5,572
社区成员
![](https://csdnimg.cn/release/cmsfe/public/img/topic.427195d5.png)
![](https://csdnimg.cn/release/cmsfe/public/img/me.40a70ab0.png)
![](https://csdnimg.cn/release/cmsfe/public/img/task.87b52881.png)
![](https://csdnimg.cn/release/cmsfe/public/img/share-circle.3e0b7822.png)
① 【机器学习】数据清洗之处理异常点(甜美的江:[博客] [成就])
[质量分:95;难度等级:未知;新鲜技术:99]
摘要:在本博客中,我们深入研究了处理异常值的三种主要策略:删除、替代和转换。我们首先讨论了确定处理策略时需要考虑的因素,包括数据特点、领域知识和建模需求。接着,我们详细介绍了删除异常值、替代异常值和转换异常值的方法,并对每种方法的优缺点进行了全面分析。
② ubuntu22.04@laptop OpenCV Get Started: 008_image_filtering_using_convolution(lida2003:[博客] [成就])
[质量分:96;难度等级:未知;新鲜技术:99]
摘要:通过以下矩阵,对图像进行卷积的计算机操作,从而对数据进行有效性过滤。其实计算机编程就是这么简单,当然要深入理解为什么要过滤,怎么有效过滤,这个就是深入的课程,需要了解API参数的含义,以及各参数背后业务的具体意义。
③ 【PyTorch】PyTorch中张量(Tensor)统计操作(咸鱼鲸:[博客] [成就])
[质量分:95;难度等级:未知;新鲜技术:99]
摘要:上文介绍了PyTorch中张量(Tensor)的计算操作,本文将介绍张量的统计操作。
④ 使用深度学习进行时间序列预测(jk_101:[博客] [成就])
[质量分:96;难度等级:未知;新鲜技术:97]
摘要:创建一个 LSTM 回归神经网络。使用输入大小与输入数据的通道数匹配的序列输入层。接下来,使用一个具有 128 个隐藏单元的 LSTM 层。隐藏单元的数量确定该层学习了多少信息。使用更多隐藏单元可以产生更准确的结果,但也更有可能导致训练数据过拟合。
⑤ 在Meteor Lake平台上使用NPU进行AI推理加速(hyang1974:[博客] [成就])
[质量分:94;难度等级:未知;新鲜技术:99]
摘要:比较新的硬件最好使用compute-runtime最新的release,但有时最新的有可能无法匹配安装的系统,可以安装能用的最新版本。能看到intel_vpu的字样说明内核能识别NPU,在内核中可能是延续以前定义,NPU被叫做VPU。
⑥ AI大模型开发基础之提示词工程【翻译】(paopaodog:[博客] [成就])
[质量分:94;难度等级:未知;新鲜技术:99]
摘要:在某些情况下,修改提示词在少数孤立的示例上获得更好的性能,但在更具代表性的示例集上导致更差的整体性能。它是偶然被发现的,有人在提问时以「让我们一步一步思考」开头,结果发现 AI 会把问题分解成多个步骤,然后逐步解决,使得输出的结果更加准确。
⑦ 【AI视野·今日Robot 机器人论文速览 第七十九期】Thu, 18 Jan 2024(hitrjj:[博客] [成就])
[质量分:92;难度等级:未知;新鲜技术:99]
摘要:受最近基于边缘的并行图搜索工作的启发,我们提出了 PINSAT,它在 INSAT 中引入了系统并行化,以实现更短的规划时间和更高的成功率,同时保持比相关基线显着降低的成本。在分析、数值和实验工具的指导下,我们探索了这种基于力学的软夹具的新颖抓取原理。
⑧ 【深度学习】S2 数学基础 P4 微积分(下)偏导数与链式法则(脚踏实地的大梦想家:[博客] [成就])
[质量分:89;难度等级:未知;新鲜技术:99]
摘要:深度学习的核心在于优化;优化的重点在于降低损失值;降低损失值需要通过反向梯度下降;而微积分,判断的就是梯度下降的方向和大小。
⑨ PyTorch2.0~Dynamo(whaosoft143:[博客] [成就])
[质量分:95;难度等级:未知;新鲜技术:87]
摘要:因此,在执行上述代码时会显示生成了两次 Guard,第一次发生在编译原始函数,生成 compiled_fn,第二次发生在编译 compiled_fn,分别对 __resume_at_32_1 和 __resume_at_40_2 进行编译。
⑩ m基于深度学习的QPSK调制解调系统相位检测和补偿算法matlab仿真(我爱C编程:[博客] [成就])
[质量分:82;难度等级:未知;新鲜技术:99]
摘要:该算法利用深度学习网络对接收到的信号进行相位检测,并根据检测结果对信号进行相位补偿,从而提高解调性能。QPSK调制是一种四相位的相位键控调制方式,它将每两个比特的信息映射到一个符号上,每个符号有四种可能的相位状态,分别是0°、90°、180°和270°。