alexnet论文 alexnet网络

软件开发难一点还是人工智能难一点？

做开发不如做算法？人工智能高端吗？

一，这个问题从两个方面分别讨论吧，我给你分解开来更合理的解释一下。做开发不如做算法？

alexnet论文 alexnet网络

我并不这么认为，本人一直都从事算法工程师岗位，同项目组算法工程师也有不少，其实我觉得现在算法和开发的界限越来越模糊了，做开发不可能一味的不做任何思考的写代码，做算法的也不是整天琢磨和研究算法，我谈一下我对算法的感受，就拿计算机视觉算法岗位来说，目前成熟的算法已经很多，能够真正从底层、从网络架构和模式上做出有意义改变的屈指可数，从2012年Alexnet出现到现在，日常用的比较频繁的也就ResNet、mask rcnn、faster rcnn、ssd、yolo系列等每年顶会和期刊论文不少，但是真正可用的、可复现的太少太少，尤其在公司里，是没有那么多功夫和财力养着一大批算法工程师正在琢磨怎么改进，大多数或者是。绝大多数都是用上述提到的成熟狂进去，然后根据具体的场结合一些其他算法比如机器学习、优化算法、场景知识提出一种解决方案，然后编程实现并验证，就比如计算机视觉，主要就是拿着成熟的框架结合tensorflow或pytorch之类的框架搭建出来平台，跑出结果，看看有没有过拟合？精度怎么样？召回率查准率如何？然后通过一些方法去解决，当然这些方法里几乎也都是现成的，所以我个人认为开发和算法并没有明显的界限，我觉得题主所说的开发可以视为开发中的前段，算法可以视为后端，从事算法日常大部分工作时间也在和代码打交道，所以我觉得没有谁不如谁，做开发把实力打牢固，肯定也会很受欢迎。

二，人这个问题从两个方面分别讨论吧，我给你分解开来更合理的解释一下。工智能高端吗？

人工智能要比软件开发要求高很多。人工智能中的软件编程只是基本要求。还需要有一定的概率学数学相关专业比较深的知识。所以说目前能真正做好人工智能的人才薪资都比较高。

软件开发难一点还是人工智能难一点？

分割吧，分类就那样，没啥好做的。分割可以从两个方面入手，比如你有一个好的项目，拿模型去解决这个项目的问题，得到一个好的结果。或者是是从算法层面，做一些模型设计的改进，提升精度或者效率。

一，做开发不如做算法？

做开发不如做算法？人工智能高端吗？(3)、代码

我并不这么认为，本人一直都从事算法工程师岗位，同项目组算法工程师也有不少，其实我觉得现在算法和开发的界限越来越模糊了，做开发不可能一味的不做任何思考的写代码，做算法的也不是整天琢磨和研究算法，我谈一下我对算法的感受，就拿计算机视觉算法岗位来说，目前成熟的算法已经很多，能够真正从底层、从网络架构和模式上做出有意义改变的屈指可数，从2012年Alexnet出现到现在，日常用的比较频繁的也就ResNet、mask rcnn、faster rcnn、ssd、yolo系列等每年顶会和期刊论文不少，但是真正可用的、可复现的太少太少，尤其在公司里，是没有那么多功夫和财力养着一大批算法工程师正在琢磨怎么改进，大多数或者是。绝大多数都是用上述提到的成熟狂进去，然后根据具体的场结合一些其他算法比如机器学习、优化算法、场景知识提出一种解决方案，然后编程实现并验证，就比如计算机视觉，主要就是拿着成熟的框架结合tensorflow或pytorch之类的框架搭建出来平台，跑出结果，看看有没有过拟合？精度怎么样？召回率查准率如何？然后通过一些方法去解决，当然这些方法里几乎也都是现成的，所以我个人认为开发和算法并没有明显的界限，我觉得题主所说的开发可以视为开发中的前段，算法可以视为后端，从事算法日常大部分工作时间也在和代码打交道，所以我觉得没有谁不如谁，做开发把实力打牢固，肯定也会很受欢迎。

