- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器视觉工坊
AI算法分类
AI算法分类如下： 一、机器学习算法 监督学习 1、回归算法：线性回归和逻辑回归。 线性回归：进行直线或曲线拟合，一般使用“最小二乘法”来求解。 kNN算法是一种判别模型，即支持分类问题，也支持回归问题，是一种非线性模型。它天然的支持多分类问题。kNN算法没有训练过程，是一种基于实例的算法。 无监督学习 7、K均值算法核心：把样本分配到离它最近的类中心所属的类，类中心由属于这个类的所有样本确定。k均值算法是一种无监督的聚类算法。 和其他类型的神经网络一样，循环神经网络是一个判别模型，既支持分类问题，也支持回归问题，并且支持多分类问题 三、大数据算法 数据挖掘&数据分析 推荐算法 四、一些算法本身并不算是一个机器学习算法 ，而是为了解决某个子问题而诞生的机器学习算法的子算法，如深度学习的神经网络的训练一般采用反向传播算法，梯度下降法。
2.4K20发布于 2020-07-28 - 来自专栏xiaosen
AI - 聚类算法
感谢大家的观看 聚类算法概念 聚类算法是一种无监督学习方法，用于将数据集中的对象划分为若干个簇，使得同一个簇内的对象之间具有较高的相似性，而不同簇的对象之间具有较大的差异性。 聚类算法的应用场景： 商业选址：通过分析用户的地理位置信息，聚类算法可以帮助企业确定新店铺的最佳位置，以最大化覆盖潜在客户。 资源优化：在物流和供应链管理中，聚类算法可以帮助优化资源的分配，例如确定最佳的仓库位置或货物配送路线。 聚类算法因其能够在无监督的环境中发现数据的内在结构和模式，而在各个领域都有广泛的应用。 选择合适的聚类算法和参数对于解决特定问题至关重要。这类方法通常需要预先指定簇的数量，并通过迭代优化来找到最佳的数据划分。典型的划分方法包括K-means算法、K-medoids算法等。 代表性的算法有AGNES（自底向上的聚合算法）和DIANA（自顶向下的分裂算法）。
1K10编辑于 2024-03-22 - 来自专栏AI系统
【AI系统】Winograd 算法
在本文将重点介绍 Winograd 优化算法，它是矩阵乘优化方法中 Coppersmith–Winograd 算法的一种应用，按照 Winograd 算法的原理将卷积的运算进行转换，从而减少卷积运算中乘法的计算总量 算法约束与缺点 从上述方法的介绍中可以得知，Winograd 算法通过减少乘法操作的次数，有效降低了计算资源的消耗，从而提高了计算速度。 首先，当应用 Winograd 算法处理单个小局部的二维卷积时，该算法不能直接应用于这样的计算当中，因为产生的辅助矩阵规模过大，可能会对实际效果产生负面影响。 因此，Winograd 算法仅适用于较小的卷积核和分块尺寸。 另一个想法是将 Winograd 算法与空间组织算法结合起来，充分利用局部性和算法分析的优化，将卷积计算通过空间组合优化算法中的拆分方法，将输入拆分成若干个小规模卷积。
61011编辑于 2024-12-17 - 来自专栏sofu456
斗地主ai算法
牌的识别 识别和过滤，即要知道牌是什么牌，还要过滤出那几张牌是需要的牌 sequence = ['3', '4', '5', '6', '7', '8', '9', '10', 'j', 'q', 'k', '1', '2', 'xw', 'dw'] card = ['单牌', '对牌', '三张', '三带一', '单顺', '双顺', '三顺', '飞机','炸弹','四带二'] def to_card(data): return list(map(lambda x:
1.3K10编辑于 2021-12-06 - 来自专栏AI系统
【AI系统】QNNPack 算法
