研习专题

从原理到代码：大牛教你如何用 TensorFlow 亲手搭建一套图像识别模块 | AI 研习社

自 2015 年 11 月首次发布以来，TensorFlow 凭借谷歌的强力支持，快速的更新和迭代，齐全的文档和教程，以及上手快且简单易用等诸多的优点，已经在图像识别、语音识别、自然语言处理、数据挖掘和预测等 AI 场景中得到了十分广泛的应用。在所有这些 AI 应用场景中，或许是源于视觉对人类的直观性和重要性，图像识别成为其中发展速度最快的一个。目前，该技术已经逐渐趋于成熟，并在人脸和情绪识别

精确率（召回率）的权衡（Machine Learning研习十六）

精确率（召回率）的权衡为了理解这种权衡，让我们看看 SGDClassifier如何做出分类决策。对于每个实例，它根据决策函数计算分数。如果该分数大于阈值，则将该实例分配给正类；否则它会将其分配给负类。图 3-4 显示了从左侧最低分数到右侧最高分数的几个数字。假设决策阈值位于中心箭头（两个 5 之间）：您会在该阈值右侧发现 4 个真阳性（实际为 5），以及 1 个假阳性（实际上为 6）

对模型性能进行评估（Machine Learning 研习十五）

在上一篇我们已然训练了一个用于对数字图像识别的模型，但我们目前还不知道该模型在识别数字图像效率如何？所以，本文将对该模型进行评估。使用交叉验证衡量准确性评估模型的一个好方法是使用交叉验证，让我们使用cross_val_score() 函数来评估我们的 SGDClassifier模型，使用三折的 k 折交叉验证。k-fold 交叉验证意味着将训练集分成 k 个折叠（在本例中是三个），然

微调模型——续（Machine Learning 研习之十三）

集成方法微调系统的另一种方法是尝试组合性能最佳的模型。群体（或“整体”）通常会比最好的单个模型表现得更好，就像随机森林比它们所依赖的单个决策树表现更好一样，特别是当各个模型犯下不同类型的错误时。例如，您可以训练和微调 k 最近邻模型，然后创建一个仅预测随机森林预测和该模型预测的平均值的集成模型。分析最佳模型及其错误通过检查最佳模型，您通常会获得对问题的深入见解。例如，Random

零电压开通高效反激电源设计与分析-FFR-AHB-电子研习社

零电压开通高效反激电源设计与分析-FFR-AHB-电子研习社今天学习的课程是高效反激电源的设计，由梁晓军主讲。主要包括三大块内容：  如何实现高功率密度的USB PD电源  基于强制谐振反激零电压开通拓扑设计与分析  基于不对称半桥反激拓扑设计与分析（较新）如何实现高功率密度的USB PD电源高频（140K-250K近两年最佳工作频率）、软开关拓扑、平面变压器、可调整的频率法则

门驱动器设计-从基础到细节-电子研习社

门驱动器设计-从基础到细节-电子研习社-TI工程师今天观看了电子研习社的直播，内容是门驱动器的设计，由TI工程师主讲，内容为英文，听起来有点吃力，多次暂停大致听完了整个讲座。主要讲解内容：低侧驱动、高低侧驱动、隔离驱动有什么区别？怎样最优化驱动的表现-从基本到细节。门驱动器的寄生参数、硬、软开关。高的dv/dt、di/dt。隔离驱动。涉及到的器件：低侧驱动：UCC2751X UCC2

高效率反激变换器设计技巧-电子研习社

高效率反激变换器设计技巧-电子研习社今天观看了电子研习社的直播课程-高效率反激变换器设计技巧，主讲人是李义。什么影响反激的效率：漏感、较大的峰值电流IPK。控制漏感是重头戏，现在应该以1%漏感为标准，做得好的可以做到0.5%。峰值电流在最低输入电压的时候更明显，所以可以限制最低输入电压，尽量不做宽压输入电源。原边电压应力较其它拓扑更大，原因是反射电压、漏感尖峰电压叠加在输入电压

