matlab https://www.bilibili.com/video/BV1hE411Q7T4?from=search&seid=13990879265472872031

spring cloud & Kubernetes https://www.bilibili.com/video/BV1XJ411D7Qu?from=search&seid=14905695046283458609 spring cloud

1. 亚马逊丛林卫星多任务学习与部署

2. 多任务学习与人脸多属性识别

3. 细粒度图像识别与bilinear CNN

4. 已图搜图检索系统

5. 目标检测

6. 深度学习语义分割

7. OCR光学文字识别

8. 亚马逊丛林卫星多任务学习与部署 核心--tf sequence, 不定项选择和单选择

9. 多任务学习与人脸多属性识别 多任务学习本质是迁移学习,很多形态, 联合学习,自主学习,辅助任务学习 归纳迁移 归纳编制 Estimator tf.data.Dataset %%writefile filename.py tf.decode_csv()解析csv文件 tf.read_file(filename)==>> tf.image.decode_image(filename,channels=3) tf.cast(age,tf.int64) tf.data.TextLineDataset() dataset.map()映射 dataset.shuffle乱序 dataset.repeat 反复读 tf.layers.dropout随机失活 tf.argmax

10. 细粒度图像识别--就是更细致的品类分辨出来 方法: 传统:可以用resnet,vgg来分类, 目前细粒度图像识别方法主要有两种:

11. 基于强监督学习方法: 这里强监督信息是指bounding box或者landmark

12. 基于弱监督学习方法 Bilinear CNN--结构不复杂,效果好的双线性模型,网络A/网络B, 网络A对物体位置的截取,网络B是对网络A截取部分的特征提出 卷积神经网络就是特征抽取器

13. 对图片的反转,截取,数据加强的处理

图像检索

1. CBIR基本构成
2. SIFT一种检测局部特征的算法,使用opencv
3. 深度学习,卷积神经网络是非常好的抽取图片特征的网络
4. 距离相似度. Jaccard相似度(A^B/AUB),余弦定理,欧式,近似最近邻问题
5. t-SNE降维到2维--CNN==>抽取特征===>T-SNE==>降维到2维平面==>可以看出抽取特征后,类别已经划分好不同的模块,容易分类
6. ANN近似最近邻算法,损失小量精度的情况下大幅度提升近邻检索速度
7. 局部敏感度哈希
8. 对图片预处理==> load_img ==>> img_to_array(img)转成ndarray==>>np.expand_dims(img,axis=0)就是变成batch

深度相似度排序模型

1. 损失函数的构建
2. 三元组采样,Convnet,排序
3. 卷积神经网络越浅层是越捕捉细节纹理特征,越深层是捕捉越抽象的图像语义特征 打印model的层次layer for layer in deep_rank_model.layers: print(layer.name,layer.output_shape) glob.glob功能 pillow

基于深度学习的图像物体检测

1. 目标检测 a. 分类 b.定位 c.检测 (画框框) d.分割 (抠图) 我觉得用图像检测可以测人流量
2. Mask-RCNN完成物体检测
3. SSD源码实现--无人驾驶的感知应用很多,兼顾了速度和精度 signle shot multibox ditections SSD 速度完爆 Faster R-CNN
4. VGG, 把FC6和FC7换成卷积层,然后再加上8个卷积层
5. default box是由一定规则生成的,是anchor机制类似
6. NMS过滤掉背景和得分不是很高的框
7. convolutional predictiors for detection
8. bounding box

语义分割 FCN--特征融合就是反卷积+上采样==>>求和

1. 全卷积FCN
2. 反卷积层--增大图像尺寸
3. 跳级结构 FCN-32s upsampled 上采样--放大图像

U-net SegNet--典型的encoder-decoder 先缩小再放大 Encoder是对内容进行抽象,decoder是对高阶信息的理解与编译 encoder stage-- pooling indices和pooled map

DeeplabV3+ Encoder+Decoder 空间金字塔--利用空洞卷积,生成基层卷积再过池化 ASPP

遥感图像语义分割

基于CRNN的不定长文字识别原理与实现#

1.1 CRNN文字识别原理 1.2 数据处理 1.3 网络设计 1.4 损失函数 1.5 网络训练设计 1.6 训练过程与测试设计 1.7 识别效果和总结

CTC原理--解决不定长文字问题

1. 亚马逊丛林卫星多任务学习与部署

2. 多任务学习与人脸多属性识别

3. 细粒度图像识别与bilinear CNN

4. 已图搜图检索系统

5. 目标检测

6. 遥感图像

7. OCR光学文字识别

8. OCR文字识别--CRNN_OCR_RECOGNIZER-文字检测内容

9. 基于深度神经网络的图像检索系统-https://www.chinahadoop.cn/course/1550/learn#lesson/47807

10. 目标检测--https://www.chinahadoop.cn/course/1550/learn#lesson/47811

我们训练好的模型要迅速部署到生产环境中,我们可以使用devops的方法#

简单来说,我们可以

devolopers ==>> github更新==> Jenkins ===> build flask+docker == > internet <==> user

