《7天零基础入门AI实战训练》第三讲 打卡

大神们好，机器显卡是1060 6G显存，win10 用deepfacelab 运行到第四步抓脸必花屏，用fakeapp也是在这一步骤花屏。 换过几个驱动都不行。显卡跑3Dmark，跑压力测试都没问题。 困扰死我了，求大神们帮助 先谢谢了

《7天零基础入门AI实战训练》第二讲 打卡

1、实验使用python版本为python3.6.5； 2、Python环境配置；3、常用的AI学习框架安装配置；4、Pycharm编程工具准备；

《7天零基础入门AI实战训练》第一讲人工智能环境和编译准备

本课程通过七天打卡学习的方式引导大家了解和学习人工智能，在学习理论的基础上更侧重实践，同时完成任务的还能获取官方的奖品礼物哦

朋友们，如需转载请标明出处：https://blog.csdn.net/jiangjunshow声明：在人工智能技术教学期间，不少学生向我提一些python相关的问题，所以为了让同学们掌握更多扩展知识更好地理解AI技术，我让助理负责分享这套python系列教程，希望能帮到大家！由于这套python教程不是由我所写，所以不如我的AI技术教学风趣幽默，学起来比较枯燥；但它的知识点还是讲到位的了，也值得阅读！想要学习AI技术的同学可以点击跳转到我的教学网站。PS：看不懂本篇文章的同学请先看前面的文章，循序渐进每

项目地址：https://github.com/PeterL1n/RobustVideoMatting文章：Robust Video Matting in PyTorch, TensorFlow, TensorFlow.js, ONNX, CoreML!PyTorch、TensorFlow、TensorFlow中的强大视频抠图功能。js，ONNX，CoreML！稳定视频抠像 (RVM)论文Robust High-Resolution Video Matting with Te..

计算机视觉面试宝典–文本检测与GAN篇1.LSTM(长短期记忆)原理，其中的参数是否相同/画出LSTM的结构图/写一下LSTM的公式Lstm由输入门,遗忘门,输出门和一个cell组成。第一步是决定从cell状态中丢弃什么信息,然后在决定有多少新的信息进入到cell状态中,最终基于目前的cell状态决定输出什么样的信息。i=σ(Wiix+bii+Whih+bhi)f=σ(Wifx+bif+Whfh+bhf)g=tanh⁡(Wigx+big+Whgh+bhg)o=σ(Wiox+bio+Whoh+bho)c

计算机面试宝典–语义分割篇一.deeplab系列1.简述Deeplab v1网络DeepLab是结合了深度卷积神经网络（DCNNs）和概率图模型（DenseCRFs）的方法。在实验中发现DCNNs做语义分割时精准度不够的问题，根本原因是DCNNs的高级特征的平移不变性（即高层次特征映射，根源在于重复的池化和下采样）。针对信号下采样或池化降低分辨率，DeepLab是采用的atrous（带孔）算法扩展感受野，获取更多的上下文信息。另外，DeepLab 采用完全连接的条件随机场（CRF）提高模型捕获细节的能

计算机视觉面试宝典–C、Python与算法篇算法1.数组和链表的区别数组是将元素在内存中连续存放，由于每个元素占用内存相同，可以通过下标迅速访问数组中任何元素。链表是一种上一个元素的引用指向下一个元素的存储结构，链表通过指针来连接元素与元素；（1）数组是连续存储的，链表是散列存储的。数组随机访问性强（通过下标进行快速定位），所以数组的查询比链表要快，链表不能随机查找，必须从第一个开始遍历，查找效率低。 （2）数组插入和删除效率低（插入和删除需要移动数据），链表插入删除速度快（因为有next指针指向

朋友们，如需转载请标明出处：https://blog.csdn.net/jiangjunshow声明：在人工智能技术教学期间，不少学生向我提一些python相关的问题，所以为了让同学们掌握更多扩展知识更好地理解AI技术，我让助理负责分享这套python系列教程，希望能帮到大家！由于这套python教程不是由我所写，所以不如我的AI技术教学风趣幽默，学起来比较枯燥；但它的知识点还是讲到位的了，也值得阅读！想要学习AI技术的同学可以点击跳转到我的教学网站。PS：看不懂本篇文章的同学请先看前面的文章，循序渐进每

机器视觉面试宝典–深度学习补缺补漏篇一、深入理解Batch Normalization批标准化机器学习领域有个很重要的假设：IID独立同分布假设，就是假设训练数据和测试数据是满足相同分布的，这是通过训练数据获得的模型能够在测试集获得好的效果的一个基本保障。那BatchNorm的作用是什么呢？BatchNorm就是在深度神经网络训练过程中使得每一层神经网络的输入保持相同分布的。BN的基本思想其实相当直观：因为深层神经网络在做非线性变换前的激活输入值（就是那个x=WU+B，U是输入）随着网络深度加深或者在

计算机视觉面试宝典–深度学习机器学习基础篇（四）本篇主要包含SVM支持向量机、K-Means均值以及机器学习相关常考内容等相关面试经验。SVM—支持向量机支持向量机（support vector machines, SVM）是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。SVM的的学习算法就是

计算机视觉面试宝典–深度学习机器学习基础篇（三）本篇主要包含数据类问题、正则化、激活函数与梯度以及回归等相关面试经验。数据类问题1.样本不平衡的处理方法①欠采样 - 随机删除观测数量足够多的类，使得两个类别间的相对比例是显著的。虽然这种方法使用起来非常简单，但很有可能被我们删除了的数据包含着预测类的重要信息。②过采样 - 对于不平衡的类别，我们使用拷贝现有样本的方法随机增加观测数量。理想情况下这种方法给了我们足够的样本数，但过采样可能导致过拟合训练数据。③合成采样（ SMOTE ）-该技术要求我

1.异常值定义异常值是指样本中的个别值，其数值明显偏离它所属样本集的其余观测值。异常值分析是检验数据是否有录入错误以及含有不合常理的数据。忽视异常值的存在是十分危险的，不加剔除地把异常值包括进数据的计算分析过程中，对结果会产生不良影响；重视异常值的出现，分析其产生的原因，常常成为发现问题进而改进决策的契机。异常值也称为离群点，异常值的分析也称为离群点分析。2.异常值检测方法（1）描述性统计和可视化寻找就是简单的画图看数据，计算方差、标准差查看数据的波动程度，另外查看均值大小、众数、最大值最小值、分