人工智能可以實(shí)現(xiàn)智能垃圾分類嗎？這是一個(gè)非常好的問題。誠(chéng)然，人工智能完全可以實(shí)現(xiàn)垃圾分類，但它并不是在混合垃圾分類，而是代替人們按分類挨家挨戶收集垃圾，而且每個(gè)家庭都可以交納一定的費(fèi)用。深度學(xué)習(xí)中，圖

人工智能可以實(shí)現(xiàn)智能垃圾分類嗎？

這是一個(gè)非常好的問題。誠(chéng)然，人工智能完全可以實(shí)現(xiàn)垃圾分類，但它并不是在混合垃圾分類，而是代替人們按分類挨家挨戶收集垃圾，而且每個(gè)家庭都可以交納一定的費(fèi)用。

深度學(xué)習(xí)中，圖片的預(yù)處理為什么要減去圖片的平均值？

如果沒記錯(cuò)的話，MNIST的樣本是灰度圖像，每個(gè)像素的值在0到1之間；cifar10的樣本是RGB圖像，三個(gè)通道中每個(gè)通道的每個(gè)像素都在0到255之間，所以需要進(jìn)行特征縮放或歸一化。

特征縮放是將所有單個(gè)特征的值調(diào)整到合理的范圍（0~1、-0.5~0.5、零均值等），以避免一些不必要的數(shù)值問題。

誰有編譯好的cifar-10？

1 cifar10數(shù)據(jù)庫60000 32*32彩色圖片，共10類50000訓(xùn)練10000測(cè)試下載cifar10數(shù)據(jù)庫，這是二進(jìn)制格式，所以我們需要把它轉(zhuǎn)換成leveldb格式。

2在。。/咖啡廳窗口/examples/cifar10文件夾ucifaru數(shù)據(jù).cpp包括他在內(nèi)主叫人.cpp在中間。如下：編譯。。。我傳遞了一次，convert出現(xiàn)在bin文件夾ucifaru中數(shù)據(jù).exe. 然后可以進(jìn)行格式轉(zhuǎn)換。Binary→leveldb可以在bin文件夾下創(chuàng)建一個(gè)新的輸入文件夾。放置cifar10。輸入文件夾中的二進(jìn)制文件，以便在轉(zhuǎn)換過程中不必寫入路徑。進(jìn)入bin文件夾并執(zhí)行后，輸出文件夾utrainuuleveldb中有cifar，cifar estuleveldb有兩個(gè)文件夾。里面是leveldb格式的轉(zhuǎn)換數(shù)據(jù)。當(dāng)然，您也可以編寫一個(gè)bat文件進(jìn)行處理，以便將來可以再次使用它。

機(jī)器學(xué)習(xí)算法工程師面試需要做那些準(zhǔn)備？

1. 工業(yè)中的大型模型基本上都是logistic區(qū)域和線性區(qū)域，因此SGD和lbfgs的理解是非常重要的，并行推導(dǎo)對(duì)于理解LR是如何并行的是非常重要的

2。其次，常用的機(jī)器學(xué)習(xí)算法，如SVM、gbdt、KNN等，應(yīng)該了解其原理，能夠在壓力下快速響應(yīng)。算法的優(yōu)缺點(diǎn)和適應(yīng)場(chǎng)景應(yīng)該基本清楚

3基本算法數(shù)據(jù)結(jié)構(gòu)應(yīng)該熟練，鏈表二叉樹，快速行合并，動(dòng)態(tài)收益等

卷積神經(jīng)網(wǎng)絡(luò)通過用戶設(shè)計(jì)的損失融合（分類往往是交叉的）計(jì)算實(shí)際標(biāo)簽和預(yù)測(cè)標(biāo)簽之間的差異，采用梯度反向傳播使損失最小化，更新卷積核參數(shù)，生成新的預(yù)測(cè)值。重復(fù)此過程，直到培訓(xùn)結(jié)束。

卷積神經(jīng)網(wǎng)絡(luò)如何進(jìn)行圖像識(shí)別？

學(xué)習(xí)是一個(gè)漫長(zhǎng)的過程，遇到困難停不下來，語言執(zhí)著，那人的學(xué)習(xí)方法不一樣，有的人喜歡看視頻，有的人喜歡看書，B站，CSDN，智湖等等，有很多教學(xué)視頻，可以參考學(xué)習(xí)，小編學(xué)習(xí)python，都是直接作戰(zhàn)，自己做項(xiàng)目，在項(xiàng)目中遇到問題，去百度，或者谷歌，把這些問題解決后，推薦自己的學(xué)習(xí)解決方案也錄下來，發(fā)到網(wǎng)上，讓自己也學(xué)習(xí)，為別人也鋪路，關(guān)于python，小編也寫了很多文章，大家可以參考學(xué)習(xí)