Doi技术团队

3 小时教你从零入门 Python，简单快捷。目录如下

这个专栏是深度学习框架 PaddlePaddle Fluid 版本的教程，开发环境主要是 PaddlePaddle 1.6.0 和 Python 3.5。内容涉及了 PaddlePaddle 的安装，并从简单执行 1+1 运算例子入门 PaddlePaddle，借助各个实例一步步入手 PaddlePaddle，通过本系列教程你可以学到如何使用 PaddlePaddle 搭建卷积神经网络，循环神经网络，并能够训练自定义数据集，最后还可以部署到自己的实际项目中。

这个专栏是深度学习框架 PaddlePaddle V2 版本的教程，开发环境主要是 PaddlePaddle 0.11.0 和 Python 2.7。内容涉及了 PaddlePaddle 的安装，并从手写数据集识别入手，借助实例一步步入手 PaddlePaddle，通过实例掌握 PaddlePaddle 的使用，从零进入人工智能领域。

数据视图系统(Data-View)

用户上传不同类型的数据，根据不同的数据类型绘制成不同的图形。实现数据可视化，作为物联网或者 App Inventor 中的数据持久化平台使用。
同样地，你也可以通过 Data-View 制造数据，传输给，从而实现控制硬件。

TNN：由腾讯优图实验室打造，移动端高性能、轻量级推理框架，同时拥有跨平台、高性能、模型压缩、代码裁剪等众多突出优势。TNN 框架在原有 Rapidnet、ncnn 框架的基础上进一步加强了移动端设备的支持以及性能优化，同时也借鉴了业界主流开源框架高性能和良好拓展性的优点。

MNN 是一个轻量级的深度神经网络推理引擎，在端侧加载深度神经网络模型进行推理预测。目前，MNN 已经在阿里巴巴的手机淘宝、手机天猫、优酷等 20 多个 App 中使用，覆盖直播、短视频、搜索推荐、商品图像搜索、互动营销、权益发放、安全风控等场景。此外，IoT 等场景下也有若干应用。

下面就介绍如何使用 MNN 在 Android 设备上实现图像分类。

一行代码实现人脸检测，人脸关键点检测和戴口罩检测。

本项目是使用 Paddle Lite 的 C++ 实现的人脸检测，人脸关键点检测和戴口罩检测，并将编译好的动态库和静态库部署在 Android 应用上，在 Android 设备上实现人脸检测，人脸关键点检测和戴口罩检测，所以本应不会使用到 C++ 开发，可以只使用笔者提供的 JNI 接口实现这些功能。在 ai 这个 module 是笔者在开发时使用到的，读者在使用这个项目时，完全可以删除掉，如果是看 C++ 实现，也可以看这个 module 的源码。

然后开始编写人脸识别和人脸注册工具类，使用 insightface.app.FaceAnalysis() 可以获取模型对象，这里包含了三个模型，首先是人脸检测模型，然后是人脸特征提取模型，和最后的性别年龄识别模型。使用 model.prepare() 可以配置 ctx_id 指定使用哪一块 GPU，如果是负数则是使用 CPU 执行预测，nms 配置的是人脸检测的阈值。load_faces() 函数是加载人脸库中的人脸，用于之后的人脸识别对比。

本教程是通过 PaddlePaddle 的 PaddleSeg 实现的，该开源库的地址为：http://github.com/PaddlPaddle/PaddleSeg ，使用开源库提供的预训练模型实现人物的图像语义分割，最终部署到 Android 应用上。关于如何在 Android 应用上使用 PaddlePaddle 模型，可以参考笔者的这篇文章《基于 Paddle Lite 在 Android 手机上实现图像分类》。

本教程开源代码地址：https://github.com/yeyupiaoling/ChangeHumanBackground

说实话，这个修饰符我用得很少，不是因为他没有用，实际上他和 v-model 的功能基本上（为什么是基本，下文有解释）是一样的，但是 v-model 在一个组件上只能出现一次，试想一下，如果你需要双向绑定多个变量怎么办？最基础的写法如下：

