开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

连续的卷积层是如何工作的？

连续的卷积层是深度学习模型中常用的一种层类型，用于图像识别、语音识别等任务。它通过对输入数据进行一系列的卷积操作和非线性激活函数的处理，提取特征并进行特征映射，实现对输入数据的深度学习表示。

具体来说，连续的卷积层使用一个可学习的卷积核（也称为过滤器）对输入数据进行卷积操作。卷积操作可以看作是将卷积核滑动（或移动）到输入数据的不同位置，通过计算卷积核与输入数据对应位置元素的乘积之和，来生成输出特征图。为了保持空间结构的信息，通常会使用零填充（zero-padding）技术，即在输入数据的周围填充一圈零元素。

在连续的卷积层中，通常会包括多个卷积核，每个卷积核都会生成一个对应的输出特征图。这样，每个卷积核可以学习到不同的特征，从而提取出不同的图像细节。通过使用多个卷积核，连续的卷积层可以提取出更加丰富和抽象的特征表示。

在卷积操作之后，通常会应用非线性激活函数（如ReLU）对输出进行激活，以增加模型的非线性能力。此外，为了减少特征图的大小，常常会使用池化（Pooling）操作，如最大池化或平均池化，来对特征图进行降维。

连续的卷积层由于其局部连接性和权值共享的特点，具有以下优势：

参数共享：每个卷积核在整个输入数据上进行卷积操作，减少了参数数量，降低了模型复杂度。
空间结构保持：通过卷积操作和零填充技术，保持了输入数据的空间结构信息，有利于图像的处理和特征提取。
多通道处理：可以使用多个卷积核提取不同的特征，从而更好地捕捉图像中的各种视觉细节。

连续的卷积层在图像识别、目标检测、语音识别等领域具有广泛的应用场景。在图像识别任务中，连续的卷积层可以有效地提取图像中的纹理、边缘、形状等特征，用于分类和物体检测。在语音识别任务中，连续的卷积层可以提取音频信号的频谱特征，用于语音识别和语音生成。

腾讯云提供了一系列与卷积层相关的产品和服务，包括图像识别、语音识别、深度学习平台等。其中，图像识别服务可以实现图像分类、目标检测、人脸识别等功能，具体产品介绍和链接如下：

产品名称：腾讯云图像识别（Image Recognition）
产品介绍链接：https://cloud.tencent.com/product/imagerecognition

语音识别服务可以实现语音转文字、语音唤醒、语音合成等功能，具体产品介绍和链接如下：

产品名称：腾讯云语音识别（Automatic Speech Recognition，ASR）
产品介绍链接：https://cloud.tencent.com/product/asr

深度学习平台提供了一站式的深度学习开发和部署环境，支持卷积神经网络等深度学习模型的训练和推理，具体产品介绍和链接如下：

产品名称：腾讯云AI平台（AI Platform）
产品介绍链接：https://cloud.tencent.com/product/aiplatform

相关搜索:keras如何管理卷积层的权重？如何使用tensorflow中枢层嵌入卷积层的文本？卷积层作为分类问题的输出层 caffe中的反卷积层 AlexNet中卷积层的输出 2个卷积层的堆叠如何确定卷积层的滤波器？如何在tensorflow中获得卷积层的值？识别卷积神经网络的层找出卷积和密集层的数量用于奇数形状图像的卷积层 Keras卷积层的输出维数两个连续的"cin“命令是如何工作的？如何从连体网络的卷积层中提取特征？卷积层和池化后的DImensions 设置卷积层的滤波器权重了解卷积层中的特征映射(PyTorch)通过高斯策略的RL连续控制是如何工作的？.fit()层的shuffle = 'batch‘参数在后台是如何工作的？对于自定义的Keras层，call()是如何工作的？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

深度学习之VGG19模型简介

该网络是在ILSVRC 2014上的相关工作，主要工作是证明了增加网络的深度能够在一定程度上影响网络最终的性能。

04

大会 | CVPR2017精彩论文解读：结合序列学习和交叉形态卷积的3D生物医学图像分割 | CVPR 2017

AI科技评论按：虽然CVPR 2017已经落下帷幕，但对精彩论文的解读还在继续。下文是宜远智能的首席科学家刘凯对此次大会收录的《结合序列学习和交叉形态卷积的3D生物医学图像分割》（Joint Sequence Learning and Cross-Modality Convolution for 3D Biomedical Segmentation）一文进行的解读。 3D医学图像的切割的背景 3D医学图像的切割是医学图像处理里一个非常重要的工作，比如脑部MRI数据、肺CT数据和X光数据等等。现在大多数的3D

