登录社区云，与社区用户共同成长
邀请您加入社区
AI试点项目常因运营和管理不足而难以规模化，高达80%未能落地。成功的关键在于明确业务目标、统一沟通语言，并采用结构化、迭代式执行框架，从问题定义、数据评估到模型迭代，嵌入反馈循环与合规审查。出色的AI试点项目一旦脱离“沙盒”环境，往往就会失败。明确的目标、统一的沟通语言和有条不紊的执行，才是让AI真正实现规模化应用的关键。我常常看到这样的情景：身为CIO，你批准了一项雄心勃勃的AI试点项目，该模
1、公司及部分战略投资企业已在应用相关AI工具并尝试逐步建立内部AI数据库，AIGC技术在美术尤其是2D美术的批量图片生成、基础代码的复核、AI语音的应用等领域的降本增效已经体现出明显的潜力，未来公司将会研究加大应用相关AIGC工具的力度。板块概念方面，CPO、游戏、上海自贸港、券商等板块涨幅居前，纺织服装、外贸概念、旅游酒店、零售等板块跌幅居前。泛AI概念股反弹，其中应用方向，科大讯飞、恺英网络
短期内，股价可能继续承压，投资者需密切关注市场情绪变化和公司后续公告，但机构投资者既然跌停捡筹码，想必未来的反弹空间还是比较看好的。在昨日的龙虎榜资金中，中信证券浙江分公司净买入，机构卖出。结合至盘面而言，当下市场两大核心核心方向，AI（算力硬件为主）与机器人概念，同样保持着较高的活跃度，故就目前而言，短期市场整体并没有完全转弱，仍先以震荡分化看待为宜。高位股方面，冀凯股份成功“反核”，走出准地天
NVIDIA Rapids：利用GPU加速数据科学这段文字介绍了 NVIDIA Rapids，一个开源的 GPU 数据科学库。主要内容：问题：传统的数据科学工作流程通常在 CPU 上运行，效率较低。解决方案： NVIDIA Rapids 利用 GPU 的强大算力，将数据科学流程从 CPU 转移到 GPU，大幅提升效率。优势：可以加速数据预处理、特征工程、模型训练等所有数据科学流程...
为了实现在on_close回调中重新连接的功能，我们可以利用aiohttp的 WebSocket 功能，并结合异步任务来实现自动重连。以下是一个示例代码，展示了如何在on_close回调中重新连接。
本文介绍了Numpy矩阵的基本操作，包括常见矩阵创建方法和图像ROI处理。主要内容有：1) 各类矩阵创建方法(np.array自定义矩阵、np.zeros全0矩阵、np.ones全1矩阵、np.full全值矩阵、np.identity/np.eye单位矩阵)；2) 矩阵检索与赋值操作；3) 图像ROI区域处理示例，演示了如何对指定区域进行颜色填充。文章通过代码示例详细展示了各种矩阵的创建方式，并重
乍一听，似乎不难，细想却发现这个问题并不简单。梳理了一遍自己熟悉的知识库，numpy没有提供直接解决问题的函数，scipy的二维卷积有点似是而非。早上有同事问了一个问题：如何将m行n列二维numpy数组切成若干个u行v列的小块，并求每一小块的元素和，其中m是u的整倍数，n是v的整倍数——简单说就是二维数组分块求和问题。结果看起来是正确的，不过列表推导式本质上还是for循环，这个代码跑起来速度是个大
微信公众号AI运营（微信公众号+deepSeek模型+文字生图模型）
排列方式发生变化。结果：水平垂直翻转：元素全部倒过来按照z字形排列；垂直翻转：元素按照X轴镜像，倒下来；水平翻转：元素按照Y轴镜像，倒过去。
本文探讨了基于Agent的问答系统中会话队列机制的核心原理与实现。队列作为遵循FIFO原则的数据结构，在系统中起到事件缓冲、顺序处理和异步解耦的关键作用。通过生产者-消费者模型，队列机制将用户请求（生产者）与处理逻辑（消费者）解耦，确保系统稳定性和并发能力。文章采用餐厅点餐的生活类比解释了队列机制，并提供了Python实现代码示例，包括事件类定义、队列管理以及问答Agent的核心处理流程，关键实现
头歌 仿射变换
本文对比分析了Pandas中Numpy类型与Pandas扩展类型的差异。Numpy类型作为Pandas默认类型，在空值处理上存在不足，如布尔型、整型不支持空值。Pandas为此开发了扩展类型（如StringDtype、BooleanDtype），支持更完善的空值处理（pd.NA/pd.NaT）。文章详细对比了两种类型体系在字符串、布尔、数值等数据类型上的表现差异，并解释了相关配置选项（string
多维数组切片的核心是“按维度独立处理”，通过 `start:stop:step`、整数索引、`...` 等组合，可灵活提取任意子数组。掌握切片规则能极大提升处理高维数据（如图像、张量）的效率。
