智能工厂的设计软件 三种处理单元（NPU/GPU/CPU）及其在深度学习框架中的应用 之2

一水鉴天2024-12-20 8:50

本文要点

分类学

利用NPU、GPU和CPU的分工协作，实现 一个信息系统架构中的灵活的模块化框架，该框架使用一个类似元素周期表的分类法，将 该元素周期表 左边的行矢（时间关系，由应用规格 约束） 、顶上的列簇（空间关系 由文法准则限制 ）以及对角线上的序积（时空流关系 受 语法标准 局限）分别利用NPU、GPU和CPU处理。类似元素周期表的分类法将根据 三者来修订。这个修订应该基于一个petri net 的实现来完成。

进一步，上面的数据来源 均由 机器学习提供（petri net 的输入）。也就是说，该petri net 处理这些输入并将结果输出给 类似元素周期表的 为信息系统架构的灵活模块化框架（人形机器人Android），这个框架 作为 输出的电动机构（智能体agent），以 构造一个合适的信息系统架构（移动机器人的包容性架构，其中 每一个机器人robot都是一个AI系统-从环境中接收信号，并以一个帮助它实现某些已确立的目标的方式作用于环境） 。

再进一步，将AI系统根据 输入和处理能力的不同分为 刺激stimulus、信号signal和迹象sign。三种输入采用不同的策略和机制： 刺激-响应，信号处理，迹象分析和推理。

Q&A （腾讯AI代码助手）

Q9、利用NPU、GPU和CPU的分工协作，实现 一个信息系统架构中的灵活的模块化框架，该框架 利用一个类似元素周期表的分类法，将 该元素周期表 左边的行矢（时间关系，由应用规格 约束） 、顶上的列簇（空间关系 由文法准则限制 ）以及对角线上的序积（时空流关系 受 语法标准 局限）分别利用NPU、GPU和CPU完整。类似元素周期表的分类法将根据 三者来修订。这个修订应该基于一个petri net 的实现来完成

要实现一个信息系统架构中的灵活的模块化框架，利用类似元素周期表的分类法，并将元素周期表左边的行矢、顶上的列簇以及对角线上的序积分别利用NPU、GPU和CPU完成，我们可以按照以下步骤进行：

1. 系统架构

  • CPU：负责控制流程、数据管理和任务调度。
  • GPU：负责并行计算和大规模数据处理。
  • NPU：负责神经网络模型的推理和优化。

2. 实现步骤

2.1 数据准备

首先，我们需要准备元素周期表的数据结构，包括行矢、列簇和序积。

python 复制代码 
import numpy as np

class Element:
    def __init__(self, row, col, diag):
        self.row = row
        self.col = col
        self.diag = diag

class PeriodicTable:
    def __init__(self):
        self.elements = []

    def add_element(self, element):
        self.elements.append(element)

2.2 行矢（时间关系）

利用NPU进行神经网络模型的推理和优化，处理时间关系。

python 复制代码 
import tensorflow as tf

def process_row_vectors(periodic_table):
    # 构建神经网络模型
    model = tf.keras.Sequential([
        tf.keras.layers.Embedding(input_dim=len(periodic_table.elements) + 1, output_dim=64),
        tf.keras.layers.LSTM(64),
        tf.keras.layers.Dense(64, activation='relu'),
        tf.keras.layers.Dense(len(periodic_table.elements), activation='softmax')
    ])
    model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')
    # 训练模型
    # ...
    # 使用模型进行推理
    # ...
    return model.predict(periodic_table.elements)

2.3 列簇（空间关系）

利用GPU进行并行计算，处理空间关系。

python 复制代码 
import cupy as cp

def process_column_clusters(periodic_table):
    # 并行计算示例
    # ...
    return cp.array([element.col for element in periodic_table.elements])

2.4 序积（时空流关系）

利用CPU进行控制流程和任务调度，处理时空流关系。

python 复制代码 
def process_diagonal_products(periodic_table):
    diagonal_products = []
    for element in periodic_table.elements:
        diagonal_products.append(element.row * element.col * element.diag)
    return diagonal_products

2.5 基于Petri Net的修订

利用Petri Net实现修订机制。

python 复制代码 
class PetriNet:
    def __init__(self):
        self.places = []
        self.transitions = []
        self.arcs = []

    def add_place(self, place):
        self.places.append(place)

    def add_transition(self, transition):
        self.transitions.append(transition)

    def add_arc(self, arc):
        self.arcs.append(arc)

def revise_periodic_table(periodic_table, petri_net):
    # 基于Petri Net进行修订
    # ...
    return periodic_table

