精华内容
下载资源
问答
  • 1.常用的图像空间。 RGB、HSV(H:0-180,S:0-255,V:0-255)、YUV、HIS、YGrcb 2.简述你熟悉的聚类算法并说明其优缺点。 (1)K-mean:优势:如果样本集是团簇密集状的,K-means聚类方法效果较好。 ...

    疫情期间、工作越来越难找。只有不断提升自我,让自己变得更加优秀才行。万事开头难,好事多磨,加油!

    1.常用的图像空间。

    RGB、HSV(H:0-180,S:0-255,V:0-255)、YUV、HIS、YGrcb

    2.简述你熟悉的聚类算法并说明其优缺点。

    (1)K-mean:优势:如果样本集是团簇密集状的,K-means聚类方法效果较好。

                              缺点:①、对于条状、环形状等非团簇状的样本集,聚类效果一般;

                                        ②、对于事先给定的K值、初始点敏感,不同K值、初始点可能导致聚类得到结果差异较大;也可能因为                                         初始点分属同一类,导致最后结果陷入局部最小值,无法达到全局最优解。

    3.请描述以下任一概念:SIFT/SURF LDA/PCA

    4.请说出使用过的分类器和实现原理。

    1. Random Forest的随机性表现在哪里。

    2. Graph-cut的基本原理和应用。

    3. GMM的基本原理和应用。

    8.用具体算法举例说明监督学习和非监督学习的区别。

    数学知识:

    1.贝叶斯全概率公式题。

    2.最小二乘拟合的公式推导和代码实现。

    3.数论or组合数学题。

    白板编程:

    1.图的遍历

    思路:深度搜索DFS和广度搜搜BFS

    2.网格搜索:给一张二值化图片,用1~n标记不同的连通域。

    思路:可以采用最简单的四领域搜索。

    3.代码实现HSV图的直方图表示,已知H bins=8 S bins=4 V bins=2

    开放问答:

    1.怎样在一张街拍图像中识别明星的衣着服饰信息?

    2.上衣纯色,裙子花色,怎样做区分?

    3.怎样判断一张广告图片中是否有文字信息?是否用到OCR技术?怎样应用?

    4.给一张二值化图片(包含一个正方形),怎样识别图片中的正方形?如果图片污损严重,怎样识别并恢复?

    5.简述图像识别在移动互联网中的应用。

    (待完善)

    展开全文
  • 1. 介绍目标检测网络yolo...小目标检测不好,我答可能是因为anchor太大,缩小anchor,面试官继续问,除了缩小anchor,还能如何改善? 语塞。。。。(望有识之士补充) yolov3加入了anchor机制(应该没说全) 2. 样..

    目录

     

    1. 介绍目标检测网络yolo系列以及ssd系列的原理。yolo对小目标检测不好的原因,除了缩小anchor外还可以如何改善?

    2. 如何防止过拟合?

    3. 样本中正负样本不平衡,如何解决?

    4. 使用什么手段尽量保证精度不损失压缩模型?

    5. RetinaNet了解吗?

    7. 面试官随便构造一个网络,现场计算感受野

    8. 简述GAN网络原理

    9. python中的生成器是做什么的?

    10. 进程和线程的区别,数组和链表的区别


    1. 介绍目标检测网络yolo系列以及ssd系列的原理。yolo对小目标检测不好的原因,除了缩小anchor外还可以如何改善?

    大概介绍了一下,yolo及ssd是one-stage目标检测网络的代表,以及他们各自的backbone、anchor box生成方式,最近整理了一下yolo系列的各种创新点,blog地址:https://blog.csdn.net/weixin_42486139/article/details/106695693,持续加更中。。

    解决小目标检测不好几种方法:

    增加输入图像分辨率

    混合多尺度特征

    设置更小更稠密的anchor

    卷积神经网络设计时尽量度采用步长为1,尽可能保留多的目标特征。

    2. 如何防止过拟合?

        在数据层面,做数据增广,筛选高质量的特征

        在网络层面,选择较简单的模型,网络剪枝,加入正则项,加drop out层,加BN层

        在训练操作层面,使用Early Stopping

    3. 样本中正负样本不平衡,如何解决?

        1.使用类平衡交叉熵损失函数

        2.对小样本做数据增广

        3.FOCAL LOSS(retinanet)

        4.OHEM(online hard example mining)策略,训练时通常保证正负样本1:3

    4. 使用什么手段尽量保证精度不损失压缩模型?