04

基于三维点云的卷积运算综述

3D传感器（如激光雷达和深度相机）的普及引起了人们对3D视觉的广泛关注，这些传感器采集的3D数据可以提供丰富的几何结构和尺度细节，这也在许多领域得到了实际应用，包括自动驾驶技术[1]、机器人控制技术[2]等。

02

详细解读PVT-v2 | 教你如何提升金字塔Transformer的性能？（附论文下载）

计算机视觉中的Transformer最近取得了令人鼓舞的进展。在这项工作中，作者通过添加3个改进设计来改进原始金字塔视觉Transformer（PVTv1），其中包括：

04

如何利用深度学习识别千万张图片？

首先我们来谈一下什么是卷积神经网络，相信在深度学习中这是最重要的概念，首先你可以把卷积想象成一种混合信息的手段。想象一下装满信息的两个桶，我们把它们倒入一个桶中并且通过某种规则搅拌搅拌。也就是说卷积是一种混合两种信息的流程。卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成。如下图所示，当我们在图像上应用卷积时，我们在两个维度上执行卷积——水平和竖直方向。我们混合两桶信息：第一桶是输入的图像，由三个矩阵构成—— RGB 三通道，其中每个元素都是 0 到 255 之

05

AAAI 2022 | 基于词对关系建模的统一NER，刷爆14个中英NER数据集

来源：PaperWeekly本文约2600字，建议阅读9分钟本文提出了一个统一命名实体识别框架，通过对词与词之间的关系进行分类的方式同时解决三种命名实体识别子任务。引言本研究重新审视了统一命名实体识别中的核心问题，即词与词之间的关系建模，并提出将所有类型的命名实体识别统一采用一种词对关系分类的方法进行建模。所提出的系统广泛地在 14 个命名实体识别数据集刷新了最好的分数。论文题目：基于词对关系建模的统一命名实体识别系统 Unified Named Entity Recognition as Wo

02

卷积神经网络为什么能称霸计算机视觉领域？

在机器视觉和其他很多问题上，卷积神经网络取得了当前最好的效果，它的成功促使我们思考一个问题，卷积神经网络为什么会这么有效？在本文中，SIGAI将为大家分析卷积神经网络背后的奥秘。

05

卷积神经网络为什么能称霸计算机视觉领域？

摘要：在机器视觉和其他很多问题上，卷积神经网络取得了当前最好的效果，它的成功促使我们思考一个问题，卷积神经网络为什么会这么有效？在本文中，将为大家分析卷积神经网络背后的奥秘。

05

【重磅】彻底让你理解卷积神经网络

在各种深度神经网络结构中，卷积神经网络是应用最广泛的一种，它由LeCun在1989年提出[1]。卷积神经网络在早期被成功应用于手写字符图像识别[1][2][3]。2012年更深层次的AlexNet网络[4]取得成功，此后卷积神经网络蓬勃发展，被广泛用于各个领域，在很多问题上都取得了当前最好的性能。

04

深度学习系列（一）常见的卷积类型

人工智能的发展突飞猛进，主要得益于深度卷积神经网络，其在计算机视觉领域取得了巨大的成就，卷积神经网络依靠卷积操作对输入图像进行特征提取，卷积是一种线性的、具有平移不变性的局部加权运算，卷积运算也有很多改进方法，目的是提高运算速度或者提高网络的准确率。

03

基于图像的三维物体重建：深度学习时代的最新技术和趋势（概述和编码）

三维重建是一个长期存在的不适定问题，已经被计算机视觉、计算机图形学和机器学习界探索了几十年。自2015年以来，利用卷积神经网络（CNN）进行基于图像的三维重建引起了越来越多的关注，并且表现非常出色。鉴于这一快速发展的新时代，本文全面综述了这一领域的最新发展，重点研究了利用深度学习技术从单个或多个RGB图像中估计一般物体三维形状的方法。