本文将会深入介绍 QNNPACK 算法的实现过程。 前置知识回顾 在介绍 QNNPACK 算法前，先回顾一下传统的矩阵卷积运算方法。 加速库中针对矩阵卷积运算的核心算法，即如文章标题所示的 The Indirect Convolution Algorithm（间接卷积算法）。 对计算进行划分 虽然 QNNPACK 利用了像其他 BLAS 库一样的 PDOT 微内核，但其对具有 8 位元素的量化张量和移动 AI 使用案例的关注带来了非常不同的性能优化视角。 与 Im2Col 算法对比 与基于 Im2Col 的卷积算法相比，间接卷积的性能受到四个因素的影响： 消除非单位卷积的 Im2Col 转换。 可以看到间接卷积算法性能会明显优于其他算法的性能。
51910编辑于 2024-12-13 - 来自专栏决策智能与机器学习
AI算法对抗攻击和防御技术综述「AI核心算法」
关注：决策智能与机器学习，深耕AI脱水干货 ? Athalye等提出了EoT算法来解决第一个问题。 启发式防御算法由研究者通过实验获得，它们在实践中可以做到对一些特定的对抗攻击算 法具有良好的防御性能，但没有对防御性能给出理论性保障；可证明式防御通过理论证明，可以计算出在特定对抗攻击算法攻击下模型的最低准确度 Goodfellow等首先提出对抗训练，他们使用良性样本和通过FGSM算法生成的对抗样本一起训练神经网络，用于增强神经网络的鲁棒性；接着，提出了使用由PGD算法生成的对抗样本进行对抗训练的方法。 这主要是因为，攻击算法只要针对某一类防御生效即可， 然而一个有效的防御算法则需要去防御所有可能的攻击手段。 结束语 近两年来，针对深度学习算法的对抗攻击和防御技术迅速发展。
3.6K10发布于 2020-09-14 - 来自专栏强化学习专栏
黑白棋 AI 算法
文章分类在Pytorch： Pytorch（4）---《黑白棋 AI 算法》 黑白棋 AI 算法 1. 1.2 实验要求 使用 『蒙特卡洛树搜索算法』 实现 miniAlphaGo for Reversi。 使用 Python 语言。 现在 AI 玩家需要大家来完善！ 该部分主要是需要大家使用 『蒙特卡洛树搜索算法』 来实现 miniAlphaGo for Reversi。 完善算法时请注意落子时间：落子需要在 60s 之内！ 落子 3 次不在合法范围内即判断该方失败, 故落子前请检查棋子的合法性。 2.5.1 测试 AI 玩家 如果您已经实现 AIPlayer，你可以选人类玩家、随机玩家与 AIPlayer 算法对战，甚至 AIPlayer 与 AIPlayer 自己对战！
1.8K00编辑于 2024-12-03 - 来自专栏燧机科技-视频AI智能分析
AI人员打架识别算法
AI打架识别算法基于Detection网络模型算法框架，AI打架识别算法识别校园打架斗殴行为，发现立即打架斗殴行为算法会立即抓拍告警推送打架事件信息。 ，而AI人员打架识别算法直接从图片生成位置和类别。 研究现状 目前AI人员打架识别算法，主要有3种主流的方法，分别是：（1）基于Detection的打架检测。其主要思想是: 将打架作为一种类别，通过分类的方式，将打架行为检测出来。 2.选取的方案 我这里选择方案1，AI人员打架识别算法基于目标检测做打架识别。前文也提到了，目前数据集十分匮乏。笔者也是反复查找，终于拿到了国外的一份很好的数据集。 基本流程是：Labelme标注 -> 标注数据整理与格式转换 -> AI人员打架识别算法模型训练 -> 部署2.2 AI人员打架识别算法标注数据整理与格式转换 Labelme标注的数据，无法直接用在训练中
1.4K20编辑于 2023-09-22 - 来自专栏xiaosen
AI - 支持向量机算法
