订阅极术公开课，即时获取最新技术公开课信息
嵌入式 AI，让AI无处不在。欢迎加入微信交流群，微信号：gg15319381845（备注：嵌入式）
Arm相关的技术博客，提供最新Arm技术干货，欢迎关注
来源：腾讯技术工程微信号作者：calvinrzluo丨腾讯 IEG 后台开发工程师本文基于 Spark 2.4.4 版本的源码，试图分析其 Core 模块的部分实现原理，其中如有错误，请指正。为了简化论述，将部分细节放到了源码中作为注释，因此正文中是主要内容。
来源：腾讯技术工程微信号作者：calvinrzluo丨腾讯 IEG 后台开发工程师本文基于 Spark 2.4.4 版本的源码，试图分析其 Core 模块的部分实现原理，其中如有错误，请指正。为了简化论述，将部分细节放到了源码中作为注释，因此正文中是主要内容。
MM32 MCU型号MM32SPIN05、MM32F103x方案特色指纹开箱液晶显示内置锂电池静音工作温度设定方案规格电机控制芯片MM32SPIN05运行72MHz指纹控制芯片MM32F103运行144MHz支持锂电池2436供电，支持220v高压供电输出功能支持240w、360w支持有感、无感FOC方式一级能效模式超静音启动模式系统框图更多信息请访问：www.mm32mcu.com...
导读：OAM Spec 经历了近 3 个月的迭代，v1alpha2 版本终于发布啦！新版本在坚持 OAM Spec 平台无关的基础上，整体变得更 Kubernetes 友好化，很大程度上平衡了标准与可扩展性，更好的支持 CRD。如果你已经编写了现成的 CRD Operator，可以平滑的接入到 OAM 体系中，并且享受到 OAM 模型的红利。
之前写了关于海思NNIE的一些量化部署工作，笔者不才，文章没有写得很具体，有些内容并没有完全写在里面。好在目前看到了一些使用nniefacelib脱坑的朋友，觉得这个工程还是有些用的。为了完善这个工程，最近也增加一些一站式的解决方案。开始正题吧！作者：Hanson首发知乎
作者：Derrick Mwiti编译：ronghuaiyang 首发：AI公园公众号导读给大家总结了2020年以来的图像分割领域的进展，包括了结构，损失函数，数据集以及框架。在这篇文章中，我们将深入探讨使用深度学习的图像分割。我们将讨论：什么是图像分割，图像分割的两种主要类型图像分割的架构用于图像分割的损失函数框架，你可以用在...
在 Kubernetes 的实践、部署中，为了解决 Pod 迁移、Node Pod 端口、域名动态分配等问题，需要开发人员选择合适的 Ingress 解决方案。面对市场上众多Ingress产品，开发者该如何分辨它们的优缺点？又该如何结合自身的技术栈选择合适的技术方案呢？在本文中，腾讯云中间件核心研发工程师厉辉将为你介绍如何进行 Kubernates...
本文主要介绍在机器学习模型部署过程中，怎么样快速得将python转为C++。来源：腾讯技术工程微信号作者：byronhe，腾讯 WXG 开发工程师
本文主要介绍实现一个人脸识别进行开锁的功能，用在真人实景游戏业务中。来源：腾讯技术工程微信号作者：eckygao，腾讯 CSIG 云产品部
本文主要介绍深度强化学习在任务型对话上的应用，两者的结合点主要是将深度强化学习应用于任务型对话的策略学习上来源：腾讯技术工程微信号
为什么代码中需要各种检查？在 C++ 中调用一个函数、使用一个类、实例化一个模板时，对传入的参数、使用的时机，往往会有很多限制 (constraint/restriction)。本文主要分享 Chromium/base 库中使用的一些限制检查。作者：BOTMan，来源于BOTManJL来源：腾讯技术工程微信号
本文主要介绍基于深度神经网络的表格图像识别解决方案。作者系腾讯QQ研发中心——CV应用研究组的yonke。来源：腾讯技术工程微信号
腾讯AI，物联网等相关技术干货，欢迎关注
不管是对于初学者还是对于一个玩过单片机的电子爱好者来说，或多或少都接触到过小车项目，今天给大家介绍的的一个项目基于STM32超声波避障小车。这也是我曾经的一个课设，在此开源分享给大家，全文5000多字，干货满满，加油读完，保证你收货多多。
生成对抗网络（Generative Adversarial Network，简称GAN）是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。自2014年GAN网络提出以来，其在Computer Vision（计算机视觉）领域获得了广泛的关注，但GAN网络在其他领域的应用相对较少。将GAN网络的思想应用在图网络（network）特征表达是近一年新兴...
我们身处的环境本身多模态环境，人工智能要更好的理解环境，则需要具备解析多模态信息的能力。通过模态学习可以搭建能处理和连接多模态信息的模型。在内容理解领域，需要分析的模态有文本，图片，视频，语音对应的不同级别特征；其他辅助描述特征等。作者：孙子荀 zixunsun@tencent.com来源：腾讯技术工程微信号
模型可解释性方面的研究，在近两年的科研会议上成为关注热点，因为大家不仅仅满足于模型的效果，更对模型效果的原因产生更多的思考，这样的思考有助于模型和特征的优化，更能够帮助更好的理解模型本身和提升模型服务质量。本文对机器学习模型可解释性相关资料汇总survey。来源：腾讯技术工程微信号
