python怎么调用opencv（机器学习需要哪些数学基础）
机器学习需要哪些数学基础
对于搞机器学习的同学来说，高等数学、线性代数和概率论与数理统计是最重要的三门的数学基础了。下面我来分别说明这三方面在机器学习中的作用一. 高等数学高等数学里面的微积分、牛顿迭代、拉格朗日乘数法、泰勒展开等等知识点在机器学习中都有应用到。例如在逻辑回归模型求梯度时候需要求偏导、优化目标使用的牛顿迭代方法、带约束优化问题的SVM需要用到拉格朗日乘数法等等，还有其它高等数学的知识点在机器学习中或多或少都有体现。二. 线性代数推荐系统使用的SVD分解、张量分解、非负矩阵分解NMF，PCA主成分分析中求特征值、矩阵运算。下面我贴一下之前我用矩阵求导解最小二乘问题的公式推导过程，可以体会一下线性代数的重要程度。最小二乘的解，可以通过梯度下降迭代或牛顿迭代方法求解，但也可以基于矩阵求导来计算，它的计算，不需要大量迭代，只需解一个正规方程组。总之，线性代数对于机器学习来说比高数还重要。三. 概率论与数理统计概率论与数理统计那就更重要了，比如朴素贝叶斯分类和概率图模型用到的贝叶斯公式，高斯过程、最大熵模型，采样方法，NLP领域的大部分算法都与概率论相关，像基于LDA的主题模型、基于CRF的序列标注模型、分词系统等等。所以要搞机器学习，高等数学、线性代数和概率论与数理统计都是必不可少的数学基础。
opencv与pytorch区别
OpenCV是一个基于Apache2.0许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上。
软件工程师如何转行做人工智能
说说我的个人经历我亲身经历了从非AI软件开发到AI的转变。我一直对AI感兴趣，也知道这是技术发展的一个大趋势。所以在2016年以前，陆陆续续地关注一些AI博客，断断续续地学习，但一直没有系统学习过。在2016年，因为工作的变动，就开始系统地学习了AI。买了一些AI的书来读，在coursera在线学习网站上，参加了业界有名的Andrew Ng（吴恩达）的《机器学习》课程。这是我是在2016年5月份获得的《机器学习》结业证书。《机器学习》结业，只是入门。而AI分成好几个领域，比如图像识别、NLP等等，每一门的水都挺深。我选择进入NLP，因为其它领域都被大公司吃完了，而NLP相对不太成熟，小公司更有机会。我学习了NLP的实用技术，并用来做产品。后来还是因为AI更是大公司的菜，加上其它的一些事情，就转向聚焦在上了。所以，我觉得我有资格来回答这个问题。对于软件工程师，这种转变，不叫转行，而叫学习新技能。首先，还是需要有扎实的数学知识对于很多软件工程师，数学知识平时用得少，软件功能都是调用这个库、那个API来实现的。这在AI之前，在很多公司还算是合格的，毕竟能完成工作。但到AI领域后，你就会发现没有数学知识，碰到一些问题就懵了，很吃亏，效率会很低。我的《微积分》是很多年钱学的，早就丢掉了。到了AI领域，发现有很多微积分内容，又得捡回来。你至少需要准备这些数学知识：线性代数。将会碰到有很多向量和矩阵，所有计算的基础，重要性不言而喻概率与统计微积分其次，系统地参加人工智能的通用课程刚开始入门，要推荐吴恩达的《机器学习》，这是一堂有名的课，评分高达4.9分。这门课程难度为中等偏低，每期都有习题练习，习题需要一般的编程能力，全部通过才能获得结业证书。-learning 然后再深入一点，就是目前业界广泛使用的神经网络中的深度学习。深度学习在Coursera上，是有一个专项课程。专项课程是几个相关课程的集合。深度学习专项内部包含了4个课程。如果有条件，最好把所有的课程学一遍：-learning如果没时间学完专项，那么其中的《神经网络和深度学习》是必学的：-networks-deep-learning?specialization=deep-learning再次，根据具体的业务领域，选择适合的框架和语言，边学边做到了这一步，你就要开始实战了。这里要看你从事的领域的需求，学习更具体的算法。比如公司搞图像识别，那CNN必须要精通；如果是NLP，要学word2vec、RNN等。然后选择编程语言和AI框架。如果公司没有硬性要求语言和框架。在语言方面，而你是新手，或者编程经验不多，最好就直接用Python；对于老手，存在存量绑架，也因为对某语言用得熟练，那要选择支持你的编程语言的框架。一般来说，选择谷歌的TensorFlow更好，公司有技术实力保障，对语言支持能力强，连JavaScript都支持。给码农的话最后，对于软件工程师，再过几年，AI将是所有公司所必备一项能力，那么的AI技能，也就是码农必备的技能，那就快点学起来，用起来。和其它行业一样，码农要保持自己的职业竞争力，需要活到老，学到老。在软件技术这块，迭代周期别其它行业要快很多，就更需要坚持不断学习。
在树莓派上可以做深度图像处理或机器学习的模型训练吗
还有一种方案 我没在树莓派上用过(还没买树莓派，后面准备买)，在x86上验证完毕。使用英特尔movidius神经加速棒来进行图像分类或目标检测，movidius有arm版的库，对树莓派支持很好，详细看github上 ncsdk。方案如下 1 .采用python语言2.使用opencv对图像或视频处理3.使用ssd_moblienetv1版本(movidius有直接的demo)，在x86计算机上使用640*480视频图像，压缩成300*300转入movidius，usb3.0接口能做到10帧/s，给出目标位置，目标分类和概率，当然可以多插几个movidius来进行识别加速，每个视频图像轮训的给各神经加速棒，没试过树莓派上能接几个加速棒，还是看树莓派的处理图像性能4.使用百度网盘的接口，可以用树莓派间隔识别后的图片上传到百度网盘上(github上油python工程，在x86已验证好用)，用百度网盘主要是免费，后期可以卖稳定的云端