02

理解CNN卷积层与池化层计算

深度学习中CNN网络是核心，对CNN网络来说卷积层与池化层的计算至关重要，不同的步长、填充方式、卷积核大小、池化层策略等都会对最终输出模型与参数、计算复杂度产生重要影响，本文将从卷积层与池化层计算这些相关参数出发，演示一下不同步长、填充方式、卷积核大小计算结果差异。

01

[转载]对深度可分离卷积、分组卷积、扩张卷积、转置卷积（反卷积）的理解

在可分离卷积（separable convolution）中，通常将卷积操作拆分成多个步骤。而在神经网络中通常使用的就是深度可分离卷积（depthwise separable convolution）。举个例子，假设有一个3×3大小的卷积层，其输入通道为16、输出通道为32。那么一般的操作就是用32个3×3的卷积核来分别同输入数据卷积，这样每个卷积核需要3×3×16个参数，得到的输出是只有一个通道的数据。之所以会得到一通道的数据，是因为刚开始3×3×16的卷积核的每个通道会在输入数据的每个对应通道上做卷积，然后叠加每一个通道对应位置的值，使之变成了单通道，那么32个卷积核一共需要(3×3×16)×32 =4068个参数。

02

用Google Sheets搭建深度网络

我想告诉你们，卷积神经网络并不像听起来那么可怕。我将通过展示我在google sheets中制作的一个实现来证明它。这里有一些可用的内容。复制它(使用左上角的file→make a copy选项)，然后你可以尝试一下，看看不同的控制杆是如何影响模型的预测的。

02

CVPR 2018 | 残差密集网络：利用所有分层特征的图像超分辨率网络

选自arXiv 机器之心编译参与：白悦、思源图像超分辨率在安防等很多领域有这广泛的应用，而美国东北大学最近提出了一种残差密集网络来从原图生成高分辨率图像。该网络结合残差网络与密集连接网络的特性充分利用原始 LR 图像的所有分层特征，因而能重构出高质量的图像。单幅图像超分辨率（SISR）旨在于低分辨率（LR）测量的基础上生成视觉良好的高分辨率（HR）图像。SISR 用于各种计算机视觉任务，如安全和监视成像 [38]、医学成像 [22] 和图像生成 [9]。图像超分辨率是一个不适定（ill-posed）

一文带你了解深度神经网络架构发展史

作者 | Eugenio Culurciello 译者 |叶俊贤深度神经网络和深度学习算法因为在科研工作与工程任务中都取得了显著的效果从而大受欢迎。而其中取得显著成功的深度神经网络通常是由于它们成功的架构设计。因此，在这里我准备同大家分享并回顾一下最近几年神经网络架构的发展历史。请注意，本篇博客仅仅做了一个比较简单的介绍，如果看完博客之后还想更深入地了解博客中提到的每种神经网络之间的差异，请继续阅读论文《An Analysis of Deep Neural Network Models for

空洞卷积(dilated convolution)深入详解——优点与缺点

三、空洞卷积的拯救之路：Dilated Convolution to the Rescue

03

选中自然语言处理任务的连续表达 | 微软IJCAI2016演讲PPT

微软研究院在IJCAI2016的Tutorial上讲述了自己将深度学习、深度神经网络应用于不同场景的情况，之前第二部分提到了深度学习在统计机器翻译和会话中的应用，本文为第三部分—选中自然语言处理任务的

05

对深度可分离卷积、分组卷积、扩张卷积、转置卷积（反卷积）的理解

大家好，又见面了，我是你们的朋友全栈君。参考： https://zhuanlan.zhihu.com/p/28749411 https://zhuanlan.zhihu.com/p/2

02

ICCV19开源论文 DeepGCNs: Can GCNs Go as Deep as CNNs?

