影像分割 當我們想要的,不只是一個粗略的矩形邊界框,而是物體每一個像素級別的精確輪廓,例如精準描繪出腫瘤的位置,這時單靠我們前幾天學的方法已經不敷使用。這時,我...
R-CNN 系列演算法都有獲取候選區域這個步驟,然而也是因為分為兩步驟進行,雖然精準,但偵測速度受到了限制。因此另一派演算法選擇拋去這個步驟,最具代表性的模型為...
現實中的視覺任務,往往遠比我們前幾天所做的圖像分類還複雜,例如物件偵測:不只要知道圖片有一隻貓,還要知道貓在哪裡。物件偵測的目標是同時在一張圖片完成兩件事...
如果我們手上只有數百張貓狗的照片,是沒辦法像前幾天一樣訓練出像 ResNet 這種好的分類器,反而會遇到過擬合的問題。在這種缺乏數據的情況下,我們能用遷移學習...
資料載入 pandas 有些函式可將表個資料讀為 DataFrame 物件,read_csv 為最常用的一種: read_csv :從檔案、URL或類檔案物件...
延續昨天設計與 debug的實作心得,這一篇聚焦於介面優化與防呆設計,目的是為了讓沒有程式背景的設計師或初學者來說,能有一個簡單直觀的 GUI 工具。 28...
唯一值、值的數量以及成員資格 有一類相關的方法可以提取關於一維 Series 的值資訊: In [290]: obj = pd.Series(["c...
總結與計算描述性統計數據 pandas 物件具備一組常用的數學和統計方法,他們大多是歸約或總結統計方法,可以從 Series 提取一個值(如 sum() 與...
至今我們學習的 VGG、ResNet 等模型,它們的設計目標都是追求極致的準確率。然而,這些模型龐大的參數數量和巨大的計算量,使得它們很難被部署到手機、無人機、...
重複標籤 目前看到的範例都有互不相同的軸標籤 (索引值),雖然有很多 pandas 函式如 reindex 都要求標籤互不相同,但並非強制規定,假如是一個具有...
有了AI工具就不用學習機器語言了嗎?不是的,今天我想透過本文的分析,來分享我使用ChatGPT輔助程式設計、撰寫所遇見的問題,以及我認為在AI時代仍需要學習...
雖然我們學會了怎麼用各種不同 CNN 模型來進行圖像辨認,但對他的認識仍停留在黑盒子的階段。模型在做出「這是一隻貓」的決斷時,還是不知道它是依據什麼做判斷的,而...
前一篇梳理了符合設計人員操作習慣的圖形化介面思路,今天要以Tkinter來實際操作。 26.1. 環境建置 Tkinter 是 Python 內建的 GUI...
雖然昨天我們知道 VGGNet 在一定程度上有著網路越深、效果越好的特性,但是當研究人員把網路堆疊約 20 層以上時,模型的準確率反而開始下降。這不是過擬合所導...
排名 (下) 我們接續上次排名的內容,可以使用降序排名: In [254]: obj.rank(ascending=False) Out[254]: 0...
排名 (上) 排名(ranking)會指定排名,排名 1 到陣列的有效資料點數量為止,最小值為 1,可以使用 Series 與 DataFrame 的 ran...
AlexNet 在 2012 年之前,舉世聞名的 ILSVRC (ImageNet Large Scale Visual Recognition Challen...
ANN 的缺點 雖然 ANN 能夠自動學習特徵,但是他在處理影像時會把二維的圖片攤平成一維的向量,這會造成空間結構資訊的喪失。ANN 沒辦法理解相鄰或上下左右這...
Locust 是一個強大的負載測試工具,但它的核心客戶端主要是為 HTTP/HTTPS 協定所設計。然而,透過 Custom Clients (自訂客戶端) 功...
Locust 的 Event Hook(事件鉤子) 是一套強大的機制,讓我們可以在測試生命週期的特定時刻執行自定義程式碼。透過 Event Hook,我們可以實...
在大型項目中,將測試參數寫在代碼裡並不是最佳實踐。Locust 提供了配置文件機制,讓我們可以通過 locust.yml 等配置文件來管理測試參數,使測試更加靈...
線性模型 前一天我們學到了最直觀的 KNN 演算法,但他在預測時需要計算與所有訓練樣本的距離,這在數據量大時會變得非常緩慢。它並沒有真正「學習」到一個濃縮的、高...
當單機硬體資源成為效能測試的瓶頸時,Locust 的 分散式測試 (Distributed Mode) 功能就顯得至關重要。它讓我們可以結合多台機器的力量,模擬...
在掌握了 Locust 的基本用法與參數化測試之後,今天我們要進一步探討壓力測試中一個核心概念:負載模式(Load Mode)。不同的負載模式決定了虛擬使用者數...
在前幾天的學習中,我們已掌握了 Locust 的基本用法,並學會管理 Cookie 和 Session。今天,將深入探討一個在實際測試中至關重要的主題:參數化測...
在昨天的學習中,我們深入了解了 Locust 的 HTTPClient 功能,學會了如何發送各種請求和處理回應。今天,我們將進一步探討在實際測試中非常重要的主題...
在前幾天的學習中,我們已經打下了 Locust 基礎,掌握了其架構與任務管理機制。今天,讓我們將焦點轉向 Locust 的核心功能:HTTPClient。透過學...
在前幾天的介紹中,我們已經初步認識了 Locust 的基本用法。今天,我們將深入探討 Locust 中的核心概念:Task 與 TaskSet。透過靈活運用這些...
在前面的章節中,我們介紹了如何定義使用者行為 (HttpUser)、分配任務權重 (@task) 以及設定等待時間 (wait_time)。我們也都是透過 lo...
機器學習簡介 我們對傳統電腦視覺領域中,基於幾何和梯度的方法論,已經有了非常深入的理解和實踐。這些方法在處理具有明確規則和幾何結構的任務時,表現得非常出色,但如...