AI人工智能

“A computer would deserve to be called intelligent if it could deceive a human into believing that it was human.”  — Alan Turing

安装PyMuPDF时报错:无法打开包括文件: “fitz.h”: No such file or directory

错误描述 安装 pip install fitz 时候, 报错:ModuleNotFoundError: No module named ‘frontend’ 转而安装 pip install PyMuPDF 报错: fitz/fitz_wrap.c(2755): fatal error C1083: 无法打开包括文件: “fitz.h”: No such file or directory 错误分析 python3.6版本会出现这一问题 解决方案 如果将python升级版本最好(我换成3.9后没有错误),若不能,那么: Windows 降PyMuPDF版本 pip install PyMuPDF==1.16.14 或者 pip install -i https://mirrors.aliyun.com/pypi/simple/ pymupdf==1.18.0 MacOS brew install mupdf swig freetype pip install https://github.com/pymupdf/PyMuPDF/archive/master.tar.gz

强化学习Q-Learning玩超级马里奥|实战

强化学习(Reinforcement Learning, RL) 是机器学习的一个领域,它关注智能代理应如何在环境中采取行动以最大化累积奖励的概念。强化学习是三种基本机器学习范式之一,与监督学习和无监督学习并列。 近期做了一个基于Q-Learning进行游戏的实战,以下是“环境+代码”。 环境 可以安装一个conda环境,我选用的python版本为3.8.9。 安装必备包 cmd中安装必备包,注意顺序,因为有些版本冲突,很多坑,我这儿已经趟过了。 pip install ale_py==0.7 pip install gym_super_mario_bros==7.3.0 nes_py pip install torch==1.10.1+cu113 torchvision==0.11.2+cu113 torchaudio===0.10.1+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html pip install stable-baselines3[extra] pip uninstall protobuf pip install protob...

对抗攻击

起源 2013年,Google研究员Szegedy等人在题为《Intriguing properties of neural networks(神经网络有趣的特性)》的论文中指出了神经网络的两个有趣的特性:其一是神经网络中包含语义信息的部分并不是在每个独立的神经元,而是整个空间;其二是神经网络学习到的从输入到输出的映射在很大程度上是不连续的。这篇论文更重要的意义是验证了将图片做适当修改后能欺骗深度学习模型的可能性,并给出了相应的训练方法,从此学术界展开对对抗攻击的进一步研究。https://arxiv.org/abs/1312.6199 原理 Olah近期的一项关于展示神经网络如何工作的研究——The Building Blocks of Interpretability:https://distill.pub/2018/building-blocks/ 有进一步理解对抗样本产生的原因。 最近的一篇总述性论文《Threat of Adversarial Attacks on Deep Learning in Computer Vision: A Survey》 影响力最大关于对抗样例的研究当属GoodFellow等人201...

零样本学习Zero shot learning|学习笔记

零样本学习(Zero shot learning,ZSL) 是机器学习中的一个问题。之所以独立出来,是因为它解决问题的思路不同于传统的机器学习方法。 Zero-shot Learning,零次学习。 模型对于训练集中没有出现过的类别,能自动创造出相应的映射: X → Y。 零数据学习的想法可以追溯到十多年前,但直到最近才主要在计算机视觉中进行研究,作为一种泛化到看不见的对象类别的方法。 一个关键的见解是利用自然语言作为灵活的预测空间来实现泛化和迁移。 通俗例子 背景 我们用小明找斑马的经典例子。某个周末,爸爸带小明到动物园玩,看到了马,爸爸告诉他,这是马。之后,又看到了老虎,告诉他: 看,这种身上有条纹的家伙就是老虎。最后,又带他去看了熊猫,对他说: 你看这熊猫是黑白色的。然后,爸爸给小明安排了一个任务,让他在动物园里找一种叫斑马的动物。由于小明没有见过斑马,于是爸爸给他讲了一下斑马的大概情况: 斑马形状像马,身上有像老虎一样的条纹,而且它像熊猫一样是黑白色的。结果,根据爸爸的描述,小明在动物园里轻松地找到了斑马。 这个例子说明,虽然你没见过斑马,但如果你清楚关于它的描述,那么很可能在你第一次看到斑马的照片时就能认出它。 ...

CLIP网络: 连接文本与图像|学习笔记

CLIP (Contrastive Language–Image Pre-training 对比语言-图像预训练) 现存问题 应用于机器视觉中的深度学习方法面临如下几个问题: 1.昂贵的数据集。典型的视觉数据集是劳动密集型的,创建成本高, while teaching only a narrow set of visual concepts ImageNet 数据集是该领域最大的努力之一,需要超过 25,000 名工作人员为 22,000 个对象类别注释 1400 万张图像。 2.多任务。标准视觉模型擅长一项任务且仅一项任务,需要付出巨大努力才能适应新任务 ImageNet 模型擅长预测 1000 个 ImageNet 类别,但这就是它“开箱即用”所能做的全部。如果我们希望执行任何其他任务,ML 从业者需要构建一个新数据集,添加一个输出头,并微调模型。 3.现实世界的表现不佳。在基准测试中表现良好的模型在压力测试中的表现令人失望.换句话说,“基准性能”和“真实性能”之间存在差距。我们推测这种差距的出现是因为模型通过仅优化基准性能来“作弊”,就像一个学生通过只研究过去几年考试中的问题通过考试一样。 CLIP网络 通过互联网上...

note: This error originates from a subprocess, and is likely not a problem with pip.

问题描述 在从下载好的包中,执行命令: pip install -e . 报错 Looking in indexes: http://mirrors.aliyun.com/pypi/simple Obtaining file:///F:/GNN_Fuse/KEMPNN-main Installing build dependencies … done Checking if build backend supports build_editable … done Getting requirements to build wheel … error error: subprocess-exited-with-error × Getting requirements to build wheel did not run successfully. │ exit code: 1 ╰─> [14 lines of output] error: Multiple top-level packages discovered in a flat-layout: ['kempnn', 'd...