dnn

使用DNN\LSTM\CNN进行时间序列预测本节我们将在上节构建的数据窗口的基础上，尝试使用基本的深度神经网络算法进行测试，预测未来24h的家庭用电量。整个过程包括： 1.数据准备 1）查看数据，计算缺失值数量 2）估算缺失值 3）数值类型转换 4）构建DataTime对象 5）按小时数据重采样 6）去掉不完整的小时数 2.特征工程 1）识别季节性 2）时间编码 3）缩放数据 3.划分数据按7：2：1划分数据集 4.为深度学习建模做准备 1）实现DataWindow类 2）定义compile_and_fit函数 3）创建列索引和列名字典 5.深度

陈天伟教授

人工智能应用- 搜索引擎：03. 网页定位搜索引擎的首要任务是从海量数据中迅速找到与用户查询相关的文档。互联网上的信息数量庞大，搜索引擎需要在极短时间内搜索到用户想要查找的内容，并且还要同时应对大量用户的请求，因此必须设计一种高效的查询算法。“倒排索引”是当前广泛采用的一种技术。

陈天伟教授

人工智能应用- 人机对战：06. 小结人工智能在电子游戏领域的出色表现展示了 AI 技术的巨大潜力。从早期的 Atari 游戏到复杂的《星际争霸》，AI 不仅能够在简单、封闭型的游戏中超越人类，在复杂、开放的游戏环境中也表现出与人类旗鼓相当的水平。

深度强化学习在滑膜无人船艇轨迹跟踪中的应用（文献+程序）深度强化学习滑膜无人船艇轨迹跟踪 Python DDPG 1.ddpg+mpc 2.ddqn 3.ddqg RBF神经网络无人车无人机编队车辆控制跟踪轨迹规划滑膜控制动态面，跟踪sin正弦轨迹和圆轨迹出图包括舵角变换轨迹图MATLAB simulink仿真

强化学习入门(2)：DQN、Reinforce、AC、PPODQN（Deep Q-Network）是一种将深度学习与强化学习中的Q-learning算法相结合的方法，用于解决高维状态空间下的决策问题。DQN能够在诸如Atari游戏等复杂任务中取得人类水平甚至超越人类的表现，成为深度强化学习发展中的一个重要里程碑。

学而要时习

深度神经网络到AI大语言模型：一场被“误认为突然发生”的技术演进摘要：近年来，大语言模型（LLM）展现的跨领域泛化能力常被公众认知为"人工智能的突变式爆发"。本文从计算学习理论、网络架构机制、优化目标演进与系统工程约束四个维度，论证现代AI大模型并非技术代际的断裂，而是深度神经网络（Deep Neural Networks, DNN）在规模扩展律（Scaling Laws）与自监督学习范式驱动下的必然连续形态。所谓"智能跃迁"，本质上是高维统计学习系统在数据量、参数量与计算量跨越临界规模阈值（Critical Threshold）后产生的相变现象（Phase Tran

一招定胜负

OpenCV DNN 实战：快速实现实时性别年龄检测目录一、简单了解 OpenCV DNN 模块及使用流程二、代码案例：DNN 实战实现性别年龄检测1. 环境准备与模块导入

opencv计算机视觉--DNN模块实现风格迁移OpenCV DNN（Deep Neural Networks）模块是一个用于深度神经网络推理的模块，它允许用户在OpenCV中加载和运行预训练的深度学习模型。主要特点：

一只大侠的侠

DNN深度神经网络实战在深度学习领域，深度神经网络（DNN）凭借强大的特征学习能力，广泛应用于图像识别、自然语言处理、推荐系统等多个领域。但很多从业者在实际项目中都会遇到同一个困境：搭建好DNN模型后，要么训练不收敛、精度上不去，要么出现严重过拟合，模型在测试集上表现惨淡。

陈天伟教授

人工智能应用-机器视觉：AI 鉴伪 06.人脸控制技术展示了人脸控制的基本流程：首先，从“目标”图片或视频中提取出表情和动作特征，然后将这些特征应用到“源”图片中，从而生成具有相同表情和动作的图片或视频。

