
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
本文聚焦大模型应用入门核心——基于API调用与Prompt工程实现常见NLP任务,不涉及训练微调。通过五步实战路线:基础调用(结构化JSON输出)、System Prompt角色设定、CoT思维链与Few-shot提升推理准确性、批量评论摘要抽取、零样本文本分类,系统掌握模型调用、输出控制与业务落地能力,适用于数据抽取、报告生成、客服分拣等场景,助力开发者快速构建稳定高效的AI应用。

本文详解深度学习中最优模型的保存策略,介绍两种主流方式:仅保存参数(state_dict)与保存完整模型(torch.jit.script),并结合手写数字识别实战演示训练过程中自动捕获最高测试准确率的模型。通过对比其优缺点,说明参数文件更轻量灵活,完整模型便于部署。代码实现训练时动态保存最佳模型,并展示加载与推理全流程,强调推理阶段需禁用梯度、启用评估模式,确保预测稳定可靠。

本文针对多层感知机(MLP)在图像识别中丢失空间信息、缺乏平移不变性的缺陷,引入卷积神经网络(CNN)实现手写数字识别。通过卷积层提取局部特征,池化层降维去冗余,结合全连接层分类,有效保留图像二维结构,提升模型精度。实验表明,该CNN模型测试准确率达99.41%,显著优于MLP,验证了CNN在图像任务中的优越性。

本文基于OpenCV DNN模块加载预训练梵高星空模型,完成图像风格迁移。流程包括读取缩放图片、生成blob张量、前向推理及维度转换归一化后处理,最终输出油画效果图,无需本地训练。

本文介绍了基于稀疏金字塔Lucas-Kanade光流的视频特征点跟踪方法:用Shi-Tomasi角点检测提取初始特征,通过calcOpticalFlowPyrLK逐帧匹配,绘制轨迹并叠加显示。实验表明该方法能有效跟踪稳定角点,但对遮挡、剧烈运动易丢失。

摘要 本章系统介绍了OpenCV中的形态学图像处理技术,重点讲解二值图像处理的核心概念与操作。主要内容包括:1)结构元(卷积核)的生成与作用;2)基础运算(腐蚀、膨胀)的原理与应用场景;3)开运算(去外部噪点)与闭运算(填内部孔洞)的组合操作;4)梯度运算提取轮廓,以及顶帽/黑帽运算检测微小特征(亮点/孔洞)。通过代码示例演示了各算子的实现方法,并对比了不同操作的效果差异。强调形态学处理需结合二值

本文介绍了一个基于OpenCV的银行卡号识别实战项目。项目通过模板匹配算法,结合图像预处理、轮廓检测等技术,实现了银行卡号的自动识别。主要流程包括:1) 构建0-9数字模板库;2) 银行卡图像预处理(灰度转换、顶帽运算、闭运算等);3) 轮廓检测与筛选定位卡号区域;4) 分割单个数字与模板匹配识别;5) 整合输出完整卡号。文中详细讲解了每个步骤的实现方法,包括轮廓排序、形态学处理、模板匹配等关键技

本文摘要:本章主要介绍使用OpenCV处理视频的基础知识。视频由连续静态帧图像组成,OpenCV通过VideoCapture对象读取视频或摄像头数据。重点讲解了视频读取流程:创建VideoCapture对象、逐帧读取(ret/frame返回值)、处理帧图像、按键控制退出及资源释放。还演示了如何调用摄像头(参数设为0)和进行实时帧处理。关键注意事项包括:检查视频是否成功打开、及时释放资源、合理设置w

摘要: 本章讲解图像几何变换,涵盖缩放、翻转、平移、旋转及仿射变换,核心是通过矩阵运算改变像素坐标。关键内容包括: 缩放:cv2.resize()支持尺寸或比例缩放,注意dsize=(w,h)与shape顺序相反,推荐双线性插值(放大)和INTER_AREA(缩小)。 翻转:cv2.flip()实现上下/左右镜像,常用于数据增强。 平移与旋转:基于变换矩阵M,通过warpAffine执行,旋转需指

KNN 全称K-Nearest Neighbors,K 近邻算法。物以类聚。在预测一个样本的时候,找寻距离它最近的 k 个邻居,通过少数服从多数来划分类别。








