传不同的照片看到不同的效果。
java虽然不会，但老师讲的逻辑十分清晰。记下几个
函数及作用
Application：启动的入口函数，
common：一般就是存放公共的类或者常量，或者枚举值
config：装载或者是数据库的配置，我们都会放在 config 下面，webAP-Pconfig 是对我们的静态资源，比如说 css、js 还有一些图片，做了一个映射，比如说 static，然后我们把它映射到classpath:/static 目录下。
Controller：接收外部的请求，比如参数校验，之后通过接口调用或得到的数据返回给前端
Service: 把不同的请求 , 不同的服务把它抽象成一个 service，本项目有两个service，也可以认为是两个模块。
Utils: 存放公共的类或者工具函数
视觉AI五天训练营教程 Day 3
2020-11-29
867
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
在这个人工智能已经普及的时代，各行各业都充斥着AI的身影。大部分人认为人工智能起点高，入门难，想要使用AI服务又无法独立完成编写，阿里云视觉平台是基于阿里巴巴视觉智能技术实践经验，面向视觉智能技术企业和开发商（含开发者），为其提供高易用、普惠的视觉API服务，帮助企业快速建立视觉智能技术的应用能力的综合性视觉AI能力平台。开发者可以通过阿里云视觉平台提供的通用且标准化的接入方式，快速接入及使用阿里云视觉平台提供的包括人脸人体、文字识别、商品理解、内容安全、图像识别、图像生产、分割抠图、视觉搜索、目标检测、图像分析处理、视频理解、视频生产、视频分割13个类目多个API能力。本期直播将带你实战讲述
目录
相关文章
|
4天前
|
机器学习/深度学习
存储
人工智能
【AI系统】感知量化训练 QAT
本文介绍感知量化训练（QAT）流程，旨在减少神经网络从FP32量化至INT8时的精度损失。通过在模型中插入伪量化节点（FakeQuant）模拟量化误差，并在训练中最小化这些误差，使模型适应量化环境。文章还探讨了伪量化节点的作用、正向与反向传播处理、TensorRT中的QAT模型高效推理，以及QAT与PTQ的对比，提供了实践技巧，如从良好校准的PTQ模型开始、采用余弦退火学习率计划等。
25
2
2
|
4天前
|
机器学习/深度学习
存储
人工智能
【AI系统】训练后量化与部署
本文详细介绍了训练后量化技术，涵盖动态和静态量化方法，旨在将模型权重和激活从浮点数转换为整数，以优化模型大小和推理速度。通过KL散度等校准方法和量化粒度控制，文章探讨了如何平衡模型精度与性能，同时提供了端侧量化推理部署的具体实现步骤和技术技巧。
22
1
1
|
3天前
|
人工智能
PyTorch
测试技术
【AI系统】并行训练基本介绍
分布式训练通过将任务分配至多个节点，显著提升模型训练效率与精度。本文聚焦PyTorch2.0中的分布式训练技术，涵盖数据并行、模型并行及混合并行等策略，以及DDP、RPC等核心组件的应用，旨在帮助开发者针对不同场景选择最合适的训练方式，实现高效的大模型训练。
31
8
9
|
1天前
|
机器学习/深度学习
人工智能
物联网
AI赋能大学计划·大模型技术与应用实战学生训练营——电子科技大学站圆满结营
12月05日，由中国软件行业校园招聘与实习公共服务平台携手阿里魔搭社区共同举办的AI赋能大学计划·大模型技术与产业趋势高校行AIGC项目实战营·电子科技大学站圆满结营。
19
4
4
|
13天前
|
机器学习/深度学习
存储
人工智能
【AI系统】谷歌 TPU v2 训练芯片
2017年，谷歌推出TPU v2，专为神经网络训练设计，标志着从推理转向训练的重大转变。TPU v2引入多项创新，包括Vector Memory、Vector Unit、MXU及HBM内存，以应对训练中数据并行、计算复杂度高等挑战。其高效互联技术构建了TPU v2超级计算机，显著提升大规模模型训练的效率和性能。
28
0
0
|
2月前
|
Python
机器学习/深度学习
人工智能
