「机器人圈导览」： 生成对抗网络无疑是机器学习领域近三年来最火爆的研究领域，相关论文层出不求，各种领域的应用层出不穷。那么，GAN到底如何实践？本文编译自Medium，该文作者以一朵玫瑰花为例，详细阐述了GAN的原理，以及基于谷歌TensorFlow的实现，文章略长，阅读大约需要15分钟。
想象有一天，我们可以利用一个神经网络观看电影并制作自己的电影，或者听歌和创作歌曲。神经网络将从它看到的内容中学习，而且你并不需要明确地告诉它，这种使神经网络学习的方式被称为无监督学习。
2025年09月17日
「机器人圈导览」： 生成对抗网络无疑是机器学习领域近三年来最火爆的研究领域，相关论文层出不求，各种领域的应用层出不穷。那么，GAN到底如何实践？本文编译自Medium，该文作者以一朵玫瑰花为例，详细阐述了GAN的原理，以及基于谷歌TensorFlow的实现，文章略长，阅读大约需要15分钟。
想象有一天，我们可以利用一个神经网络观看电影并制作自己的电影，或者听歌和创作歌曲。神经网络将从它看到的内容中学习，而且你并不需要明确地告诉它，这种使神经网络学习的方式被称为无监督学习。
2025年09月17日
IT之家 8 月 14 日消息，科技媒体 Windows Report 昨日（8 月 13 日）发布博文，报道称微软宣布重磅升级 Python in Excel 功能，支持直接在表格中分析和处理图像，适用于 Windows、Mac 及网页版。
微软表示此举可以简化视觉数据分析流程，提升效率与集成度，用户只需将图片嵌入单元格，无需依赖外部软件，即可通过 Python 脚本对其操作。
IT之家援引博文介绍，具体操作分为四步：
2025年09月17日
针对目前普通卷积神经网络(CNN)在表情和性别识别任务中出现的训练过程复杂,耗时过长,实时性差等问题,提出一种深度可分卷积神经网络的实时人脸表情和性别识别模型.首先,利用多任务级联卷积网络(MTCNN)对不同尺度输入图像进行人脸检测,并利用核相关滤波(KCF)对检测到的人脸位置进行跟踪进而提高检测速度.然后,设置不同尺度卷积核的瓶颈层,用通道合并的特征融合方式形成核卷积单元,以具有残差块和可分卷积单元的深度可分卷积神经网络提取多样化特征,并减少参数数量,轻量化模型结构;使用实时启用的反向传播可视化来揭示权重动态的变化并评估了学习的特征.最后,将表情识别和性别识别两个网络并联融合,实现表情和性别的实时识别.实验结果表明,所提出的网络模型在FER-2013数据集上取得 66% %的识别率,在IMDB数据集中性别分类的准确率达到96%;最后我们还将设计的模型应用到实际的应用系统中，即通过创建一个实时视觉系统来验证我们的模型，该系统使用我们提出的 CNN 架构在一个混合步骤中同时完成面部检测、性别分类和情感分类的任务。
2025年09月17日
卓大大，打扰一下。我想问下您就是互相关运算和卷积在一定程度上是一样的运算吧，那为什么卷积之后序列长度是2N-1，而互相关运算的结果按照那个频域相乘再求快速傅里叶的逆变换得到的序列长度应该是就是之前的序列长度N吧？为啥和卷积的长度不一致呢？ 这里的频域相乘应该就是对应的序列相乘吧，比如X[1]=a[1]*b[1]，这样子我是哪里想错了呢？麻烦卓大大解惑啦。
2025年09月17日
图像识别是计算机视觉最常用的任务之一，几乎所有的有关图像识别的教程都会将MNIST数据集作为入门数据集，因为MNIST数据集是图像识别问题中难度最小、特征差异较为明显的数据集，非常适合作为图像识别入门者的学习案例。本案例使用MNIST数据集，基于LeNet-5网络实现手写数字的识别任务。
2025年09月17日
《AI先锋周刊》是—家关注人工智能学术研究、产业生态链、技术落地、边缘应用等维度的先锋电子新媒体。欢迎广大热爱AI的同道中人阅读、评论、转发、投稿，记得点击“关注”，随时获取全球AI最新讯息。选自towardsdatascience 作者：Piotr Skalski 机器之心编译 参与：Nurhachu Null、张倩计算机视觉技术在日常生活中有着非常普遍的应用：发朋友圈之前自动修图、网上购物时刷脸支付……在这一系列成功的应用背后，卷积神经网络功不可没。本文将介绍卷积神经网络背后的数学原理。