       1.模型参数量化:将float32型权重、激活映射到低bit位(int8、fp16,二值、三值...)存储

       2.模型剪枝

       3.知识蒸馏

       4.替换轻量化网络结构(mobilenet系列、shufflenet、squeezenet...)

     模型剪枝常用策略?

       层剪枝,根据bn层的gamma系数剪枝,bn层的gamma系数代表该层特征的方差,方差越大说明该层特征越明显,保留该层,     gamma系数小的网络层可以剪掉。

       通道剪枝,根据经验缩小通道系数,多次训练对比实验(------感觉这块回答得有点弱智,可我就是这么弱智地调参。。。。)

    5. RetinaNet了解吗?

    one-stage和two-stage的表现差异主要原因是大量前景背景类别不平衡导致。在双阶段算法中,候选框阶段,通过得分和nms筛选过滤掉了大量的负样本,然后再分类回归阶段又固定了正负样本比例,或者通过OHEM在线困难挖掘使得前景和背景相对平衡。而one-stage阶段需要产生约100k的候选位置,虽然有类似的采样,但是训练仍然被大量负样本所主导。所以设计了一个简单密集型网络RetinaNet来在保证速度的同时达到了精度最优。

    主要创新点:focal loss

    alpha系数平衡正负样本的重要性(正负样本本身的比例不均)

    gamma系数减少易分类样本的损失。使得更关注于困难的、错分的样本(前景背景类别不平衡导致)

    比如:例如gamma为2,对于正类样本而言,预测结果为0.95肯定是简单样本,所以(1-0.95)的gamma次方就会很小,这时损失函数值就变得更小。而预测概率为0.3的样本其损失相对很大。对于负类样本而言同样,预测0.1的结果应当远比预测0.7的样本损失值要小得多。对于预测概率为0.5时,损失只减少了0.25倍,所以更加关注于这种难以区分的样本。这样减少了简单样本的影响,大量预测概率很小的样本叠加起来后的效应才可能比较有效。

    6. mobilenet速度快的原因

        深度可分离卷积

    7. 面试官随便构造一个网络,现场计算感受野

        公式记不住不要慌,一层层卷积、pooling计算就好了。我的思路是网络末端用1*1的特征点往上反推。

    8. 简述GAN网络原理

        生成器判决器协调工作,balabala。。。内容太多,有需求自行百度,或者参考我的   blog https://blog.csdn.net/weixin_42486139/article/details/106076876

    9. python中的生成器是做什么的?

        不同于其他函数的return,生成器使用yield返回,训练数据可以边迭代边训练。不用一次性地加载所有数据,节省内存空间。

    10. 进程和线程的区别,数组和链表的区别

    进程:指在系统中正在运行的一个应用程序;程序一旦运行就是进程;进程-----资源分配的最小单位。

    线程:系统分配处理器时间资源的基本单元,或者说进程之内独立执行的一个单元执行流。线程——程序执行的最小单位

    展开全文
  • 图像识别算法工程师

    前言

    opencv图像处理面试题

    题目1 图像的角点是什么?为什么使用角点作为特征?

    • 来源:深信服
    • 问题解析
      • 首先明确角点是图像中极值点,在某方面属性特别突出的点,是在某些属性上强度最大或者最小的孤立点、线段的终点。 对于图像而言,是物体轮廓线的连接点。
      • 描述方法有:
        • 一阶导数(即灰度的梯度)的局部最大所对应的像素点;
        • 两条及两条以上边缘的交点;
        • 图像中梯度值和梯度方向的变化速率都很高的点;
        • 角点处的一阶导数最大,二阶导数为零,指示物体边缘变化不连续的方向