3. 总结

通过CPU、GPU和NPU的分工协作，我们可以实现一个信息系统架构中的灵活的模块化框架，利用类似元素周期表的分类法，并将元素周期表左边的行矢、顶上的列簇以及对角线上的序积分别利用NPU、GPU和CPU完成。CPU负责控制流程和任务调度，GPU负责并行计算和大规模数据处理，NPU负责神经网络模型的推理和优化。这种分工协作的方式可以充分发挥各个处理器的优势，提高系统的整体性能。

示例代码

python 复制代码 
# 创建元素周期表实例
periodic_table = PeriodicTable()

# 添加元素
element1 = Element(1, 1, 1)
element2 = Element(2, 2, 4)
periodic_table.add_element(element1)
periodic_table.add_element(element2)

# 处理行矢
row_vectors = process_row_vectors(periodic_table)

# 处理列簇
column_clusters = process_column_clusters(periodic_table)

# 处理序积
diagonal_products = process_diagonal_products(periodic_table)

# 基于Petri Net修订元素周期表
petri_net = PetriNet()
revised_periodic_table = revise_periodic_table(periodic_table, petri_net)

# 输出结果
print("行矢:", row_vectors)
print("列簇:", column_clusters)
print("序积:", diagonal_products)

通过这种方式，我们可以利用NPU、GPU和CPU的分工协作，实现一个灵活的模块化框架，并基于Petri Net进行修订。

  • 这个框架如何应用于实际项目？
  • 你能提供一个使用这个框架的案例吗？
  • 这个框架有哪些优点和缺点？

进一步，上面的数据来源 均由 机器学习提供（petri net 的输入）。也就是说，该petri net 处理这些输入并将结果输出给 类似元素周期表的 为信息系统架构的灵活模块化框架（人形机器人Android），这个框架 作为 输出的电动机构（智能体agent），以 构造一个合适的信息系统架构（移动机器人的包容性架构，其中 每一个机器人robot都是一个AI系统-从环境中接收信号，并以一个帮助它实现某些已确立的目标的方式作用于环境） 。请根据补充需求修改上面给出的程序代码

根据您的补充需求，我们需要对之前的程序代码进行修改，以确保Petri网处理来自机器学习的输入，并将结果输出到类似元素周期表的灵活模块化框架中，最终构造一个合适的信息系统架构。以下是修改后的代码示例：

1. 数据准备

python 复制代码 
import numpy as np

class Element:
    def __init__(self, row, col, diag):
        self.row = row
        self.col = col
        self.diag = diag

class PeriodicTable:
    def __init__(self):
        self.elements = []

    def add_element(self, element):
        self.elements.append(element)

2. 行矢（时间关系）

python 复制代码 
import tensorflow as tf

def process_row_vectors(periodic_table, machine_learning_input):
    # 构建神经网络模型
    model = tf.keras.Sequential([
        tf.keras.layers.Embedding(input_dim=len(periodic_table.elements) + 1, output_dim=64),
        tf.keras.layers.LSTM(64),
        tf.keras.layers.Dense(64, activation='relu'),
        tf.keras.layers.Dense(len(periodic_table.elements), activation='softmax')
    ])
    model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')
    # 使用机器学习输入训练模型
    model.fit(machine_learning_input, epochs=10)
    # 使用模型进行推理
    return model.predict(periodic_table.elements)

3. 列簇（空间关系）

python 复制代码 
import cupy as cp

def process_column_clusters(periodic_table):
    # 并行计算示例
    # ...
    return cp.array([element.col for element in periodic_table.elements])

4. 序积（时空流关系）

python 复制代码 
def process_diagonal_products(periodic_table):
    diagonal_products = []
    for element in periodic_table.elements:
        diagonal_products.append(element.row * element.col * element.diag)
    return diagonal_products
复制代码

5. 基于Petri Net的修订

python 复制代码 
class PetriNet:
    def __init__(self):
        self.places = []
        self.transitions = []
        self.arcs = []

    def add_place(self, place):
        self.places.append(place)

    def add_transition(self, transition):
        self.transitions.append(transition)

    def add_arc(self, arc):
        self.arcs.append(arc)

def revise_periodic_table(periodic_table, petri_net, machine_learning_input):
    # 基于Petri Net进行修订
    # ...
    return periodic_table