手把手教你从零开始构建并训练你的第一个强化学习智能体：深入浅出Agent项目实战，带你体验编程与AI结合的乐趣
【10月更文挑战第1天】本文通过构建一个简单的强化学习环境，演示了如何创建和训练智能体以完成特定任务。我们使用Python、OpenAI Gym和PyTorch搭建了一个基础的智能体，使其学会在CartPole-v1环境中保持杆子不倒。文中详细介绍了环境设置、神经网络构建及训练过程。此实战案例有助于理解智能体的工作原理及基本训练方法，为更复杂应用奠定基础。首先需安装必要库：
```bash
pip install gym torch
```
接着定义环境并与之交互，实现智能体的训练。通过多个回合的试错学习，智能体逐步优化其策略。这一过程虽从基础做起，但为后续研究提供了良好起点。
166
4
4
|
2月前
|
自然语言处理
IDE
测试技术
通义灵码史上最全使用教程：秀一秀AI编程新肌肉
通义灵码是阿里云推出的一款智能编码辅助工具，基于通义大模型，提供行级/函数级实时续写、自然语言生成代码、单元测试生成、代码优化、注释生成、代码解释、研发智能问答、异常报错排查等功能。它支持 Visual Studio Code 和 JetBrains IDEs，适配多 IDE 原生设计，帮助开发者高效、流畅地编码。官方提供了详细的下载和安装指南，以及丰富的功能介绍和使用指南。
371
3
3
|
2月前
|
机器学习/深度学习
人工智能
算法
使用 NVIDIA TAO Toolkit 5.0 体验最新的视觉 AI 模型开发工作流程
NVIDIA TAO Toolkit 5.0 提供低代码框架，支持从新手到专家级别的用户快速开发视觉AI模型。新版本引入了开源架构、基于Transformer的预训练模型、AI辅助数据标注等功能，显著提升了模型开发效率和精度。TAO Toolkit 5.0 还支持多平台部署，包括GPU、CPU、MCU等，简化了模型训练和优化流程，适用于广泛的AI应用场景。
65
0
0
|
1月前
|
机器学习/深度学习
人工智能
算法
AI赋能大学计划·大模型技术与应用实战学生训练营——吉林大学站圆满结营
10月30日，由中国软件行业校园招聘与实习公共服务平台携手魔搭社区共同举办的AI赋能大学计划·大模型技术与产业趋势高校行AIGC项目实战营·吉林大学站圆满结营。
73
0
0
|
3月前
|
人工智能
自然语言处理
Linux
Llama 3.2：开源可定制视觉模型，引领边缘AI革命
Llama 3.2 系列 11B 和 90B 视觉LLM，支持图像理解，例如文档级理解（包括图表和图形）、图像字幕以及视觉基础任务（例如基于自然语言描述在图像中精确定位对象）。
270
0
0
热门文章
最新文章
1
领英AI人才图谱：全球 190 万 AI 人才，中国只有5万
2
【AI大模型应用开发】0.2 智谱AI API接入详细步骤和简单应用
3
英特尔研发神经元AI处理器，模仿大脑功能，无需训练数据集
4
OpenAI探索机器人模拟训练新方法：仿真与真实世界无缝衔接
5
“明年AI会如何？”英伟达问了13位不同行业的专家
6
埃森哲表示人工智能有望提升各行业利润
7
DeepMind创始人Demis Hassabis专访：让AI更聪明的秘密就在人类自己身上
8
病人还能生存多久？现在AI能给出更精准的预测
9
阿里达摩院包揽AI领域六大权威榜单冠军：用人类的学习方式超越人类
10
OpenAI肩负使命，宣布AI新计划
1
AI回答总不满意？你的提问方式可能完全错误！
384
2
AI工具-标注工具labelme
363
3
[译][AI OpenAI-doc] 安全最佳实践
96
4
构建高效AI系统：深度学习优化技术解析
605
5
构建未来：AI在持续学习系统中的创新应用
106
6
LabVIEW将视觉生成器AI用作OPC服务器
67
7
AI信任危机之后，揭秘预训练如何塑造机器的可信灵魂
60
8
[译][AI OpenAI-doc] 生产最佳实践
62
9
体验AI驱动的软件开发 | 普元低代码社区版使用
90
10
首款 AI Native IDE Framework，OpenSumi 3.0 正式发布！
724