    题目2 Canny边缘检测的流程

    • 来源:顺丰科技、大华、旷视等
    • 问题解析
      • Canny 的目标是找到一个最优的边缘检测算法,最优边缘检测的含义是:
        • 好的检测- 算法能够尽可能多地标识出图像中的实际边缘。
        • 好的定位- 标识出的边缘要尽可能与实际图像中的实际边缘尽可能接近。
        • 最小响应- 图像中的边缘只能标识一次,并且可能存在的图像噪声不应标识为边缘。
      • Canny边缘检测的流程是:
        • 图像降噪。我们知道梯度算子可以用于增强图像,本质上是通过增强边缘轮廓来实现的,也就是说是可以检测到边缘的。但是,它们受噪声的影响都很大。那么,我们第一步就是想到要先去除噪声,因为噪声就是灰度变化很大的地方,所以容易被识别为伪边缘。
        • 计算图像梯度,得到可能边缘。计算图像梯度能够得到图像的边缘,因为梯度是灰度变化明显的地方,而边缘也是灰度变化明显的地方。当然这一步只能得到可能的边缘。因为灰度变化的地方可能是边缘,也可能不是边缘。这一步就有了所有可能是边缘的集合。
        • 非极大值抑制。通常灰度变化的地方都比较集中,将局部范围内的梯度方向上,灰度变化最大的保留下来,其它的不保留,这样可以剔除掉一大部分的点。将有多个像素宽的边缘变成一个单像素宽的边缘。即“胖边缘”变成“瘦边缘”。
        • 双阈值筛选。通过非极大值抑制后,仍然有很多的可能边缘点,进一步的设置一个双阈值,即低阈值(low),高阈值(high)。灰度变化大于high的,设置为强边缘像素,低于low的,剔除。在low和high之间的设置为弱边缘。进一步判断,如果其领域内有强边缘像素,保留,如果没有,剔除。
    • 答案
      • 高斯滤波
      • 计算图像的梯度
      • 非极大值抑制
      • 高低阈值输出二值图像

    题目3 对霍夫变换的理解

    • 来源:CVTE、大华
    • 问题解析
      • 霍夫变换常用来提取图像中的直线和圆等几何形状。它通过一种投票算法检测具有特定形状的物体。该过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为霍夫变换结果。
    • 答案
      • 针对每个像素点,使得theta从-90度到180度,使用极坐标p = xcos(theta) + ysin(theta) 计算得到共270组(p,theta)代表着霍夫空间的270条直线。将这270组值存储到H中。 如果一组点共线,则这组点中的每个值,都会使得H(p,theta)加1。 因此找到H(p,theta)值最大的直线,就是共线的点最多的直线,H(p,theta)值次大的,是共线点次多的直线。可以根据一定的阈值,将比较明显的线全部找出来。

    题目4 常用的颜色空间

    • 来源:图森
    • 问题解析
      • 常用的图像空间有:
        • RGB:是图像采集设备采集图像最常用的一种,由三个分量组成,分别为红色分量®,绿色分量(G)和蓝色分量(B)。
        • HSI/HSV:分别为色调分量(H)、饱和度分量(S)和亮度分量(I)。色调H分量容是一种颜色“质”的反映,每一种颜色光都有相对应的波长及相应的色调值。饱和度S分量表示一种颜色的纯度。强度I分量反映了光线的强弱变化,是颜色“量”的反映。由于人的视觉对亮度的敏感程度远强于对颜色浓淡的敏感程度,为了便于色彩处理和识别,人的视觉系统经常采用HSI色彩空间,它比RGB色彩空间更符合人的视觉特性.在图像处理和计算机视觉中大量算法都可在HSI色彩空间中方便地使用
        • CMYK: 应用于印刷工业,印刷业通过青©、品(M)、黄(Y)三原色油墨的不同网点面积率的叠印来表现丰富多彩的颜色和阶调,这便是三原色的CMY颜色空间。
        • YUV: 一种颜色编码方法,常使用在各个视频处理组件中。 YUV在对照片或视频编码时,考虑到人类的感知能力,允许降低色度的带宽。YUV是编译true-color颜色空间(color space)的种类, “Y”表示明亮度,“U”和“V”则是色度、浓度。
    • 答案
      • RGB
      • HSI/HSV
      • CMYK
      • YUV