GCN与CNN有很多相似之处。GCN的卷积思想也是基于CNN卷积的优秀表现所提出的，。GCN由于其表达形式和卷积方法特殊性，在节点分类任务(引文网络)中，只有简单的3-4层可以把任务完成的很好。但是对于一些其他的的任务，可能浅层的网络模型没有办法很好的处理数据。但是当把GCN的层数增多之后，会出现梯度消失和over-smoothing的问题，与当时CNN的层数加深出现的问题相似，因此自然想到了应用在CNN上的方法迁移到GCN上。

02

如何理解扩张卷积（dilated convolution）

扩张卷积（Dilated Convolution）也被称为空洞卷积或者膨胀卷积，是在标准的卷积核中注入空洞，以此来增加模型的感受野（reception field）。相比原来的正常卷积操作，扩张卷积多了一个参数： dilation rate，指的是卷积核的点的间隔数量，比如常规的卷积操作dilatation rate为1。它的论文是：《MULTI-SCALE CONTEXT AGGREGATION BY DILATED CONVOLUTIONS》

03

TensorFlow系列专题(十三): CNN最全原理剖析（续）

如图1所示，假设输入到神经网络中的是一张大小为256*256的图像，第一层隐藏层的神经元个数为241*241。在只考虑单通道的情况下，全连接神经网络输入层到第一层隐藏层的连接数为，也就是说输入层到第一层隐藏层有个参数（1为偏置项参数个数）。而在卷积神经网络中，假设我们使用了一个大小为16*16的卷积核，则输入层到第一层隐藏层的连接数为，由于我们的卷积核是共享的，因此参数个数仅为个。有时候为了提取图像中不同的特征，我们可能会使用多个卷积核，假设这里我们使用了100个大小为16*16的卷积核，则输入层到第一层隐藏层的参数个数也仅为，这依然远远少于全连接神经网络的参数个数。

02

简单易懂的讲解深度学习（入门系列之三）

在之前系列中已大致了解了机器学习的形式化定义和神经网络的概念，在本小节中，将相对深入地探讨一下神经网络中的神经元模型以及深度学习常常用到的激活函数及卷积函数。

02

ICML 2016 谷歌 DeepMind 论文上辑（大咖点评附下载）

【新智元导读】ICLR2016 最佳论文获奖团队、谷歌 DeepMind 有９篇论文被即将于19日召开的深度学习重要会议 ICML2016 接收。新智元系统整理，并邀百度硅谷深度学习实验室资深研究科学家王江对论文进行点评。其中，《像素神经网络》提出了一个二维循环神经网络，增强了深度RNN自然图像生成模型的能力；《卷积神经网络中循环对称性的利用》训练了旋转对称神经网络的框架；《深度强化学习的异步算法》提出了一种简单轻量的深度强化学习框架，使用异步梯度下降优化深度神经网络控制器；《基于模型加速的连续深度Q学习》

04

Transformer又一城 | Swin-Unet：首个纯Transformer的医学图像分割模型解读

在过去的几年中，卷积神经网络(CNN)在医学图像分析中取得了里程碑式的进展。尤其是，基于U形结构和skip-connections的深度神经网络已广泛应用于各种医学图像任务中。但是，尽管CNN取得了出色的性能，但是由于卷积操作的局限性，它无法很好地学习全局和远程语义信息交互。

03

CVPR2021 GAN详细解读 | AdaConv自适应卷积让你的GAN比AdaIN更看重细节（附论文下载）

图像的风格迁移是CNN在艺术领域的一种应用，这里的风格迁移是指将其中一幅图像的“风格”迁移到另一幅图像上，同时保留后者的内容。

01

CVPR2021 GAN详细解读 | AdaConv自适应卷积让你的GAN比AdaIN更看重细节（附论文下载）

图像的风格迁移是CNN在艺术领域的一种应用，这里的风格迁移是指将其中一幅图像的“风格”迁移到另一幅图像上，同时保留后者的内容。

03

卷积神经网络是如何实现不变性特征提取的

传统的图像特征提取（特征工程）主要是基于各种先验模型，通过提取图像关键点、生成描述子特征数据、进行数据匹配或者机器学习方法对特征数据二分类/多分类实现图像的对象检测与识别。卷积神经网络通过计算机自动提取特征（表示工程）实现图像特征的提取与抽象，通过MLP实现数据的回归与分类。二者提取的特征数据都具不变性特征。

02

PVT重磅升级：三点改进，性能大幅提升

Transformer在CV领域取得了喜人的进展。在本文工作中，我们在PVT(后称PVTv1)的基础上引入了如下三个改进得到了PVTv2:

01

YOLObile:面向移动设备的「实时目标检测」算法

分享一篇AAAI 2021录用论文：YOLObile: Real-Time Object Detection on Mobile Devices via Compression-Compilation Co-Design作者来自于美国东北大学、匹兹堡大学和William & Mary。