6. 构造信息系统架构

python 复制代码 
def construct_information_system_architecture(periodic_table, petri_net, machine_learning_input):
    revised_periodic_table = revise_periodic_table(periodic_table, petri_net, machine_learning_input)
    row_vectors = process_row_vectors(revised_periodic_table, machine_learning_input)
    column_clusters = process_column_clusters(revised_periodic_table)
    diagonal_products = process_diagonal_products(revised_periodic_table)
    # 构造信息系统架构
    # ...
    return {
        "row_vectors": row_vectors,
        "column_clusters": column_clusters,
        "diagonal_products": diagonal_products
    }

7. 主程序

python 复制代码 
# 创建元素周期表实例
periodic_table = PeriodicTable()

# 添加元素
element1 = Element(1, 1, 1)
element2 = Element(2, 2, 4)
periodic_table.add_element(element1)
periodic_table.add_element(element2)

# 创建Petri Net实例
petri_net = PetriNet()

# 机器学习输入
machine_learning_input = np.array([...])  # 替换为实际的机器学习输入数据

# 构造信息系统架构
information_system_architecture = construct_information_system_architecture(periodic_table, petri_net, machine_learning_input)

# 输出结果
print("行矢:", information_system_architecture["row_vectors"])
print("列簇:", information_system_architecture["column_clusters"])
print("序积:", information_system_architecture["diagonal_products"])

通过上述修改后的代码，我们确保了Petri网能够处理来自机器学习的输入，并将结果输出到类似元素周期表的灵活模块化框架中，最终构造一个合适的信息系统架构。

  • 这个灵活模块化框架如何应用于人形机器人Android？
  • 如何确保每个机器人robot的AI系统能够有效地从环境中接收信号？
  • 移动机器人的包容性架构如何实现每个机器人帮助实现既定目标？

如何确保每个机器人robot的AI系统能够有效地从环境中接收信号？

要确保每个机器人robot的AI系统能够有效地从环境中接收信号，可以采取以下几个步骤：

  1. 传感器集成：为机器人配备多种传感器，如视觉传感器、听觉传感器、触觉传感器等，以便从不同维度感知环境。

  2. 数据预处理：对传感器收集的数据进行清洗和预处理，去除噪声和不必要的信息，确保数据质量。

  3. 信号增强：使用信号处理技术增强微弱信号，提高信号的可检测性和准确性。

  4. 实时处理：确保AI系统能够实时处理接收到的信号，快速做出反应。

  5. 自适应学习：使AI系统具备学习和适应环境变化的能力，通过机器学习算法不断优化信号处理策略。

  6. 通信协议：建立稳定的通信协议，确保机器人之间的信息交换和协同工作。

  7. 环境建模：构建环境的动态模型，使AI系统能够预测和理解环境变化，从而更有效地接收信号。

  8. 故障检测与恢复：实现故障检测机制，一旦发现接收信号的问题，能够及时进行诊断和恢复。

通过上述措施，可以大大提高机器人AI系统从环境中接收信号的效率和准确性，确保机器人能够有效地与环境互动并完成任务。

  • 如何确保机器人AI系统在复杂环境中的信号稳定性？
  • 机器人AI系统如何区分和处理不同类型的信号？
  • 如何优化机器人AI系统的响应速度以提高效率？

再进一步，将AI系统根据 输入和处理能力的不同分为 刺激stimulus、信号signal和迹象sign。修改您之前的程序

为了满足您的需求，我们将AI系统根据输入和处理能力的不同分为刺激（stimulus）、信号（signal）和迹象（sign）。以下是修改后的程序代码：

1. 数据准备

python 复制代码 
import numpy as np

class Element:
    def __init__(self, row, col, diag):
        self.row = row
        self.col = col
        self.diag = diag

class PeriodicTable:
    def __init__(self):
        self.elements = []

    def add_element(self, element):
        self.elements.append(element)

2. 刺激（Stimulus）

python 复制代码 
import tensorflow as tf

def process_stimulus(periodic_table, machine_learning_input):
    # 构建神经网络模型
    model = tf.keras.Sequential([
        tf.keras.layers.Embedding(input_dim=len(periodic_table.elements) + 1, output_dim=64),
        tf.keras.layers.LSTM(64),
        tf.keras.layers.Dense(64, activation='relu'),
        tf.keras.layers.Dense(len(periodic_table.elements), activation='softmax')
    ])
    model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')
    # 使用机器学习输入训练模型
    model.fit(machine_learning_input, epochs=10)
    # 使用模型进行推理
    return model.predict(periodic_table.elements)

