数字旗手

本文基本是对A Gentle Introduction to Graph Neural Networks这篇文章的翻译理解。 （注意：原文中有很多可交互的动画，更有启发性。本文对原文中的有些图像进行了调整，方便初学者理解） 简介 （这部分大都来自于这篇参考文献） 曾有学者将本次人工智能浪潮的兴起归因于三个条件，分别是： （1）计算资源的快速发展（如GPU） （2）大量训练数据的可用性 （3）深度学习从欧氏空间数据中提取潜在特征的有效性 尽管传统的深度学习方法被应用在提取欧氏空间数据的特征方面取得了巨大的成功，但许多实际应用场景中的数据是从非欧式空间生成的，传统的深度学习方法在处理非欧式空间数

本文解析一下ImagePy的三维画布。 以如下例子入手： 首先，原始图像是一个5乘5的方形图像，其中间是4乘4的白色，周围是一圈黑色。 由这张原始图根据距离变换得到右上角的高程图，继而对该高程图做三维可视化。 渲染插件 二维平面的三维可视化插件是这样写的： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 class Surface2D(Simple): title = '2D Surface' note = ['8-bit', '16-bit', 'float'] para = {'name':'undifine', 'sample':2, '

参考文献 你能分得清楚 Chromium, V8, Blink, Gecko, WebKit 之间的区别吗？ 丝般顺滑的 Electron 跨端开发体验 Electron 免费视频教程-用前端技术开发桌面应用 Electron 快速入门 基础概念 引擎 JavaScript引擎的作用是解释和编译JavaScript代码。 而浏览器引擎不仅负责管理网页的布局，同时其包括JavaScript引擎。 当前市场上只有 3 个主要的浏览器引擎：Mozilla 的 Gecko、Google 的 Blink、还有苹果的的 WebKit（Blink 的近亲）。 Blink 是 Google Chrome浏览

参考文献 保姆级教程：图解Transformer Transformer模型详解 Transformer 详解 盘点 | 2021年paper大热的Transformer (ViT) “未来”的经典之作ViT：transformer is all you need! ViT( Vision Transformer) 简介 Attention Is All You Need是一篇Google于2017年提出的将Attention思想发挥到极致的论文。这篇论文中提出一个全新的模型，叫 Transformer，抛弃了以往深度学习任务里面使用到的 CNN 和 RNN ，目前大热的Bert、GPT和D

简介 一直以来，网页浏览器编程所用的编程语言主力就是JavaScript，浏览器就是一个JavaScript的原生解释器。 那么Python能不能直接运行在浏览器上呢，或者说Python能不能作为浏览器开发的编程语言？ 本文对这一问题做了详细的调研，结果可以用一句话总结：可以，但很鸡肋。 可用方案 调研过程中，发现了很多有趣的解决方案，总结起来可以有两类： （1）将Python语言编译成JavaScript 即将现成的Python语言翻译成JavaScript，然后在浏览器网页中运行，比如： Brython Skulpt Transcrypt （2）在浏览器中内置Python解释器 即将Py

参考文献 SIFT算法深入理解 特征点匹配——SIFT算法详解 图像金字塔（高斯金字塔，拉普拉斯金字塔，图像缩放resize函数） SIFT算法详解 简介 SIFT（Scale Invariant Feature Transform），尺度不变特征变换匹配算法，是由David G. Lowe在1999年（《Object Recognition from Local Scale-Invariant Features》）提出的高效区域检测算法，在2004年（《Distinctive Image Features from Scale-Invariant Keypoints》）得以完善。 SIFT

基本思想 生成对抗网络——原理解释和数学推导 首先有一个“生成器(Generator)”：其实就是一个神经网络，或者是更简单的理解，他就是一个函数(Function)。输入一组向量，经由生成器，产生一组目标矩阵（如果你要生成图片，那么矩阵就是图片的像素集合，具体的输出视你的任务而定）。它的目的就是使得自己造样本的能力尽可能强，强到什么程度呢，强到你判别网络没法判断我是真样本还是假样本。 同时还有一个“判别器(Discriminator)”：判别器的目的就是能判别出来一张图它是来自真实样本集还是假样本集。假如输入的是真样本，网络输出就接近 1，输入的是假样本，网络输出接近 0，那么很完美，达到了

介绍 物体检测的两个步骤可以概括为： 步骤一：检测目标位置（生成矩形框） 步骤二：对目标物体进行分类 物体检测主流的算法框架大致分为one-stage与two-stage。two-stage算法代表有R-CNN系列，one-stage算法代表有Yolo系列。two-stage算法将步骤一与步骤二分开执行，输入图像先经过候选框生成网络（例如faster rcnn中的RPN网络），再经过分类网络；one-stage算法将步骤一与步骤二同时执行，输入图像只经过一个网络，生成的结果中同时包含位置与类别信息。two-stage与one-stage相比，精度高，但是计算量更大，所以运算较慢。 YOLO

%%%%% 2021-9-13 update %%%%% 更新了地图部分和行业模板 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%= 上一篇介绍了怎样搭建和运行superset，这一篇着重于怎样对superset进行特殊配置和二次开发。 更新并重新编译前端代码 前面已经说到，使用pip安装的是已经编译好的superset，无法修改前端源码，所以这里如果想对前端源码做改动，需要使用docker方式安装。 参考资料： superset/CONTRIBUTING.md 使用docker安装superset 这一部分可以参考入门篇的docker安装部分。 但是需要万分注意的是，第一步

%%%%%2021-9-2更新%%%%%% 更新使用docker安装连接宿主机的数据库 介绍 Apache Superset是一个现代的、企业级的商业智能（Business Intelligence）网络应用程序，它使得用户可以使用无代码可视化构建器和SQL编辑器来轻松探索和可视化自己的数据。 其最初由Airbnb开源，后来由Apache进行孵化，并且于今年（2021年）1 月 21 日宣布毕业并成为 Apache 软件基金会（ASF）的顶级项目（Top-Level Project），截止到现在（2021年8月25日）已经在GitHub上收获了超过4万颗star。 官网地址在这里。 示例看板