03

Deep learning with Python 学习笔记（11）

机器学习（machine learning）是人工智能的一个特殊子领域，其目标是仅靠观察训练数据来自动开发程序［即模型（model）］。将数据转换为程序的这个过程叫作学习（learning）

02

详述Deep Learning中的各种卷积（二）

对于很多生成模型（如GAN中的生成器、自动编码器（Autoencoder）、语义分割等模型）。我们通常希望进行与正常卷积相反的装换，即我们希望执行上采样，比如自动编码器或者语义分割。（对于语义分割，首先用编码器提取特征图，然后用解码器回复原始图像大小，这样来分类原始图像的每个像素。）

02

解决CNN固有缺陷， CCNN凭借单一架构，实现多项SOTA

点击上方↑↑↑“OpenCV学堂”关注我来源：公众号机器之心授权本文提出了迈向通用 CNN 架构：CCNN，可以用于任意分辨率、长度和维度的数据。在 VGG、U-Net、TCN 网络中... CNN 虽然功能强大，但必须针对特定问题、数据类型、长度和分辨率进行定制，才能发挥其作用。我们不禁会问，可以设计出一个在所有这些网络中都运行良好的单一 CNN 吗？本文中，来自阿姆斯特丹自由大学、阿姆斯特丹大学、斯坦福大学的研究者提出了 CCNN，单个 CNN 就能够在多个数据集（例如 LRA）上实现 SOT

02

重磅！卷积神经网络为什么能称霸计算机视觉领域？

来源: SigAI 作者: AI学习与实践平台导言在机器视觉和其他很多问题上，卷积神经网络取得了当前最好的效果，它的成功促使我们思考一个问题，卷积神经网络为什么会这么有效？在本文中，SIGAI将为大家分析卷积神经网络背后的奥秘。思想起源在各种深度神经网络结构中，卷积神经网络是应用最广泛的一种，它由LeCun在1989年提出[1]。卷积神经网络在早期被成功应用于手写字符图像识别[1][2][3]。2012年更深层次的AlexNet网络[4]取得成功，此后卷积神经网络蓬勃发展，被广泛用于各个领域，在很多

02

卷积神经网络数学原理解析

原标题 | Gentle Dive into Math Behind Convolutional Neural Networks

01

开发 | CNN 那么多网络有何区别？看这里了解 CNN 发展历程

AI科技评论按：本文原载于知乎， AI科技评论获作者授权转载。深度学习算法最近变得越来越流行和越来越有用的算法，然而深度学习或者深度神经网络的成功得益于层出不穷的神经网络模型架构。这篇文章当中作者回

05

解决CNN固有缺陷， CCNN凭借单一架构，实现多项SOTA

选自arXiv 作者：David W. Romero等机器之心编译编辑：陈萍本文提出了迈向通用 CNN 架构：CCNN，可以用于任意分辨率、长度和维度的数据。在 VGG、U-Net、TCN 网络中... CNN 虽然功能强大，但必须针对特定问题、数据类型、长度和分辨率进行定制，才能发挥其作用。我们不禁会问，可以设计出一个在所有这些网络中都运行良好的单一 CNN 吗？本文中，来自阿姆斯特丹自由大学、阿姆斯特丹大学、斯坦福大学的研究者提出了 CCNN，单个 CNN 就能够在多个数据集（例如 LRA）上

01

通用卷积神经网络CCNN

来源：机器之心本文约2400字，建议阅读5分钟来自阿姆斯特丹自由大学、阿姆斯特丹大学、斯坦福大学的研究者提出了 CCNN。在 VGG、U-Net、TCN 网络中... CNN 虽然功能强大，但必须针对特定问题、数据类型、长度和分辨率进行定制，才能发挥其作用。我们不禁会问，可以设计出一个在所有这些网络中都运行良好的单一 CNN 吗？本文中，来自阿姆斯特丹自由大学、阿姆斯特丹大学、斯坦福大学的研究者提出了 CCNN，单个 CNN 就能够在多个数据集（例如 LRA）上实现 SOTA ！ 1998 年 L