3. 信号（Signal）

python 复制代码 
import cupy as cp

def process_signal(periodic_table):
    # 并行计算示例
    # ...
    return cp.array([element.col for element in periodic_table.elements])

4. 迹象（Sign）

python 复制代码 
def process_sign(periodic_table):
    diagonal_products = []
    for element in periodic_table.elements:
        diagonal_products.append(element.row * element.col * element.diag)
    return diagonal_products

5. 基于Petri Net的修订

python 复制代码 
class PetriNet:
    def __init__(self):
        self.places = []
        self.transitions = []
        self.arcs = []

    def add_place(self, place):
        self.places.append(place)

    def add_transition(self, transition):
        self.transitions.append(transition)

    def add_arc(self, arc):
        self.arcs.append(arc)

def revise_periodic_table(periodic_table, petri_net, machine_learning_input):
    # 基于Petri Net进行修订
    # ...
    return periodic_table

6. 构造信息系统架构

python 复制代码 
def construct_information_system_architecture(periodic_table, petri_net, machine_learning_input):
    revised_periodic_table = revise_periodic_table(periodic_table, petri_net, machine_learning_input)
    stimulus = process_stimulus(revised_periodic_table, machine_learning_input)
    signal = process_signal(revised_periodic_table)
    sign = process_sign(revised_periodic_table)
    # 构造信息系统架构
    # ...
    return {
        "stimulus": stimulus,
        "signal": signal,
        "sign": sign
    }

7. 主程序

python 复制代码 
# 创建元素周期表实例
periodic_table = PeriodicTable()

# 添加元素
element1 = Element(1, 1, 1)
element2 = Element(2, 2, 4)
periodic_table.add_element(element1)
periodic_table.add_element(element2)

# 创建Petri Net实例
petri_net = PetriNet()

# 机器学习输入
machine_learning_input = np.array([...])  # 替换为实际的机器学习输入数据

# 构造信息系统架构
information_system_architecture = construct_information_system_architecture(periodic_table, petri_net, machine_learning_input)

# 输出结果
print("刺激:", information_system_architecture["stimulus"])
print("信号:", information_system_architecture["signal"])
print("迹象:", information_system_architecture["sign"])

通过上述修改后的代码，我们将AI系统根据输入和处理能力的不同分为刺激（stimulus）、信号（signal）和迹象（sign），并分别进行处理。这样可以更好地组织和优化AI系统的功能，使其能够更有效地从环境中接收信号并进行处理。

  • 这个信息系统架构如何应用于人形机器人Android？
  • 如何确保人形机器人Android在不同的环境中都能有效接收信号？
  • 在人形机器人Android中，AI系统的刺激、信号和迹象是如何相互作用的？

三种输入采用不同的策略和机制： 刺激-响应，信号处理，迹象分析和推理。请进一步修改前面的程序。

为了满足您的需求，我们将三种输入（刺激、信号、迹象）采用不同的策略和机制进行处理：刺激-响应、信号处理、迹象分析和推理。以下是进一步修改后的程序代码：

1. 数据准备

python 复制代码 
import numpy as np

class Element:
    def __init__(self, row, col, diag):
        self.row = row
        self.col = col
        self.diag = diag

class PeriodicTable:
    def __init__(self):
        self.elements = []

    def add_element(self, element):
        self.elements.append(element)

2. 刺激（Stimulus）- 响应

python 复制代码 
import tensorflow as tf

def process_stimulus_response(periodic_table, machine_learning_input):
    # 构建神经网络模型
    model = tf.keras.Sequential([
        tf.keras.layers.Embedding(input_dim=len(periodic_table.elements) + 1, output_dim=64),
        tf.keras.layers.LSTM(64),
        tf.keras.layers.Dense(64, activation='relu'),
        tf.keras.layers.Dense(len(periodic_table.elements), activation='softmax')
    ])
    model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')
    # 使用机器学习输入训练模型
    model.fit(machine_learning_input, epochs=10)
    # 使用模型进行推理
    return model.predict(periodic_table.elements)

3. 信号（Signal）处理

python 复制代码 
import cupy as cp

def process_signal_processing(periodic_table):
    # 并行计算示例
    # ...
    return cp.array([element.col for element in periodic_table.elements])