    题目5 图像中直方图的应用

    • 来源:蘑菇街
    • 问题解析
      • 直方图就是对数据进行统计的一种方法,并且将统计值组织到一系列实现定义好的 bin 当中。其中, bin 为直方图中经常用到的一个概念,可以译为 “直条” 或 “组距”,其数值是从数据中计算出的特征统计量,这些数据可以是诸如梯度、方向、色彩或任何其他特征。且无论如何,直方图获得的是数据分布的统计图。通常直方图的维数要低于原始数据。
      • 图像直方图(Image Histogram)是用以表示数字图像中亮度分布的直方图,标绘了图像中每个亮度值的像素数。这种直方图中,横坐标的左侧为纯黑、较暗的区域,而右侧为较亮、纯白的区域。因此一张较暗图片的直方图中的数据多集中于左侧和中间部分,而整体明亮、只有少量阴影的图像则相反。CV 领域常借助图像直方图来实现图像的二值化。
      • 直方图的性质:
        • 直方图反映了图像中的灰度分布规律。它描述每个灰度级具有的像元个数,但不包含这些像元在图像中的位置信息。
        • 任何一幅特定的图像都有唯一的直方图与之对应,但不同的图像可以有相同的直方图。
        • 如果一幅图像有两个不相连的区域组成,并且每个区域的直方图已知,则整幅图像的直方图是该两个区域的直方图之和。
    • 答案
      • 每幅图像都可做出其灰度直方图。
      • 根据直方图的形态可以大致推断图像质量的好坏。由于图像包含有大量的像元,其像元灰度值的分布应符合概率统计分布规律。假定像元的灰度值是随机分布的,那么其直方图应该是正态分布。
      • 图像的灰度值是离散变量,因此直方图表示的是离散的概率分布。若以各灰度级的像元数占总像元数的比例值为纵坐标轴做出图像的直方图,将直方图中各条形的最高点连成一条外轮廓线,纵坐标的比例值即为某灰度级出现的概率密度,轮廓线可近似看成图像相应的连续函数的概率分布曲线

    深度学习图像处理面试题

    题目1:从R-CNN到Faster R-CNN谈谈物体检测

    • 来源:商汤
    • 问题解析
      • 物体检测模型从R-CNN到Faster R-CNN代表着深度学习模型在物体检测领域取得了关键性的突破,与传统的物体检测方法产生了分离,把物体检测带进了深度学习时代。
      • R-CNN
        • 候选区域选择
        • CNN特征提取
        • 分类与边界框回归
      • Fast R-CNN
        • 引入ROI Pooling层,输入图片无需缩放
      • Faster R-CNN
        • 引入RPN模块生成候选框,CNN取代Selective Search传统提取方法

    题目2 目标检测two-stage模型有哪些

    • 来源:搜狗
    • 问题解析
      • Two-stage模型先由算法生成一系列样本的候选框(anchor),再通过卷积神经网络进行样本分类,r-cnn 采用传统的ss方法生成anchor,后续的模型采用cnn方法生成anchor。
    • 答案
      • RCNN–>SPPNet–>Fast RCNN–>Faster RCNN–>RFCN–>DCN–>DCNv2

    题目3 说一下NMS

    • 来源:百度、旷视

    • 问题解析

      • NMS是一种Post-Procession(后处理)方式,跟算法无关的方式,应用在大多数物体检测的方法里。
      • NMS把所有候选框的检测结果按照分值从高到底排序,保留最高分数的box, 删除其余值。
    • 答案

      • NMS用于筛选候选区域

    题目4 Soft nms为什么可以提升模型效果

    • 来源:旷视,百度
    • 问题解析
      • 如图所示,检测算法本来应该输出两个框,但是传统的NMS算法可能会把score较低的绿框过滤掉(如果绿框和红框的IOU大于设定的阈值就会被过滤掉),导致只检测出一个object(一个马)
        在这里插入图片描述
    • 答案
      • 弥补NMS方法的不足,提高密集候选区域筛选质量

    题目5 口述一下IOU

    • 来源:海康

    • 问题解析

      • IOU主要用在模型训练阶段时计算正负样本,以及模型测试阶段帮助NMS筛选候选框
        在这里插入图片描述
    • 答案

      • ioU 用于计算“预测的边框” 和 “真实的边框” 的交集和并集的比值

    Ref

    itcast Ai7期系列课程

    在这里插入图片描述
    在这里插入图片描述

    展开全文
  • 图像处理算法工程师面试题

    万次阅读 2017-07-06 09:47:43
    图像基础知识: 1. 常用的图像空间。 2. 简述你熟悉的聚类算法并说明其优缺点。 3. 请描述以下任一概念:SIFT/SURF LDA/PCA 4. 请说出使用过的分类器和实现原理。 5. Random Forest的随机性表现在哪里。 6. Graph-...