基本概念#

跟新 brew install 速度

https://www.jianshu.com/p/c7c7aa34e579

基本概念#

基本概念#

基本概念#

以图片分享网站为原型。该网站拥有大量静态文件，作为一个图片分享平台，需要根据用户请求，实时地将用户的原图在线转换成需要的图片。本实验使用ECS作为Web服务端，使用OSS服务作为图片存储，解决了图片在线处理的问题。由于使用OSS的图片处理功能需要进行域名绑定，事先已将OSS bucket和指定的ECS Web服务器端进行域名绑定，并进行CNAME配置。配置完成后，即可通过ECS Web服务端域名访问OSS bucket保存的静态数据。

基本概念#

HTTPS 协议 HTTPS 能够加密信息，以免敏感信息被第三方获取。所以很多银行网站或电子邮箱等等安全级别较高的服务都会采用 HTTPS 协议。

HTTPS 是更安全的 HTTP 协议，它在 TCP（负责网络数据传输）和 HTTP层 之间，增加了一个 SSL 层。这一层通过数字证书和加密算法对 HTTP 请求进行加密。已经采用 HTTP 协议的网站要过渡到 HTTPS，将在技术改造、服务器资源、流量资源上付出更多成本。

基本概念#

学会VPC的搭建,在一个VPC中划分两个不同的网段并分别在这两个不懂网段下创建ECS.由于VPC下的ECS实例中只有内网IP,所以用负载均衡挂载这两个ECS来提供对外访问.

整个流程是#

创建Composer by setting up Composer environment >> create a workflow py file >> 创建Dataproc >> Runs Hadoop job on Dataproc >> deletes Dataproc cluster

整个流程是#

我们将会在这台服务器上搭建和部署LAMP环境，然后安装WordPress网站，最后向大家展示如何在WordPress网站使用微博挂件和网站统计平台

link to 谷歌云快速入门(二) 存储文件然后共享

link to 谷歌云快速入门(四) 训练TensorFlow模型

link to Container Registry 快速入门快速入门

link to docker知识1

link to docker知识2

step 1 选择项目,启动Kubernetes Engine页面#

安装google-cloud-bigquery and google-cloud-bigquery-storage packages. 需要认证

安装google-cloud-bigquery and google-cloud-bigquery-storage packages. 需要认证

google cloud shell 经常断线,所以我们可以尝试用本地ssh连接google cloud shell

step1#

step1: 创建自己的独立项目#

数据库操作 进入数据库

方式1 mysql -u用户名 -p 密码 --------直接输入密码，缺点，会暴露自己的密码哦😝

方式2 mysql -u用户名 -p 回车后输入密码

1.os模块：os模块在python中包含普遍的操作系统功能，下面列出了一些在os模块中比较有用的部分。

os.sep可以取代操作系统特定的路径分隔符。windows下为 “\”

os.name字符串指示你正在使用的平台。比如对于Windows，它是'nt'，而对于Linux/Unix用户，它是'posix'。

os.getcwd()函数得到当前工作目录，即当前Python脚本工作的目录路径。

Learn how to build linux system in Google Cloud Platform Docusaurus 2 alpha.

什么是Word2Vec和Embeddings？#

我们可以简单认为Word2Vec就是把词语向量化，也就是每个我们对于一个语料库进行学习后，每个单词都有对应的坐标位置，这时候，通过每个单词的坐标位置，我们可以通过余弦定理推导出两个词语，短语或者句子的相似程度。这里可以参考我参与的云润大数据舆情系统的词云项目，关键词匹配

菜鸟也能玩转NLP-卷积神经网络文本分类#

云润人工智能部门《NLP零基础快速上手教程》课程资料 by 算法工程师:招晓贤

菜鸟也能玩转NLP-卷积神经网络文本分类#

云润人工智能部门《NLP零基础快速上手教程》课程资料 by 算法工程师:招晓贤

Welcome to this blog. This blog is created with Docusaurus 2 alpha.

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Pellentesque elementum dignissim ultricies. Fusce rhoncus ipsum tempor eros aliquam consequat. Lorem ipsum dolor sit amet