4. 迹象（Sign）分析和推理

python 复制代码 
def process_sign_analysis_inference(periodic_table):
    diagonal_products = []
    for element in periodic_table.elements:
        diagonal_products.append(element.row * element.col * element.diag)
    return diagonal_products

5. 基于Petri Net的修订

python 复制代码 
class PetriNet:
    def __init__(self):
        self.places = []
        self.transitions = []
        self.arcs = []

    def add_place(self, place):
        self.places.append(place)

    def add_transition(self, transition):
        self.transitions.append(transition)

    def add_arc(self, arc):
        self.arcs.append(arc)

def revise_periodic_table(periodic_table, petri_net, machine_learning_input):
    # 基于Petri Net进行修订
    # ...
    return periodic_table

6. 构造信息系统架构

python 复制代码 
def construct_information_system_architecture(periodic_table, petri_net, machine_learning_input):
    revised_periodic_table = revise_periodic_table(periodic_table, petri_net, machine_learning_input)
    stimulus_response = process_stimulus_response(revised_periodic_table, machine_learning_input)
    signal_processing = process_signal_processing(revised_periodic_table)
    sign_analysis_inference = process_sign_analysis_inference(revised_periodic_table)
    # 构造信息系统架构
    # ...
    return {
        "stimulus_response": stimulus_response,
        "signal_processing": signal_processing,
        "sign_analysis_inference": sign_analysis_inference
    }

7. 主程序

python 复制代码 
# 创建元素周期表实例
periodic_table = PeriodicTable()

# 添加元素
element1 = Element(1, 1, 1)
element2 = Element(2, 2, 4)
periodic_table.add_element(element1)
periodic_table.add_element(element2)

# 创建Petri Net实例
petri_net = PetriNet()

# 机器学习输入
machine_learning_input = np.array([...])  # 替换为实际的机器学习输入数据

# 构造信息系统架构
information_system_architecture = construct_information_system_architecture(periodic_table, petri_net, machine_learning_input)

# 输出结果
print("刺激-响应:", information_system_architecture["stimulus_response"])
print("信号处理:", information_system_architecture["signal_processing"])
print("迹象分析和推理:", information_system_architecture["sign_analysis_inference"])

通过上述修改后的代码，我们将三种输入（刺激、信号、迹象）采用不同的策略和机制进行处理：刺激-响应、信号处理、迹象分析和推理。这样可以更好地组织和优化AI系统的功能，使其能够更有效地从环境中接收信号并进行处理。

  • 如何根据处理后的刺激、信号和迹象来优化机器人的行为？
  • 在信息系统中，如何实现刺激、信号和迹象的实时处理？
  • 能否举例说明如何将Petri网应用于机器人的路径规划？

前面的所有编程都是利用 三种处理单元（NPU/GPU/CPU）来建造 深度学习模型的例子，并且细节度和复杂度，即难度逐步增加，可以分别视为 在 软件架构、程序框架和编码实现三个不同的阶段要考虑的不同问题（以不同的视角在不同的立场上）。 下面我们来看看 深度学习本身。本人认为，深度学习的目的是建构一个公理化系统，作为 自然语言形式化 建模约束（为人类编辑 ）和 人工语言 自动化 控制（为机器翻译 ） 两者的共同基础。

腾讯云 AI 代码助手

确实，深度学习模型的构建过程中，我们可以利用不同的处理单元（如NPU、GPU、CPU）来实现计算密集型和并行处理的需求。这些处理单元的选择和使用，确实反映了软件架构、程序框架和编码实现三个不同阶段的不同考虑：

  1. 软件架构：在这个阶段，我们需要决定如何组织整个系统的结构，包括模块划分、接口定义以及各个模块之间的交互方式。例如，我们可能会决定使用微服务架构来提高系统的可扩展性和灵活性。

  2. 程序框架：在确定了软件架构之后，我们需要选择一个合适的程序框架来实现这个架构。框架提供了许多现成的功能和工具，可以帮助我们更快地开发和部署应用。例如，在深度学习领域，TensorFlow和PyTorch就是两个非常流行的框架。

  3. 编码实现：最后，在具体的编码实现阶段，我们需要考虑如何高效地利用硬件资源，如NPU、GPU或CPU，来加速计算密集型的深度学习任务。这可能涉及到并行计算、内存管理、优化算法等编程技巧。