Halcon作为一个机器视觉领域的家喻户晓的工具，包含了非常多的算子，在工程中使用起来是非常方便的。但是一些更学术的功能，或是一些开源的前沿算法，Halcon中是不具有的，这时OpenCV可能是更适合的解决方案。这篇博客记录了我将Python代码中的函数返回的Numpy数组转化为Halcon.Net的HImage变量的方法。1. Python代码编写。这一步没有什么特殊的，就是常规的一个Pytho
图像处理一般分为直接对图像内的像素进行处理的空间域处理和频率域处理。空间域处理主要划分为灰度变换和空间滤波两种形式。灰度变换是对图像内的单个像素进行处理，比如调节对比度和处理阈值等。空间滤波涉及图像质量的改变，例如图像平滑处理。空间域处理的计算简单方便，运算速度更快。频率域处理是先将图像变换到频率域，然后在频率域对图像进行处理，最后再通过反变换将图像从频率域变换到空间域。
头歌 透视变换
这个目前还有点问题 没有很好的进行ROI分割提取肺部，而是单独把整个ct 做个肺部提取了， 正常应该提取左 右肺部2个分割，这个后面找时间再优化补充一下，这里先把已经搞的记录一下，我想 无非是先预处理一下图像 再提取？或者不用opencv而用其他的lib 进行提取操作？或者参数有问题？ 完整代码如下：运行结果如图：作用：导入必要的库并设置中文字体显示关键点：：用于读取DICOM格式的医疗影像：处理
RagFlow本地源码启动，Windows系统盘需要再150G；安装python版3.10-3.12；git克隆Github中Ragflow的源码（git clone。
它通过。
• 首席营销官(CMO)正彻底重塑市场进入(GTM)策略。AI、买家信息过载和经济压力正迫使企业制定更精准、更具针对性的市场进入策略，而非仅仅进行渐进式调整。• AI正成为基础设施，而非噱头。营销负责人正利用AI简化合规流程、工作流程和内部决策，同时确保人类牢牢掌握控制权。• 摒弃繁杂，坚守本质。臃肿的技术堆栈、虚荣指标和广撒网式营销策略将被淘汰，而故事叙述、个性化营销、基于账户的营销(ABM)和
未来十年，获胜的公司将认识到可组合性是适应性基础设施的基石。当技术栈的每个部分都成为模块化构建块，且智能体能够根据实时场景将这些构建块组合成最佳配置时，基础设施将成为竞争优势，而非限制因素。那些理解自主式AI的双重性质，并相应调整其流程、治理、人才和投资的企业，将实现其全部商业价值。从我作为架构师的角度来看，自主式AI将挑战既定的管理方法，甚至会让许多人相信其能够突破常规，但有了正确的战略和执行，
Claude刚刚被曝要有永久记忆，今天就被开发者抢先一步。一个叫Smart Forking的扩展，让大模型首次拥有「长期记忆」，无需重头解释。开发者圈沸腾了：难以置信，它真的能跑！昨天，一篇Claude要获得永久记忆的爆料，震惊整个AI圈。这种「知识库」的全新记忆方式，可以让Claude在自己的永存大脑中，自动记住一切。巧的是，就在今天，就有开发者抢先「截胡」。他在现有工具上实现了一个扩展能力——
大语言模型的爆发，让大家见证了 Scaling Law 的威力：只要数据够多、算力够猛，智能似乎就会自动涌现。但在机器人领域，这个公式似乎失效了。大语言模型的爆发，让大家见证了 Scaling Law 的威力：只要数据够多、算力够猛，智能似乎就会自动涌现。但在机器人领域，这个公式似乎失效了。不同于互联网上唾手可得的万亿级文本，机器人所需的、经过 3D 标定且符合物理规律的高质量交互数据，极度稀缺且
WaveFormer 证明了经典的物理波动规律能够为现代人工智能提供强大的归纳偏置。这种基于波动方程建模的新范式，不仅为视觉基础模型开辟了频域处理的新路径，也为未来多模态语义传播的研究提供了深刻的启示。从 “token 相似度交互” 转向 “语义场的动力学传播”；从 “隐式处理频率” 转向 “显式建模低频 / 高频及其随深度演化”；从 “黑盒的全局模块” 转向 “可解释、可控（v 与 α 可调）的
I have already written an article to download an individual rpm along with all it's dependencies, in this article I will share the steps to download entire repository from CentOS / RHEL 7 to your loca
众所周知：为了我们的使用方便，手机里面的很多功能非常人性化，既便捷又高效，其中就有手机的截屏方式，它们花样繁多，如三指截屏，手势截屏等。这里我们需要对截屏的各个步骤进行拆分，并对每个步骤的执行结果进行相应的处理（如屏闪，实时显示，操作完成提醒等）。的电脑手势截屏工具。
