Python-opencv 实现PS操作最近有个项目要做颜色变换，而对于我这种对色彩不敏感的人可是相当难受。调半天opencv色调，都不知道自己调的是啥。于是乎。。。。有了个idea!!!我找了个做美工设计的朋友帮我做了效果图。（photoshop）然后把操作思路和过程都给到我，这下子就只差复现photoshop的操作了。所以就有了我在网上寻找总结的这一系列，用python-opencv实现的ph

生成对抗神经网络1. 流派:GAN、FLOW流、VAE、pixeLCM、pixeLRM2.GAN（无监督）（1）判别网络用神经网络充当loss。即判别器获取输入图片（随机分布生成）和真实图片对比，利用反向传播算法使随机生成图片逼近真实图片。（2）生成网络第一次固定权重，按随机分布生成图片，放入判别器。生成的图片服从分布。（3）训练目标判别器训练：判别生成图片和真实图片的真假越来越准确。生成器训练：

机器学习：回归1. 线性回归有一组数据：（x，y）找出一个线性方程，使得数据到线上的距离总和最小。距离最小化：梯度下降法/最小二乘法……对于普通最小二乘的系数估计问题，其依赖于模型各项的相互独立性。当各项是相关的，且设计矩阵的各列近似线性相关，那么，设计矩阵会趋向于奇异矩阵，这种特性导致最小二乘估计对于随机误差非常敏感，可能产生很大的方差，W过大，就会导致模型过拟合。（即，输入的数据的特征之间，越

我公司的科室开始在公众号上规划一些对外的技术文章了，包括实战项目、模型优化、端侧部署和一些深度学习任务基础知识，而我负责人体图象相关技术这一系列文章，偶尔也会出一些应用/代码解读等相关的文章。文章在同步发布至公众号和博客，顺带做一波宣传。有兴趣的还可以扫码加入我们的群。（文章有写的不好的地方请见谅，另外有啥错误的地方也请大家帮忙指出。）微信公众号：AI炼丹术技术交流群可以从公众号上获取，可以备注是

神经网络模型部署1. 常见的模型部署方式：（1）服务器：① HTTP 网页协议、 ② socket（2）PC： ① pt（pytorch内置打包API）、② onnx：支持跨平台和tensorRT部署方式、③ tvm…（3）手机：①安卓、 ② IOS……同样可以通过调用onnx进行部署。（4）IOT部署： ① 英伟达Jetson：支持cuda、② 华为海思、 ③ 瑞芯微、 ④ 树莓派（cpu）……

docker部署tornado项目

注意力机制注意力机制参考这篇博客中的部分：https://blog.csdn.net/jiaowoshouzi/article/details/89073944从seq2seq说起学完深度学习之后，我知道seq2seq这种编解码模型经常用在翻译软件上。也就是说，要翻译的那句话首先会在一个编码模型上进行语义编码（压缩），将这段话做了个总结，然后传输给一个解码模型，解码模型通过这个总结翻译成最终结果。

无监督学习1. 聚类2. 降维

通过这个链接????进行复习学习。https://github.com/scutan90/DeepLearning-500-questions目标检测 two-stage目标检测（Object Detection）就是要从图像上找到目标。存在的难点主要有：同一种目标可能有不同外观、形状、姿态；同一张图片场景可能有不同的环境因素干扰（光照、遮挡、色差）；目标检测要检测目标在图像中的位置，目标可能会出

语音识别基础1. 深度学习在语音领域上的应用（1）语音识别（2）语音唤醒（3）语音命令（4）声纹识别（5）生成语音2. 音频领域基本概念（1）采样率：每秒采集数据的次数。一般是8000Hz、16000Hz…采样率越高，音频损失越小。根据奈奎斯特采样定理：当采样率高于最高频率2倍以上，音频数据就不会失真。因此处理数据的采样率选择，一般只要高于最高频率2倍以上就行。（2）采样精度：每次采样数据的位数。