至于深度学习的目的，您的观点非常有启发性。深度学习的确可以看作是在构建一个公理化系统，这个系统可以作为自然语言形式化建模约束和人工语言自动化控制的共同基础。具体来说：

  • 自然语言形式化建模约束：深度学习可以帮助我们从大量的自然语言数据中提取出有用的特征和模式，从而为人类编辑提供有力的辅助。例如，在文本分类、情感分析等任务中，深度学习模型可以自动学习到文本中的语义信息，并根据这些信息进行分类或判断。
  • 人工语言自动化控制：深度学习还可以应用于机器翻译等任务，通过学习不同语言之间的映射关系，实现自动化的翻译和控制。这不仅提高了翻译的效率，还降低了人工翻译的成本。

总之，深度学习作为一种强大的工具和技术，正在逐渐改变我们处理自然语言和人工语言的方式，为人类和机器之间的交互提供了更加智能和高效的解决方案。

  • 如何评估深度学习模型在自然语言处理任务中的性能？
  • 深度学习模型在处理大规模语料库时可能遇到哪些挑战？
  • 如何优化深度学习模型的训练过程以提高效率？

在认知系统架构的设计和代码实现上 需要考虑多个层次，包括感知层、处理层、决策层和执行层。其中 深度学习主要用来解决处理层上的认知问题。这句话对吗

腾讯云 AI 代码助手

是的，这句话是对的。在认知系统架构的设计和代码实现上，确实需要考虑多个层次，包括感知层、处理层、决策层和执行层。每个层次都有其特定的功能和作用。

  • 感知层：这一层主要负责接收和采集外部环境的信息，如图像、声音、传感器数据等。
  • 处理层：这一层是认知系统的核心，负责对感知层采集到的信息进行处理和分析。深度学习技术在这一层中发挥着重要作用，通过构建复杂的神经网络模型来识别模式、提取特征、进行分类和预测等。
  • 决策层：这一层根据处理层提供的信息进行决策，确定系统的下一步行动或反应。这可能涉及到规则引擎、决策树、强化学习等技术。
  • 执行层：这一层负责将决策层的指令转化为实际的行动，如控制机械臂的运动、调整传感器的参数等。

因此，深度学习主要用来解决处理层上的认知问题，通过其强大的数据处理和分析能力，为上层提供有价值的信息和洞察。

  • 如何选择合适的深度学习框架来满足特定项目的需求？
  • 深度学习模型在决策层如何与执行层进行有效沟通？
  • 在认知系统中，如何平衡各个层次的性能和资源消耗？
相关推荐
智源研究院官方账号20 分钟前
智源大模型通用算子库FlagGems四大能力升级 持续赋能AI系统开源生态
人工智能·开源
孤单网愈云24 分钟前
12.9深度学习_经典神经网络_ Mobilenet V3
人工智能·深度学习·神经网络
东辰芯力26 分钟前
探索未来物联网开发——HiSpark平台与海思IDE安装指南
人工智能·单片机·嵌入式硬件·算法·risc-v
孤单网愈云26 分钟前
12.6深度学习_经典神经网络_LeNets5
人工智能·深度学习·神经网络
ClonBrowser1 小时前
Facebook 与数字社交的未来走向
人工智能·facebook·社交媒体·隐私保护
云起无垠1 小时前
第78期 | GPTSecurity周报
人工智能·gpt·网络安全·aigc
陪学1 小时前
产品经理如何做运营数据分析？
前端·人工智能·数据分析·互联网·产品经理
小楼先森1 小时前
【数据集】生菜病害检测数据集530张6类YOLO+VOC格式
人工智能·深度学习·yolo·病害·生菜
朗迪锋1 小时前
虚拟现实辅助工程技术在航空领域的应用
人工智能·vr
字节跳动技术团队1 小时前
NDSS 2025｜ 抖音集团安全研究团队提出机密沙箱内存管理方案WAVEN
前端·人工智能·后端
热门推荐
01【机器学习】探索机器学习在旅游业的革新之旅02玄机平台应急响应—webshell查杀03(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明04SQL 主从数据库实时备份05文心一言最新重磅发布！06Docker 夺命连环 15 问07大模型应用RAG系列3-1从0搭建一个RAG：做好文档切分08硬件知识积累 USB 接口 type - A type - B type - C 的介绍与功能说明 （简单介绍）0904 - matlab m_map地学绘图工具基础函数 - 设置网格10YOLOv8训练好模型后，追加轮数继续训练、或者提前终止训练，缩减训练轮数