人工智能

语义分割

(一)语义分割和数据集 (1)什么是语义分割? 语义分割将图片的每一个像素分类到对应的类别。神经网络能够在像素级别上能够将图片的每一个像素分类,即对每一个像素点分类。 应用:背景虚化、无人驾驶的路面分割。 另一个应用是实例分割,这个技术和语义分割很相似。但是他在语义的基础上加上了不仅要区分类,还要把列里面的实例标注出来。例如一张图片里有猫有狗,实例分割能知道有两只不同的狗和一只猫

Java-184 缓存实战:本地缓存 vs 分布式缓存(含 Guava/Redis 7.2)

TL;DR 场景:高并发读多写少业务,数据库顶不住,需要提升吞吐与稳定性。 结论:本地缓存做极致读性能,分布式缓存做共享与扩展,多级缓存兼顾一致性与成本。 产出:可对照的版本矩阵与错误速查卡,直接用于评审与排障。 版本矩阵 组件/能力 版本/年份 已验证 说明 本地缓存&#x

Instant-ngp linux训练数据集

本教程使用的环境及版本 操作系统:Ubuntu 18.04.5(无GUI) GPU:RTX 3090 cuda:11.3 cmake:3.24 GCC:7.5 G++:7.5 python:3.9 OptiX:7.5 COLMAP Instant-ngp linux环境部署 参考地址:# Instant-ngp官方文档地址

Gemini CLI:谷歌免费开源AI终端工具介绍与安装

文章目录 一、谷歌发布 Gemini CLI 预览版,终端 AI 时代到来 发布背景:终端工具的AI化变革 核心定位:开源与个人开发者友好 二、什么是Gemini CLI?终端中的“AI协作者” 技术定义:连接Gemini模型的终端接口 核心技术架构 设计理念:“终端即家园”的体验升级

人工智能多模态模型开发与应用:跨越文本、图像与语音的融合实践

一、人工智能多模态模型开发与应用:跨越文本、图像与语音的融合实践 1.1 本章学习目标与重点💡 掌握多模态模型的核心概念与技术原理,理解文本、图像、语音等不同模态数据的融合逻辑; 💡 熟练运用主流多模态框架(Hugging Face Transformers、MMEngine、LangChain Multim

魔珐星云:让AI拥有身体,开启具身智能新纪元

目录前言破局“不可能三角”:魔珐星云的技术内核1、AI端渲与实时解算技术:让智能“即时响应”2、让AI“活”起来:低成本、跨端驱动的多模态实时交互引擎3、智能视频生成:多模态输入、专业画质与云端渲染一体化蓝耘平台体验:SDK实战驱动路演人员下载demo驱动SDK设置参数获取密钥获取ASR获取模型API制作完成总结:

我是如何得到三角形,平行四边形,梯形的面积?

我是如何得到三角形,平行四边形,梯形的面积呢?其实很简单。其实列这三种图形的求面积方法。都和长方形有关,长方形是长乘宽,那么我们在算平行四边形的时候,我们用到了分割,我们把平行四边形分割下来,三角形保持另外一边是垂直的,形成90度的状态。那个三角形拼音到另外一边和另外一个三角形进行重合,形成了长方形。分割它的面积是不变的,如果长方形是长乘宽,那么平行四边形有一条线。叫做高那个高就相当于是长方形的宽

AI的提示词专栏:Prompt 与传统机器学习特征工程的异同

AI的提示词专栏:Prompt 与传统机器学习特征工程的异同 本文围绕 Prompt 与传统机器学习特征工程展开分析,二者本质均为构建 “人类需求” 与 “模型能力” 的输入桥梁,目标一致(降低模型理解成本)、依赖领域知识、需迭代优化。但核心差异显著:特征工程作用于模型训练前,需结构化数据&#

心理学研究方法(34)

中原焦点团队网络中26期坚持分享第950天(20220913) 因素分析中需要对因素的参照轴作出旋转,原因是因素参照轴是因素在向量空间的参考框架,作出转轴可以使结果更容易解释;转轴后得到的因素结构可靠性更高,可以重复便于验证。 转轴是指因素坐标轴围绕其原点旋转至一定的位置,使得因素的结构更为明确。采用两种转轴方法:直转法和斜转法。直转法假定基本因素之间相互独立,从而做出正交旋转;斜转法允许因素之间

08.07.回溯阅读

《思辨与立场》第八章 第七节 读书笔记。 一种让我们的头脑向不同经验开放,并因此抵消社会条件和主流媒体影响的、非常有效的方式就是回溯阅读。 回溯阅读为我们提供了一个独特的视角,以及摆脱当今的预设立场和思想体系之外的能力。 广泛地阅读以前的作品会在我们的头脑里形成多种看问题的角度。这些多种看问题的角度能使我们更好地理解当下的复杂性。 回溯阅读书单: (至少2000年前) 柏拉图(在苏格拉底时代)、