本文介绍了多种图像增强与退化处理方法，包括：1）变暗处理，通过伽马校正和泊松-高斯噪声模拟暗光环境；2）霜冻效果，使用随机严重程度参数生成霜冻纹理；3）雪花效果，模拟降雪场景；4）Gamma变换，通过非线性调整改变图像亮度；5）运动模糊，模拟相机移动效果；6）缩放模糊，产生变焦过程中的模糊效果；7）对比度调整，改变图像明暗差异。所有方法均采用Python实现，基于NumPy、OpenCV和Pill
本文介绍了OpenCV中的图像处理技术，主要包括颜色空间转换和几何变换。在颜色空间转换部分，重点讲解了BGR到HSV/Gray的转换方法及其在目标追踪中的应用，提供了蓝色对象检测的代码示例。几何变换部分详细说明了图像缩放、平移、旋转、仿射变换和透视变换的实现方式，并给出了相应的代码实现。文章强调动手实践的重要性，建议读者通过实际操作来加深理解。内容涵盖基础但实用的OpenCV图像处理技术，适合初学
本文介绍了在NVIDIA Jetson NX等ARM架构设备上通过APT包管理器快速安装Python科学计算库（NumPy、scikit-learn、OpenCV）的方法。相比从源代码编译安装，APT方式能避免复杂的依赖问题和耗时过程，适合追求稳定性的用户。文章详细说明了前期清理步骤、核心库安装命令及验证方法，并指出APT安装的OpenCV是CPU版本，无法利用Jetson的GPU加速。对于性能要
图像滤波是图像处理中的基本操作，主要包括卷积运算、均值滤波、高斯滤波和中值滤波等方法。图像卷积通过滑动窗口与像素加权求和生成新图像，具有线性运算特性。均值滤波简单快速但会模糊边缘，高斯滤波通过加权平均更好地保留细节。中值滤波对椒盐噪声效果显著，能有效保留边缘但计算较慢。代码示例展示了OpenCV实现各种滤波的方法，包括添加噪声和滤波处理后的对比效果。不同滤波方法适用于不同场景，如高斯滤波适合处理高
add_axes参数：数组[left,bottom,width,height],数组元素的取值范围：(0,1)a = np.array([1, 2, 3])# 一维数组。b = np.array([[1, 2], [3, 4]])# 二维数组。arr.sort()# 原地排序 [1, 2, 3]arr_2d[:, 1]# 所有行的第1列 ([2, 4])arr.sum(axis=0)# 沿列的求和
在一些需要高质量文本转语音（TTS）的场景中（比如：有声书配音、播客等）。之前介绍的方案可能效果没有那么好。此时就比较推荐使用 MiniMax、CosyVoice这些提供的音色，这些音色的效果会更加拟人、逼真，接近真人发音。这里依然通过 UnifiedTTS 的统一接口来对接，这样我们可以在不更换客户端代码的前提下，快速在 MiniMax、CosyVoice等引擎之间做无缝切换。
本文介绍了在Anaconda中创建OpenCV虚拟环境的完整流程。首先以管理员身份运行Anaconda Prompt，添加清华镜像源加速下载；然后创建Python3.9虚拟环境"opencv39"，并安装OpenCV、Numpy、Matplotlib等必要库；最后演示了在PyCharm中配置新解释器的方法。整个过程包含环境创建、库安装及验证等关键步骤，为OpenCV学习提供了完
再次运行 import numpy 以及调用任意的attribute没有报错。库（Pillow 库，用于图像处理）或库安装损坏导致的。再次重启Jupyter Notebook中当前项目的内核。在Anaconda Prompt 中进入对应的虚拟环境。重启Jupyter Notebook中当前项目的内核。由于项目涉及对图像的处理，再次运行时，又报了新的错误。我的环境里已经安装的numpy，因此先卸载。
安装d2l = 0.17.6库时会发现需要安装numpy = 1.21.5和pandas = 1.2.4两个库。但是分别安装这两个版本的库时（先numpy再pandas），会发现兼容性问题，报如下图所示的错。d2l安装最新的1.0.3版本。
*
人工智能（AI）作为当前技术领域的核心方向，Python凭借其丰富的库生态和简洁的语法，成为AI开发的首选语言。从零基础掌握Python AI开发，需要经历从基础能力构建到算法实践、再到项目落地的系统化过程。本文将拆解这一过程的核心步骤，明确每个阶段的必备知识点、实践方法及注意事项，通过代码示例具象化关键概念，帮助学习者构建从理论到应用的完整知识体系。
通过本教程，开发者可掌握在国产操作系统上进行AI开发的全流程，同时支持国产软硬件生态。
numpy
——numpy
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
九章云极普惠算力
火山引擎 ADG 社区
NVIDIA DRIVE 智能汽车专区