这篇文章的主角是 JS 正则表达式中的 test 方法，这个方法是用来检查正则表达式是否能匹配上给定字符串的，在我发现这个问题之前，我的使用方式是：

毛玻璃这种模糊效果在各种应用程序中见得不少，实际上这种显示效果在 CSS 中也能做到，而且可以分成两种类型，分别是元素本身模糊与元素背景模糊（指的是被元素覆盖的区域），光是用文字描述可能不太清晰，以下是对比图：

PP-YOLO 是 PaddleDetection 优化和改进的 YOLOv3 的模型，其精度(COCO 数据集 mAP)和推理速度均优于 YOLOv4 模型，PP-YOLO 在 COCO test-dev2017 数据集上精度达到 45.9%，在单卡 V100 上 FP32 推理速度为 72.9 FPS, V100 上开启 TensorRT 下 FP16 推理速度为 155.6 FPS。

本教程源码地址：https://github.com/yeyupiaoling/PP-YOLO

三步实现 Ubuntu 修改开机引导顺序

1. 执行以下命令，编辑配置文件：

sudo vim /etc/default/grub

2. 将第一行非注释代码改成你要启动的系统顺序就可以，如笔者的 Windows 系统是第三个，所以设置为 2。

GRUB_DEFAULT=2

3. 最后更新启动引导即可，重启试试。

sudo update-grub

Git 强制覆盖本地命令

• 第一个是：拉取所有更新，不同步；
• 第二个是：本地代码同步线上最新版本(会覆盖本地所有与远程仓库上同名的文件)；
• 第三个是：再更新一次

Paddle Lite 是飞桨基于 Paddle Mobile 全新升级推出的端侧推理引擎，在多硬件、多平台以及硬件混合调度的支持上更加完备，为包括手机在内的端侧场景的 AI 应用提供高效轻量的推理能力，有效解决手机算力和内存限制等问题，致力于推动 AI 应用更广泛的落地。

MASR 使用的是门控卷积神经网络（Gated Convolutional Network），网络结构类似于 Facebook 在 2016 年提出的 Wav2letter，只使用卷积神经网络（CNN）实现的语音识别。但是使用的激活函数不是 ReLU 或者是 HardTanh，而是 GLU（门控线性单元）。因此称作门控卷积网络。根据我的实验，使用 GLU 的收敛速度比 HardTanh 要快。

• 以下用字错误率 CER 来衡量模型的表现，CER = 编辑距离 / 句子长度，越低越好，大致可以理解为 1 - CER 就是识别准确率。

Tensorflow2 之后，训练保存的模型也有所变化，基于 Keras 接口搭建的网络模型默认保存的模型是 h5 格式的，而之前的模型格式是 pb。Tensorflow2 的 h5 格式的模型转换成 tflite 格式模型非常方便。本教程就是介绍如何使用 Tensorflow2 的 Keras 接口训练分类模型并使用 Tensorflow Lite 部署到 Android 设备上。

本教程是教程是介绍如何使用 Tensorflow 实现的 MTCNN 和 MobileFaceNet 实现的人脸识别，并不介绍如何训练模型。关于如何训练 MTCNN 和 MobileFaceNet，请阅读这两篇教程 MTCNN-Tensorflow 和 MobileFaceNet_TF ，这两个模型都是比较轻量的模型，所以就算这两个模型在 CPU 环境下也有比较好的预测速度，众所周知，笔者比较喜欢轻量级的模型，如何让我从准确率和预测速度上选择，我会更倾向于速度，因本人主要是研究深度学习在移动设备等嵌入式设备上的的部署。好了，下面就来介绍如何实现这两个模型实现三种人脸识别，使用路径进行人脸注册和人脸识别，使用摄像头实现人脸注册和人脸识别，通过 HTTP 实现人脸注册和人脸识别。