图卷积网络——GCN一、前置基础知识回顾图的基本概念构造图神经网络的目的训练方式二、回顾卷积神经网络在图像及文本上的发展图像上的卷积网络文本上的卷积网络图卷积网络的必要性三、图卷积网络从图像卷积类比到图结构卷积图卷积网络的计算公式邻接矩阵度矩阵理解计算公式用消息传递的方式实现图卷积网络消息传递的步骤1. 边上的源节点，往目标节点发送特征——Send2. 目标节点对收到的特征进行聚合——Recv一个

局域网这个词大家听起来应该不陌生,但他是如何工作的呢?通过这篇文章一起来学习一下:局域网概述共享式以太网交换式以太网高速局域网无线局域网1. 局域网概述局域网的发展历程1969年诞生了世界第一个由大型主机构成的ARPANET网络（是广域网）之后，随着PC的普及和对数据共享的需求，人们开始研究局域网（LAN），1973年诞生以太网（Ethernet）。1980年美国DEC、Intel与Xerox三家

这一部分讲的其实也是基础,只不过前一篇文章讲的大部分是基础概念,这一篇文章主要讲解处理计算机网络问题的基本方法:层次模型与网络协议网络体系结构OSI/RM与TCP/IP具有五层协议的体系结构数据流(包)分析1. 层次模型与网络协议计算机网络是个非常复杂的系统。涉及：无差错的信息传送、多个用户共享一条物理线路、按照地址信息，进行路由选择、信息缓冲和流量控制、会话控制、满足各种用户、各种应用的访问要求

LeNet5里包含了卷积层，池化层以及全连接层,相比DNN只有全连接层来说,稍微复杂了一些,但是效果却要比DNN好。下面我们来分析一下。DNN网络:网络结构不够灵活图片的大小决定了输入层的节点个数,假如图片大小是1616,那么输入层有256个节点,但是如今的图片越来越大,换成100100大小的图片来做相同的任务,只有通过增加每层的神经元个数或者增加网络的层数来完成。网络中参数太多...

基于全卷积神经网络实现3D物体识别一、从2D图像识别到3D物体识别二、ModelNet10：3D CAD数据集1.存储格式2.读取方法3.点云可视化可视化工具plt可视化4.数据集定义三、模型组网与训练1.全卷积神经网络2.查看网络结构3.模型训练四、测试效果评估1.批量测试2.逐个测试五、总结与升华作者简介在当今的计算机视觉系统中，2D图像识别技术已经相对成熟，但3D物体识别依然是一个关键但未被

深度学习模型训练和关键参数调优详解一、模型选择1.回归任务人脸关键点检测2.分类任务图像分类3.场景任务目标检测人像分割文字识别二、模型训练1.基于高层API训练模型加载数据集模型封装训练参数配置模型训练2.使用PaddleX训练模型配置数据集初始化模型模型训练3.模型训练通用配置基本原则三、超参优化1.超参优化的基本概念参数超参数2.手动调整超参数的四大方法1）使用提前停止来确定训练的迭代次数分

今天来到深圳参加深圳柴火创客空间的物联网应用实战课程,收获颇丰,回到住处后,我打算把今天所学的内容好好地整理整理。学习物联网一定要知道的基础知识物联网的数据从哪里来?怎么展示传感器接收上来的数据?1. 学习物联网一定要知道的基础知识什么是物联网?物联网其实也是互联网,它是物物相连的互联网物联网的发展如果要追根溯源,那我们应该找到最早跟通信有关的技术:1832年,俄国的希林男爵创造了电磁电报机183

基于全卷积神经网络实现3D物体识别一、从2D图像识别到3D物体识别二、ModelNet10：3D CAD数据集1.存储格式2.读取方法3.点云可视化可视化工具plt可视化4.数据集定义三、模型组网与训练1.全卷积神经网络2.查看网络结构3.模型训练四、测试效果评估1.批量测试2.逐个测试五、总结与升华作者简介在当今的计算机视觉系统中，2D图像识别技术已经相对成熟，但3D物体识别依然是一个关键但未被

深度学习模型训练和关键参数调优详解一、模型选择1.回归任务人脸关键点检测2.分类任务图像分类3.场景任务目标检测人像分割文字识别二、模型训练1.基于高层API训练模型加载数据集模型封装训练参数配置模型训练2.使用PaddleX训练模型配置数据集初始化模型模型训练3.模型训练通用配置基本原则三、超参优化1.超参优化的基本概念参数超参数2.手动调整超参数的四大方法1）使用提前停止来确定训练的迭代次数分

最近上手了DHT11湿度模块以及DS18B20测温模块,于是想着能不能用温度和湿度这两个数据做些什么。我们知道:温度与湿度在一定程度上和天气有关,下雨时,湿度会高一些;晴天时,湿度会略低一些因此我们可以根据这一点来判断天气,下面是这次实践的步骤:使用Arduino获取温度与湿度数据使用正则表达式清洗数据并保存到MySQL构建SVM分类器并训练模型把模型应用到Arduino实时检测...