概念 支持向量机（Support Vector Machine, SVM）是一种强大的机器学习算法，主要用于解决二分类问题。 惩罚参数 C SVM中的惩罚参数C是一个非常重要的超参数，它决定了算法对错误分类的容忍度。 在SVM中，C参数用于控制间隔大小与分类误差之间的权衡。 较大的C值意味着算法更加重视分类误差，即算法会尽量减小训练集上的分类错误。相反，较小的C值意味着算法更加重视最大化间隔，即使这可能导致在训练集上有更多的分类错误。
41010编辑于 2024-03-24 - 来自专栏运维开发王义杰
AI: 机器学习算法总结
引言 机器学习（Machine Learning）是人工智能（Artificial Intelligence, AI）的一个重要分支，通过从数据中自动学习和改进，来实现复杂任务的自动化。 机器学习的算法主要分为两大类：传统算法和神经网络。本文将对这两类算法进行详细介绍，分析其原理、特点以及应用场景。 传统算法 传统的机器学习算法主要包括以下几类： 1. 常见的强化学习算法包括： Q学习（Q-Learning）：基于价值迭代的离散策略学习算法，适用于有限状态和动作空间。 结论 机器学习的传统算法和神经网络各有优势，传统算法结构简单，易于理解和实现，适用于小规模数据和结构化数据；神经网络通过多层结构和非线性激活函数，适用于大规模数据和复杂模式识别任务。 在实际应用中，往往需要根据具体问题选择合适的算法，并结合数据特点进行优化和改进。
77910编辑于 2024-06-25 - 来自专栏xiaosen
AI - 机器学习GBDT算法
梯度提升树 梯度提升树不再使用拟合残差，而是利用最速下降的近似方法，利用损失函数的负梯度作为提升树 算法中的残差近似值。 在GBDT中，无论是分类还是回归问题，都使用CART算法中的回归树来拟合负梯度。这是因为负梯度是连续值，需要用回归树来进行拟合。 GBDT算法的停止条件通常是达到预设的最大迭代次数或者模型性能达到一定的阈值。当模型性能不再显著提升时，可以提前停止迭代，以避免过拟合和过度训练的问题。 XGBoost XGBoost，全称为eXtreme Gradient Boosting，是一种基于提升算法（Boosting）的机器学习算法，旨在通过组合多个弱分类器来生成一个强大的分类器。 在每一步迭代中，算法选择分裂特征和切分点以最大程度地降低目标函数的值。这种优化过程涉及到遍历所有可能的特征和切分点，以找到最佳的分裂方案。
67710编辑于 2024-03-24 人工智能（AI）算法
人工智能（AI）领域包含众多算法，每种算法都有其特点、适用场景和优缺点。从主流人工智能算法类别出发，分类整理各自算法优缺点、适用场景及解决的问题，算法的用途。 一、监督学习（Supervised Learning） 常见算法： 线性回归（Linear Regression） 逻辑回归（Logistic Regression） 决策树（Decision Tree ） 随机森林（Random Forest） 支持向量机（SVM） K近邻算法（KNN） 神经网络（ANN） 典型用途： 分类与回归问题，如：邮件分类、房价预测、图像识别等 算法 优点 缺点 适用场景 解决的问题 VAE 理论扎实、训练稳定 生成质量不如GAN 图像生成、异常检测 生成建模 六、进化算法 & 模拟算法 常见算法： 遗传算法（Genetic Algorithm） 模拟退火（Simulated Annealing） 粒子群优化（PSO） 典型用途： 优化问题求解，如路径规划、超参数调优 算法 优点 缺点 适用场景 解决的问题 遗传算法 全局搜索能力强 收敛慢、不稳定 调参、路径优化 全局优化
86810编辑于 2025-08-29- 来自专栏燧机科技-视频AI智能分析
AI图像行为分析算法