研习U-Net

论文地址：https://arxiv.org/pdf/1807.10165.pdf Author: Zongwei Zhou | 周纵苇 Weibo: @MrGiovanni Email: zongweiz@asu.edu Paper: UNet++: A Nested U-Net Architecture for Medical Image Segmentation Code: git

Vray 物理摄像机研习

AI研习社闭门沙龙：路由器+区块链，天使还是魔鬼？

主办：AI研习社联合主办：星群加速器 Wificoin 活动时间及地点时间：2018年8月5日（周日）下午13:30-17:30（需报名审核）地点：北京市西城区（北三环内）黄寺大街甲23号北广大厦15层星群加速器活动流程 13:30-14:00 活动签到 14:00-14:30 互相介绍 14:30-17:00 沙龙圆桌讨论主题：路由器+区块链，天使还是魔鬼？

从社区学习随社区成长-ABP Framework 研习社 2021-2023年总结

abp_club_cover 时间回到 2021 年，ABP Framework 研习社 QQ群正式创建，那时正在翻译土牛写的第一本书《实现领域驱动设计》，希望围绕 ABP Framework 框架讨论 DDD 的落地实践，聚集网上志同道合者一起分享应用 ABP Framework 搞领域驱动的经验。时至今日，ABP Framework 研习社两年时间已突破千人，期间两次提升群人数上限。

文储研习社第04期 | Layer2 有哪些项目值得关注

文储研习社是文储区块链技术人员自发组织的学习交流社区，旨在于追踪区块链时下最新热点，解码热点蕴含的未知领域，享受思想交流的碰撞，欢迎志同道合的小伙伴加入我们，共同学习与成长。第04期：Layer2 有哪些项目值得关注作者：Jeff 导读 Layer2的发展仍处于一个早期阶段，本阶段会是一个不同方案割裂的阶段，以下分析的方案和项目均有不同维度的优缺点，相信随着时间的推

云扩研习社 | RPA流程开发最佳实践（上）

代码管理 RPA项目的工程文件主要包括XAML（流程文件）、JSON（配置文件）、各类代码文件（例如cs）和其他引用文件组成（例如Excel文件）。其工程目录可以使用Git等版本控制工具进行版本管理。当前项目未启用版本控制功能时，单击“启用”，开启版本控制功能，并进行初始化。启用后，通过版本控制可以查看工程下的所有文件修改列表，并可以对文件进行回退（放弃修改）、对比修改内容、查看历史提交等操

2022年，数据中台研习社陪大家一起迎接新年

时光，流逝着，岁月，沉淀着。一转身就是一个光阴故事。 2022年，给大家邀请了各大领域优质的号主，排名不分先后。有人美心善会算法的小夕，有爱写作爱读书爱摄影的天才美少女战士Rita，有博学多才的大数据领域的小晨、博哥、羊哥，还有00后少年可为的梦想家均均，有爱飙车爱打篮球的互联网新晋大数据工程师三少，有数据分析领域专家俊欣，数据中台领域的一线实战专家蚂蚁，有数据治理专家理哥，本平台携手多位号主，

【你问我答】与ChatAI智能对话—AI应用研习社

ChatGPT是一种基于深度学习的自然语言处理模型，它可以用于聊天机器人、智能客服、语音助手等多种应用场景。ChatGPT的核心技术是GPT（Generative Pre-trained Transformer），它是一种非常强大的语言模型，可以生成高质量的文本。下面给大家介绍一款与ChatAI智能对话的工具——【AI应用研习社】，人人都能拥有自己的ChatGPT智能聊天系统首页简

研习代码 day48 | 动态规划——终极子序列问题（编辑距离）

一、两个字符串的删除操作 1.1 题目给定两个单词 word1 和 word2 ，返回使得 word1 和 word2 相同所需的最小步数。每步可以删除任意一个字符串中的一个字符。示例 1：输入: word1 = "sea", word2 = "eat"输出: 2解释: 第一步将 "sea" 变为 "ea" ，第二步将 "e