    图像基础知识:

    1.常用的图像空间。

    2.简述你熟悉的聚类算法并说明其优缺点。

    3.请描述以下任一概念:SIFT/SURF  LDA/PCA

    4.请说出使用过的分类器和实现原理。

    5. Random Forest的随机性表现在哪里。

    6. Graph-cut的基本原理和应用。

    7. GMM的基本原理和应用。

    8.用具体算法举例说明监督学习和非监督学习的区别。

     

    数学知识:

    1.贝叶斯全概率公式题。

    2.最小二乘拟合的公式推导和代码实现。

    3.数论or组合数学题。

     

    白板编程:

    1.图的遍历

       思路:深度搜索DFS和广度搜搜BFS

    2.网格搜索:给一张二值化图片,用1~n标记不同的连通域。

       思路:可以采用最简单的四领域搜索。

    3.代码实现HSV图的直方图表示,已知H bins=8 S bins=4 V bins=2 

     

    开放问答:

    1.怎样在一张街拍图像中识别明星的衣着服饰信息?

    2.上衣纯色,裙子花色,怎样做区分?

    3.怎样判断一张广告图片中是否有文字信息?是否用到OCR技术?怎样应用?

    4.给一张二值化图片(包含一个正方形),怎样识别图片中的正方形?如果图片污损严重,怎样识别并恢复?

    5.简述图像识别在移动互联网中的应用。


    图像基础知识:

    1. 常用的图像空间

    点击打开链接


    展开全文
  • 图像基础知识: 1.常用的图像空间。 颜色空间也称彩色模型(又称彩色空间或彩色系统)它的用途是在某些标准下用通常可接受的方式对彩色加以说明。颜色空间有许多种,常用有RGB,CMY,HSV,HSI等。 RGB颜色空间 :在...
  • 问题一:Batch-norm作用和参数 batch norm的作用 batch norm对于输入数据做了零均值化和方差归一化过程,方便了下一层网络的训练过程,从而加速了网络的学习。不同batch的数据,由于加入了batch norm,中间层的表现...
  • 图像算法工程师三重境界 : 一、 传统图像算法工程师 :  主要涉及图形处理,包括形态学、图像质量、相机成像之3A算法、去雾处理、颜色空间转换、滤镜等,主要在安防公司或者机器视觉领域,包括缺陷检测; 二...
  • 图像算法工程师面试汇总

    千次阅读 2013-12-17 07:48:39
    索贝公司笔试图像处理算法工程师 一、填空: 1、常用的插值方法有:最近邻插值、双线性插值、立方卷积插值。 2、常用的边缘检测算子有:一阶: Roberts Cross算子, Prewitt算子, Sobel算子, Canny算子, 罗盘...
  • 图像算法工程师三重境界 : 一、传统图像算法工程师: 主要涉及图形处理,包括形态学、图像质量、相机成像之3A算法、去雾处理、颜色空间转换、滤镜等,主要在安防公司或者机器视觉领域,包括缺陷检测; 二、现代...
  • 图像算法工程师 笔试集锦

    万次阅读 2018-03-22 15:34:27
    1.嵌入式编程中,什么是大端,什么是小端? 大端模式,是指数据的高位保存在内存的低地址中,而...3.图像插值算法有哪些? 最邻近插值,线性插值,双线性插值,双三次插值,三线性卷积插值。 4.比较字符串 不定期更新。
  • 图像算法工程师——面试经验

    万次阅读 多人点赞 2018-10-09 21:13:34
    TCL研究员面试(凉凉)  在接到面试通知后匆忙准备一下面试知识后(由于之前就秋招已经准备了很...2.询问了有关项目的问题,对比度是怎么能够实现自适应的调整,在匹配图像时是怎么实现快速匹配的,如何匹配的,对...
  • 一、图像处理算法相关项目经验 答:略 二、编程能力C++考察 1、void指针有什么作用; 2、静态数组与动态数组的区别; 3、一个结构体,有int,char, float它的对象.size()是多大? 4、static加在变量上和加在函数...
  • 整理自牛客 在梯度下降法中,为什么梯度的负方向是函数下降最快的方向? 为什么引入Relu呢?...推导BP算法 Inverted Dropout BN:Internal Covariate Shift Inception v1 - v4 focal loss softnms ...
  • 面经 |算法工程师面试题汇总分享