01

非科班出身，我是如何自己摸索研究卷积神经网络体系结构的

大家好，我是禅师的助理兼人工智能排版住手助手条子。虽然很不愿意提起这件伤心事，但国庆假期确实结束了?。在这说长不长说短也不算短的7天里，不知道大家有没有吃好喝好玩好pia学好呢？假期结束的头一天，

03

深度可分离ViT | SepViT | 深度可分离卷积造就深度可分离Transformer

近年来，许多计算机视觉(CV)研究人员致力于设计面向CV的Vision Transformers，以超过卷积神经网络(CNNs)的性能。Vision Transformers具有较高的远距离依赖建模能力，在图像分类、语义分割、目标检测等多种视觉任务中取得了显著的效果。然而，强大的性能通常是以计算复杂度为代价的。

04

神经架构优化(NAO)：新的神经架构搜索(NAS)算法

本文为 AI 研习社编译的技术博客，原标题： Discovering the best neural architectures in the continuous space | Microsoft Research 作者 | Fei Tian 翻译 | 孙稚昊2 校对 | 酱番梨整理 | 菠萝妹原文链接： https://www.microsoft.com/en-us/research/blog/discovering-the-best-neural-architectures-i

03

时间序列的建模新思路：清华、李飞飞团队等提出强记忆力E3D-LSTM网络

【导读】如何对时间序列进行时空建模及特征抽取，是RGB视频预测分类，动作识别，姿态估计等相关领域的研究热点。清华大学、Google AI 和斯坦福大学李飞飞团队提出了一种具有强记忆力的E3D-LSTM网络，用3D卷积代替2D卷积作为LSTM网络的基础计算操作，并加入自注意力机制，使网络能同时兼顾长时和短时信息依赖以及局部时空特征抽取。这为视频预测、动作分类等相关问题提供了新思路，是一项非常具有启发性的工作。

07

CVPR 2019 | PointConv：在点云上高效实现卷积操作

在机器人、自动驾驶和虚拟/增强现实应用中，直接获取 3D 数据的传感器日趋普遍。由于深度信息可以消除 2D 图像中的大量分割不确定性（segmentation ambiguity），并提供重要的几何信息，因此具备直接处理 3D 数据的能力在这些应用中非常宝贵。但 3D 数据通常以点云的形式出现。点云通常由一组无排列顺序的 3D 点表示，每个点上具有或不具有附加特征（例如 RGB 信息）。由于点云的无序特性，并且其排列方式不同于 2D 图像中的常规网格状像素点，传统的 CNN 很难处理这种无序输入。

01

奇思妙想 | 重参数化，解耦网络结构的训练和推理

来源丨https://zhuanlan.zhihu.com/p/361090497

03

Resnet

Resnet提出之前，深层网络的表现往往不如浅层网络——当网络深度达到一定程度后，梯度消失、爆炸等问题会使深度网络更加难以训练、更难找到一个flat minima。

01

卷积神经网络工作原理直观的解释？

CNN（卷积神经网络）形象地来说像一个黑匣子，只能看到输入和输出的数据，不太清楚其匣子内部到底怎么运转的：如何从初始状态一步步走向结果。不同层数的卷积处理出来的结果，它们形成的特征有什么不同呢？每一层卷积后形成的侦查特征，又和后面的侦查特征有什么关系呢？到底选择几个卷积核来完成我的意图？各层卷积处理结果组合而成会达到什么效果呢？这个过程到底“看起来”什么样的呢？今天从直观的角度来把这个黑匣子剖开，加深我们对CNN工作的直观印象。其实我们在做线性回归也好，分类（逻辑斯蒂回归）也好，本质上来讲，就

05

神经网络与傅立叶变换有关系吗？

机器学习和深度学习中的模型都是遵循数学函数的方式创建的。从数据分析到预测建模，一般情况下都会有数学原理的支撑，比如：欧几里得距离用于检测聚类中的聚类。

03

Resnet

Resnet提出之前，深层网络的表现往往不如浅层网络——当网络深度达到一定程度后，梯度消失、爆炸等问题会使深度网络更加难以训练、更难找到一个flat minima。

02

神经网络与傅立叶变换有何关系？

机器学习和深度学习中的模型都是遵循数学函数的方式创建的。从数据分析到预测建模，一般情况下都会有数学原理的支撑，比如：欧几里得距离用于检测聚类中的聚类。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