研习代码 day44 | 动态规划——买卖股票的最佳时机含冷冻期含手续费

一、买卖股票的最佳时机含冷冻期 1.1 题目给定一个整数数组prices，其中第 prices[i] 表示第 i 天的股票价格。设计一个算法计算出最大利润。在满足以下约束条件下，你可以尽可能地完成更多的交易（多次买卖一支股票）: 卖出股票后，你无法在第二天买入股票 (即冷冻期为 1 天)。注意：你不能同时参与多笔

【科创人研习社】Workly.ai CEO程勇：疫情冲击下的科创企业应对策略

Peter Cheng 与上千位科技创业者共同关注科创人的成长心路。本文来源于【科创人·案例研习社】第9期观看完整视频请移步科创人公众号【讲师介绍】程勇 Workly.ai CEO 连续创业者全球开源社区先锋人物创业投资领域活跃人士今天借这个机会跟大家分享下，在疫情突击下，我们作为一个科创类企业，应该采取什么样的应对策略。以下主要分为三个层面：一、创业之路的周期认知二、选

SystemC自带example的simple_bus研习

simple_bus是一个简单的总线模型的抽象描述，基于时钟同步的事务级建模。时钟同步：这种时钟节拍精度的仿真会导致仿真速度变慢。目标是在一个时钟一个时钟的基础上对系统中的组织和数据移动进行建模，并与等效的真实系统进行比较，会忽略节拍内的事件。事务建模：各功能组件之间的通信被描述为函数调用，一组总线的事件或事件序列由抽象的软件接口以及相应的函

#Reflex WMS研习心得#上架原理

#Reflex WMS研习心得#上架原理 Reflex WMS系统对于物料收货后上架策略的原理，远比SAP WM里的上架策略来得简单。 1.物料主数据里有storage group。 2.后台配置里为Storage Group指派Storage Branch。 3.后台配置里将Storage Branch又与Storage zone关联。 4.每个货架里都需要指定sto

文储研习社第12期 | 一个指标，揭秘顶尖企业为何看好「元宇宙」？

文储研习社是文储区块链技术人员自发组织的学习交流社区，旨在于追踪区块链时下最新热点，解码热点蕴含的未知领域，享受思想交流的碰撞，欢迎志同道合的小伙伴加入我们，共同学习与成长，长按下面二维码可入群交流。第12期：一个指标，揭秘顶尖企业为何看好「元宇宙」？作者：Bingo 你好，我是Bingo。元宇宙已经是当下火热的话题，往期文章已经向大家科普了元宇宙

SQL Server研习录（18）——REPLICATE()函数

PaperWeeklyAI - 迈微AI研习社顶会论文研读精选GitHub仓库

为收集整理该平台发布的所有文章，方便读者更加有提炼，有导向性阅读，我挑选每月精选文章分类整理在Github上，同时开启Github上的 <Discusstion> 社区交流功能，促进社友们之间的交流。链接 | https://github.com/Charmve/PaperWeeklyAI 索引PaperWeeklyAI本项目包括NLP论文研读计算机视觉论文机器学习/深度学

端到端的机器学习项目（Machine Learning 研习之六）

使用真实数据当你在研习机器学习时，最好是使用真实世界中的数据，而不是采用人工数据。巧的是，数以千计的数据集可供选择，涵盖了各种领域。流行的开放数据存储库： OpenML.orgKaggle.compaperswithcode.com UC Irvine Machine Learning RepositoryAmazon’s AWS datasets TensorFlow datasets

SAP QM 源检验流程研习

SAP QM 源检验流程研习 1, 如下是普通对外采购流程里的一个采购订单。订单号是：4500001239。 2, 物料主数据的设置。物料号是854. QM control key 是Z001, 其后台配置如下： 3, 质量信息记录的设置。 Source Insp.No GR标记，该标记的帮助信息如下：意思是如果source

端到端的机器学习项目（Machine Learning 研习之六）

使用真实数据当你在研习机器学习时，最好是使用真实世界中的数据，而不是采用人工数据。巧的是，数以千计的数据集可供选择，涵盖了各种领域。流行的开放数据存储库： OpenML.orgKaggle.compaperswithcode.com UC Irvine Machine Learning RepositoryAmazon’s AWS datasets TensorFlow datasets