    千次阅读 2019-10-17 21:05:42
    面经 |算法工程师面试题汇总分享 来源:https://github.com/PPshrimpGo/AIinterview 0 导读 本文汇总了 深度学习(模型评估方法、基本方法、优化方法、深度学习基础、CNN、RNN)、机器学习(基础、集成学习、模型 ...
  • 小米算法工程师面试

    千次阅读 2020-09-04 21:09:20
    职位:移动健康算法工程师 一面: 牛客网面试 1、自我介绍 2、介绍项目,项目难点在哪,你做了什么改进。问了很多细节,你说的这个anchor旋转是怎么做到的,这是个分类问题还是回归问题,损失函数是什么,你能出公式...
  • 在深度学习时代之前,处理问题图像问题都是采用传统的方式,样本表示都是采用人工特征,所以人工特征的好坏直接决定了最后的任务精度。在计算机领域中,表示特征的描述子就有很多种,例如SIFT,SURF,HOG,LBP等,有...
  • 对于小样本问题,经验风险效果并不理想,因为经验风险最小化容易带来过拟合现象。过拟合现象其实就是模型的选择太在意训练误差了,反而导致预测误差随着训练误差减小而增大,造成训练结果不理想。   结构风险...
  • 图像算法工程师面试考点集锦

    千次阅读 2018-10-30 20:50:37
    彩色图像,灰度图像,二值图像和索引图像的区别 边缘检测的方法,算子 写一个深度优先搜索的代码(深度搜索DFS和广度搜搜BFS) 深度学习的激活函数有哪些?区别是什么? 卷积神经网络的池化可...
  • 这四个岗位其实都是相同的,问的问题也都大差不差,主要从传统的图像算法和深度学习进行提问。 1.传统图像算法问题 图像预处理有哪些方法? 图像增强有哪些方法? 直方图均衡介绍。 膨胀和腐蚀含义?开运算和...
  • 算法工程师面试基础题目及答案

    千次阅读 2020-10-13 21:58:57
    文章目录 深度学习 卷积类 深度学习基础 机器学习 计算机视觉 图像处理基础 数学基础 算法基础与数据结构 语言基础 python c++ 模型部署 HR面试 深度学习 卷积类 卷积神经网络的特点 权值共享 稀疏连接 局部感知 有...
  • 机器学习算法工程师面试考点汇总

    千次阅读 多人点赞 2019-07-01 08:44:45
    2019-06-29 10:41:12 ...本篇根据各个公司的机器学习相关岗位面试中问的问题进行总结,后面还会更新面试中考察所占比例。 知识点思维导图 数学基础: 1、微积分 1、SGD,Momentum,Adagard,Adam原...
  • 算法工程师 面试题与解答

    千次阅读 2019-08-08 17:07:41
    (4)深度学习基础 这部分的准备,我推荐花书(Bengio的Deep learning)和 @魏秀参 学长的《解析卷积神经网络-深度学习实践手册》 下面是我在面试中被问到过的问题: <1> 手推BP <2> 手推RNN和LSTM结构 <3> LSTM中...
  • 图像算法面试指南

    千次阅读 2020-09-10 09:34:14
    最近都在忙面试的事,总结一些图像算法岗常见问题跟大家分享。有些是附上大佬帖子链接,整理难免有些许错误,请及时与本人联系,不胜感激! 0.最大似然和最小二乘区别? 看似最小二乘估计与最大似然估计在推导得到的...
  • 图像处理工程师面试题

    千次阅读 2019-09-05 10:49:59
    面试题来源于网络,自己找答案 1. 给定0-1矩阵,求连通域。(遇到过N次,笔试面试都有,最好做到能徒手hack代码或者伪代码。) https://blog.csdn.net/lxy_2011/article/details/78852414 作者:J-A 2. 写一个...
  • 问题描述: 设置一个数据结构实现以下数组功能,其时间复杂度为O(1): 1.set(index,x):单个赋值 2.setAll(x):全体赋值 3.select(index):按序号查找 问题分析: 这个问题应该属于特殊问题:想了很久,当看到全体...
  • 图像算法工程师面试常见基础深度学习框架tensorflowmxnetpytorch分布式计算pytorch--nn.module深度学习基础概念常见模型开发工具/语言项目 基础 深度学习框架 tensorflow 用数据流图来进行数值计算,数据流图是...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 7,902
精华内容 3,160
关键字:

图像算法工程师面试题