EISeg(Efficient Interactive Segmentation)是以RITM及EdgeFlow算法为基础，基于飞桨开发的一个高效智能的交互式分割标注软件。涵盖了通用、人像、遥感、医疗等不同方向的高质量交互式分割模型，方便开发者快速实现语义及实例标签的标注，降低标注成本。 另外，将EISeg获取到的标注应用到PaddleSeg提供的其他分割模型进行训练，便可得到定制化场景的高精度模型，打通分割任务从数据标注到模型训练及预测的全流程。

计算机视觉“探奇”：深度剖析基于飞桨的人体姿态识别算法 计算机视觉.pdf

逐步回归法matlab代码 写在前面 本文源于百度AI平台飞桨学院《》课程中我自己的心得和理解。 本文旨在介绍使用飞桨框架构建神经网络过程，并从房价预测模型的理解和代码的构建角度来整理所学内容，不求详尽但求简洁明了。 模型构建基本流程 飞桨的模型覆盖计算机视觉、自然语言处理和推荐系统等主流应用场景，所有场景的代码结构完全一致，如所示。 图1. 使用飞桨框架构建神经网络过程 飞桨重写房价预测模型 数据处理之前，需要先加载飞桨框架的相关类库。 #加载飞桨、Numpy和相关类库 import paddle.fluid as fluid import paddle.fluid.dygraph as dygraph from paddle.fluid.dygraph import Linear import numpy as np 1. 数据处理 数据处理包含五个部分：数据导入、数据形状变换、数据集划分、数据归一化处理和封装load data函数。数据预处理后，才能被模型调用。数据处理的代码不依赖paddle框架实现，使用numpy库即可。 对每个特征进行归一化处理，使得每个特征的取值缩放到0~

包括cudnn64_7.dll cudnn64_8.dll cublas64_10.dll cudart64_100.dll cufft64_10.dll curand64_10.dll cusolver64_10.dll cusparse64_10.dll

基于paddlepaddle复现MODNet 代码地址：https://github.com/PaddlePaddle/PaddleSeg.git 视频网址：https://www.bilibili.com/video/BV15r4y1r7rf/ 博客网址：https://blog.csdn.net/eton_liu/article/details/123020138

对语音识别结果加上标点符号，使用教程：https://yeyupiaoling.blog.csdn.net/article/details/122474859

基于paddle从头实现了单向，多层，双向LSTM，给出了完整使用代码,并与paddle自带的LSTM进行了对比实验。

能参加到这次的百度飞桨七日“Python小白逆袭大神”打卡营是一次偶然的了解得知的这个机会，之前因为课程和基础不够扎实参加到AI实战营没有顺利跟完全程，这一次很开心可以顺利跟上并且结营。下面的内容就简要的总结一下这几天的学习内容和踩过的小坑吧。 本次课程的课程目标： 1.掌握Python的基础语言、进阶知识和常用的深度学习库，能够利用Python爬取数据并进行可视化分析 2.掌握人工智能基础知识、应用，体验人工智能的前沿技术 3.了解飞桨平台及百度AI技术、应用，掌握AI Studio的使用方法 本次课程的安排：Day1-人工智能概述与python入门基础python基础、人工智能概述Day

一、编译预测库 参考博客【PaddlePaddle】源码编译Paddle-Lite android库的过程。 二、准备demo Demo在Paddle-Lite/build.lite.android.armv8.gcc/inference_lite_lib.android.armv8/demo/java/android/下。 这里有一个脚本prepare_demo.bash可以自动拷贝so库、jar包和模型文件到android工程下对应的位置。 bash prepare_demo.bash arm64-v8a 注意这里选择你的android设备支持的架构。 虽然Paddle-Lite/lit

《PaddlePaddle Fluid深度学习入门与实战》第九章的ResNet50_pretrained预训练模型