AI图像行为分析算法通过python+opencv深度学习框架对现场操作行为进行全程实时分析，AI图像行为分析算法通过人工智能视觉能够准确判断出现场人员的作业行为是否符合SOP流程规定，并对违规操作行为进行自动抓拍告警 AI图像行为分析算法轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。 图片AI图像行为分析算法Python是一种由Guido van Rossum开发的通用编程语言，它很快就变得非常流行，主要是因为它的简单性和代码可读性。 AI图像行为分析算法使程序员能够用更少的代码行表达思想，而不会降低可读性。与C / C++等语言相比，Python速度较慢。 这也使得AI图像行为分析算法与使用Numpy的其他库（如SciPy和Matplotlib）集成更容易。
1.2K40编辑于 2023-09-23 - 来自专栏终有链响
详解AI作画算法原理
AI作画算法原理：深度学习驱动的艺术革新 引言 在数字化时代，人工智能正以前所未有的方式重塑着艺术的边界。 其中，AI作画作为人工智能与艺术结合的前沿领域，通过复杂的算法模型，不仅能够模拟大师级的艺术风格，还能创造出超越传统范畴的视觉奇观。 本文将深入探讨AI作画背后的算法原理，解析其如何借助深度学习的力量，实现从数据到艺术的华丽转变。 1. 算法实现：利用卷积神经网络的特征表示，如通过Gram矩阵计算风格特征，再通过优化算法调整目标图像的特征，实现风格的融合。 4. 随着算法的不断优化和算力的提升，AI在艺术领域的潜力将得到更深层次的挖掘，开启一个充满无限想象与创造力的新艺术时代。未来，我们期待看到更多跨界的艺术形式，以及AI技术如何进一步推动艺术表达的边界。
1.1K10编辑于 2024-07-29 - 来自专栏AI系统
【AI系统】内存分配算法
本文将介绍 AI 编译器前端优化部分的内存分配相关内容。在 AI 编译器的前端优化中，内存分配是指基于计算图进行分析和内存的管理，而实际上内存分配的实际执行是在 AI 编译器的后端部分完成的。 本文将包括三部分内容，分别介绍模型和硬件的内存演进，内存的划分与复用好处，节省内存的算法。 在下图所示的 AI 编译器技术栈示意图中，内存分配位于计算图优化部分。 而在 AI 编译器前端优化部分，此部分工作通常称为内存分配。 本文将介绍的节省内存的算法的重点为内存复用，利用 AI 编译器对计算图中的数据流进行分析，以允许重用内存。 AI 编译器的内存分配算法与传统编译器的寄存器分配非常相似，可以借鉴许多思想。 并行分配 在上文中介绍的内存分配算法主要为串行逻辑的算法，本文将探索并行逻辑的内存分配算法。
77610编辑于 2024-12-04 - 来自专栏python
详解AI作画算法原理
本文将深入浅出地探讨AI作画的核心算法原理，分析常见问题与易错点，并通过一个简单的代码示例，带领大家一窥AI艺术创作的奥秘。一、核心概念与原理1. 生成对抗网络（GANs）GANs是AI作画中最著名的算法之一，由Ian Goodfellow等人于2014年提出。它包含两部分：生成器（Generator）和判别器（Discriminator）。 优化算法与训练策略梯度下降法：风格迁移的优化通常采用梯度下降法，通过反向传播计算损失函数关于生成图像像素的梯度，然后更新生成图像以最小化损失。 这要求算法能够理解并融合不同模态间的复杂关系，从而拓宽艺术创作的边界。六、案例分析：知名AI艺术项目1. 随着算法的不断进步，AI创作的图像越来越接近甚至超越人类艺术家的作品。然而，掌握其背后的原理与技巧，避免常见陷阱，才能真正释放AI在艺术领域的无限潜能。
1.6K10编辑于 2024-04-29 - 来自专栏TSINGSEE青犀视频
TSINGSEE青犀AI视频分析边缘计算AI算法·人脸识别算法详解