OpenCV: DNN超采样，性能差，只能整数https://github.com/opencv/opencv_contrib/tree/master/modules/dnn_superres

【PonitNet++】2. 点云输入深度神经网络前的常见表示形式点云（Point Cloud）是由三维空间中大量离散点组成的数据形式，其具有无序性、非结构化的特点，无法直接输入深度神经网络（DNN）进行处理，因此在输入网络前通常需要转换为结构化的表示形式。目前主流的转换形式主要有以下几种，每种形式对应适配不同的神经网络结构，以实现高效的特征学习与任务处理：

一招定胜负

OpenCV实战：DNN风格迁移与CSRT物体追踪目录一、DNN风格迁移：原理与代码实现1. 核心原理2. 实战代码实现3. 关键函数解析二、CSRT物体追踪：原理与代码实现

陈天伟教授

人工智能应用-机器视觉：AI 鉴伪 08.虚假图片鉴别通过检测眼部对称性来判断虚假人脸。图片来源：Hu et al., 2021研究人员抓住了这些细节上的缺陷，开发了多种识别虚假图片的方法。例如，美国Buffalo 大学的研究人员推出了一种基于双眼特性的检测工具，该工具能够以高达 94% 的准确率识别出由 GAN 生成的虚假人脸图片。

陈天伟教授

人工智能应用-机器视觉：AI 鉴伪 07.虚假图片鉴别不论是从无到有的人脸合成，还是利用 Deepfake 进行换脸，这些合成的图片和视频已经逼真到肉眼难以分辨的地步。然而，这并不意味着这些伪造图片毫无破绽。事实上，尽管 AI 生成的图片在整体上看起来非常逼真，但在细节上仍然存在明显的缺陷。

OpenCV DNN模块：深度学习模型部署实战目录一、OpenCV DNN模块概述二、DNN模块核心函数详解3. 网络操作函数三、DNN模块基础使用流程

陈天伟教授

人工智能应用-机器视觉：AI 鉴伪 02.虚假人脸生成对抗生成网络（GAN）是一种常用的人脸合成模型。GAN 包含两个核心模块：生成器（Generator）和判别器（Discriminator）。生成器的任务是从随机噪声中“创造”出一张看似真实的图片，而判别器则负责判别一张图片是真实的还是生成的。生成器和判别器之间展开了一场“智力博弈”：生成器不断提升生成图片的质量，试图骗过判别器。判别器变得越来越敏锐，努力识破生成器的“伪装”。经过这种反复对抗的过程，生成器最终学会了生成极其逼真的图片。

陈天伟教授

人工智能应用-机器视觉：绘画大师 04.基于风格迁移的绘画大师利用深度神经网络的这种内容－风格分离能力可以实现图片的风格迁移，即将一张图片 B 的风格迁移到另一张图片 A 上。换句话说，就是希望得到一张图片，该图片在内容上与 A 一致，但在风格上与 B 一致。实现这一目标的方法如下：首先确定内容图片 A 和风格图片 B，然后随机生成一幅初始图像 X。利用迭代更新法不断调整X，使得X 经过一个卷积网络后得到的激发值与A 的激发值相近，而激发值之间的关系矩阵与B 的激发值关系矩阵相近。经过多次调整后，X 将逐渐接近A 表达的内容，但具有与 B 相似的风格。

陈天伟教授

人工智能应用-机器视觉：绘画大师 05.还原毕加索的隐藏画在艺术史上，一些大画家也曾经历过艰难时刻。例如，毕加索在 1901—1904 年间经历了极度的经济困境。

陈天伟教授

人工智能应用-机器视觉：绘画大师 02.深度神经网络中的内容与风格深度神经网络中的内容与风格德国图宾根大学的研究者发现，一个用于图像识别的深度卷积神经网络，能够将图片的“内容”和“风格”分离开来。他们通过观察发现，在网络的较深层次，神经元的激发值可以还原图片中的物体，但会丢弃掉风格细节（下图上半部分）。