象。 ? △ 对数表示 图表显示的是每只AI的计算量，以petaFLOPS-day (pfs-day) 为单位。一个pfs-day)，是一天中每秒进行10^15次神经网络运算，或者说每天10^20次运算。 单个模型的计算量 AI的发展中有三个因素至关重要：算法革新，数据 (可以是监督数据，也可以是交互式环境) ，以及训练可用的计算量。 算法革新和数据这两项上的进展，都比较难追踪。 相比之下，计算能力还是可以量化的，给了人们评估AI发展进程的一个方式。 系统完成大量计算的时候，常常会让算法中的一些短板暴露出来。
63230发布于 2018-07-24 - 来自专栏SDNLAB
2017年云计算的6大趋势
在过去的5年中，云计算帮助企业成功地改造自身，但是专家认为，云计算市场的第二波浪潮即将来袭，具体表现为在数据中心中建立并托管公有云和私有云服务。 在Forrester Research的一份调查报告中表示，随着企业寻求提高效率扩大计算资源以更好地服务用户，2017年的云计算市场将飞速发展。 ? Forrester认为云计算第一波发展势头是由AWS创建的，该公司在2006年就推出了一些简单的计算和存储服务，十年后，AWS的运行率达到了110亿美元。 AWS、Cloudability、Cloudyn现在都提供了云计算成本管理工具。Bartoletti说：“2017年没有理由让你的云计算成本超标。” 提升和迁移云计算应用程序 Forrester建议企业将应用程序重构在公有云系统上运行，利用迁移服务而不是简单地将现有应用程序转存到公有云中。
1.4K50发布于 2018-03-30 - 来自专栏云计算D1net
可以提高云计算性能的6种技术
而采用云计算技术将使这些考虑因素变得更加复杂，因为它限制了用户可以定制基础设施和其他可用功能的程度。 虽然并没有哪一个云计算架构可以保证每个应用程序的最佳性能，但是一些服务和实践可以提高云计算性能。 另一方面，M4实例平衡了不同应用程序的资源，并有一些针对计算密集型工作负载、内存密集型应用程序、人工智能等进行了优化的云计算实例。这些使得组织必须选择正确的选项。 云计算优化的重要性 如果实施得当，自动扩展可以无缝地维护用户的工作负载性能(例如响应能力)，同时还可以管理云计算成本。 功能完成后，它将被卸载，不再消耗云计算资源。由云计算提供商加载、操作和卸载该功能，而不是用户。 6. 选择监控服务 永远不要忽视优化云计算性能时监控的重要性。
1.4K30发布于 2019-05-22 - 来自专栏Linux驱动
6.QT-简易计算器实现(详解)
//出错,右括号不能出现在开头,并且右括号前面不能有小数点 2.逻辑模块类设计 如何计算四则运算表达式.比如: ? 分离后,队列的每个元素应该为: str[0] = "+9" str[1] = "+" str[2] = "(" str[3] = "-3" str[4] = "-" str[5] = "-1" str[6] 后缀表达式队列的每个元素应该为: str[0] = "+9" str[1] = "-3" str[2] = "-1" str[3] = "-" str[4] = "-5" str[5] = "*" str[6] 2.3 将后缀表达式的值计算出来 通过逆波兰表达式计算,思路如下 遇到数字时 入栈 遇到运算符时 依次取出右、左操作数,然后进行计算(有除法时,需要判断除数是否为0) 计算完成后,再将结果入栈 当后缀表达式队列对空时 9 + （ {10,150,40,40},{60,150,40,40},{110,150,40,40},{160,150,40,40},{210,150,40,40}, //4 5 6
2.7K60发布于 2018-05-28 - 来自专栏育种数据分析之放飞自我
GCTA学习6 | GCTA计算GRM矩阵（G矩阵）
GCTA计算GRM有两种方法 默认的Yang，--make-grm-alg 0 Van的方法：--make-grm-alg 1 GCTA计算GRM有两种形式 默认的二进制形式：--make-grm，或者 GCTA计算GRM：二进制 下面这两个命令，是等价的。 这个是二进制文件，存储的是参与计算的SNP个数 test.grm.id (no header line; columns are family ID and individual ID, see above 将GCTA计算的GRM变为ASReml支持的格式 ASReml-R的ginv格式，是矩阵的下三角，第一列是矩阵的行号，第二列是矩阵的列号，第三列是矩阵的数值（亲缘关系系数）。 「注意，ASReml计算需要的是G逆矩阵，而GCTA计算的是G矩阵，所以要求逆矩阵之后，才可以利用。」
2.4K30编辑于 2022-02-09
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