旭帆科技AI智能分析网关可提供海量算法供应，涵盖目标监测、分析、抓拍、动作分析、AI识别等，可应用于各行各业的视觉场景中。 同时针对小众化场景可快速定制AI算法，主动适配大厂近百款芯片，打通云/边/端灵活部署，算法一键下发，即装即用。 随着信息化的发展，人们对智能操作的需求也日益提升，TSINGSEE青犀AI人脸识别算法也应运而生，作为一种对人脸图像进行智能分析与识别的技术，主要应用在以下几个方面：1、门禁系统TSINGSEE青犀AI 2、监控安防TSINGSEE青犀视频AI人脸识别算法可以用于监控摄像头中的人脸检测和识别。 图片旭帆科技AI智能分析网关包含有20多种算法，包括人脸、人体、车辆、车牌、行为分析、烟火、入侵、聚集、安全帽、反光衣等等，可应用在安全生产、通用园区、智慧食安、智慧城管、智慧煤矿等场景中。
43520编辑于 2023-09-08 智慧工地 AI 算法方案
二、智慧工地 AI 算法方案架构（一）平台层AI 智能分析中心集成多种 AI 算法，对工地现场的图像、视频、传感器等数据进行实时分析，实现安全监控、质量检测、进度管理等功能。 利用 AI 算法对进度进行预测和预警，提前发现潜在的进度风险，为项目管理提供支持。 三、智慧工地 AI 算法方案亮点与优势（一）方案亮点全方位安全监控利用 AI 算法对工地现场进行 24 小时不间断监控，实时识别人员的不安全行为和环境的安全隐患，实现安全事故的提前预防。 （二）方案优势算法精准高效采用先进的 AI 算法，经过大量数据训练和优化，能够准确识别各种复杂场景下的安全隐患、质量问题和进度偏差。 四、智慧工地 AI 算法方案应用场景（一）人员安全管理安全帽佩戴检测利用摄像头采集工地现场的图像数据，AI 算法实时检测人员是否佩戴安全帽。
1K10编辑于 2024-11-23- 来自专栏燧机科技-视频AI智能分析
AI智能工服识别算法
AI智能工服识别算法通过yolov5+python网络深度学习算法模型，AI智能工服识别算法通过摄像头对现场区域利用算法分析图像中的工服特征进行分析实时监测工作人员的工服穿戴情况，识别出是否规范穿戴工服 AI智能工服识别算法中使用到的语言Python是一种由Guido van Rossum开发的通用编程语言，它很快就变得非常流行，主要是因为它的简单性和代码可读性。 AI智能工服识别算法识别中的局部特征点是视频中时间和空间中的点，这些点的检测发生在视频运动的突变中。因为在运动突变时产生的点包含了对人体行为分析的大部分信息。 AI智能工服识别算法对于卷积层，主要使用1x1卷积来做channle reduction，然后紧跟3x3卷积。 除了上面这个结构，AI智能工服识别算法提出了一个轻量级版本Fast Yolo，其仅使用9个卷积层，并且卷积层中使用更少的卷积核。
54220编辑于 2023-09-14 - 来自专栏燧机科技-视频AI智能分析
AI人员打闹监测识别算法
AI人员打闹监测识别算法通过yolo+python网络模型框架算法， AI人员打闹监测识别算法能够准确判断出是否有人员进行打闹行为，算法会立即发出预警信号。 Yolo算法，其全称是You Only Look Once: Unified, Real-Time Object Detection，其实个人觉得这个题目取得非常好，AI人员打闹监测识别算法基本上把Yolo 图片在介绍AI人员打闹监测识别算法之前，首先先介绍一下滑动窗口技术，这对我们理解AI人员打闹监测识别算法Yolo算法是有帮助的。 AI人员打闹监测识别算法很好的解决了这个问题，它不再是窗口滑动了，而是直接将原始图片分割成互不重合的小方块，然后通过卷积最后生产这样大小的特征图，基于上面的分析，可以认为AI人员打闹监测识别算法特征图的每个元素也是对应原始图片的一个小方块 ，然后用每个元素来可以预测那些中心点在该小方格内的目标，这就是AI人员打闹监测识别算法的朴素思想。
44830编辑于 2023-09-23
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