二，人工智能高端吗？

人工智能要比软件开发要求高很多。人工智能中的软件编程只是基本要求。还需要有一定的概率学数学相关专业比较深的知识。所以说目前能真正做好人工智能的人才薪资都比较高。

计算机视觉需要学什么

(1)、用于计算机视觉的深度学习模型

因为计算机视觉，我们处理的数据都是，所以我们的深度学习模型主要有两种，一种是卷积神经网络，另一种是Transformer如swin transformer。学习的模型有以下几个:Alexnet(开山)、Googlenet、Resnet(残网络)、

场景理解与分析、模式识别、图像搜索、数据挖掘、深度学习等。

对于计算机视觉而言，是一人工智能要难一些，人工智能包含了软件开发，人工智能就是编程而来的门理论与实践两手抓的学科。我们只有在自己编写代码实践的过程中，才能更好的理解模型的训练过程。

（5）、相关学科

与计算机视觉相关的学科还有：机器视分割吧，分类就那样，没啥好做的。分割可以从两个方面入手，比如你有一个好的项目，拿模型去解决这个项目的问题，得到一个好的结果。或者是是从算法层面，做一些模型设计的改进，提升精度或者效率。觉、数字图像处理、医学成像、摄影测量、传感器等。

计算机视觉需要学什么

因为计算机视觉，我们处理的数据都是，所以我们的深度学习模型主要有两种，一种是卷积神经网络，另一种是Transformer如swin transformer。学习的模型有以下几个:Alexnet(开山)、Googlenet、Resnet(计算机视觉要学以下五个方面内容：残网络)、

场景理解与分析、模式识别、图像搜索、数据挖掘、深度学习等。

对于计算机视觉图像分割和分类哪个吃资源？图像分类吃资源。图像分割:应用于像素级分类,softmax应用于特征通道方向,上采样后对每个像素进行像素级的分类,常用FCN等 zhege_Deep Learning...而言，是一门理论与实践两手抓的学科。我们只有在自己编写代码实践的过程中，才能更好的理解模型的训练过程。

（5）、相关学科

与计算机视觉相关的学科还有：机器视觉、数字图像处理、医学成像、摄影测量、传感器等这个问题其实需要从多个角度展开来回答。如果想成为高手都不容易，但如果说仅仅是想入个门自己玩一下，人工智能会简单一些，为什么这么说呢？从语言的角度来说Python提供了大量的人工智能方面的库供我们免费试用，我们不需要知道任何算法的原理，只需要调用一下接口就可以达到我们想要的目的，如果练习的项目再选择视觉方面的，比如机器学习入门练习的项目鸢尾花分类，我们还可以看到中间的结果输出，很容易获得成就感，而软件开发短时间内，如果靠自己比较难获得明显的一个开发成果，从成就感的培养上来说就一些。再换一个角度，如果是想从事这两个方向上的工作，那还是软件开发会容易一些，从事软件开发所需要的基本条件就是毅力，坚持下去基本都能学会，过程可能会枯燥一些。如果要从事人工智能，基本条件要求的就多一些，比如高等数学，统计，线性代数方面都需要，如果不懂这些，就像上面说的，我们也仅仅是能够写出来一些人工智能的程序，而不懂其原理，而这些原理恰恰是面试的时候必考的，哪些算法适合什么场景，哪些参数该如何调优。所以，简单还是难，还是看你的目的是什么。希望解决了你的疑问。。

图像分割和分类哪个吃资源

(4)、图像处理的知识

图像分割和分类哪个吃资源如果输入图像中有两个相同类别的对象,则分割图本身并不一定将它们区分为单独的对象.存在另外一类不同的模型(2)、人工智能基础,称为实例，总而言之当然是分类吃资源。

0点赞·1095人我的回答是肯定的，如果不高端也不会那么重视，也不会那么多大企业都趋之若鹜的布局AI，计算机视觉、自然语言、、强化学习这些有太多的应用场景，如果一旦精度、速度等方面达到要求的确可以做出很很高端的东西，比如之前看了一个说现在计算机视觉在医学方面看x光已经达到了专家级别，另外在医学方面糖尿病视网膜疾病、青光眼、癌细胞识别也都有很多突破，但是，我觉得目前的人工智能还有很多问题存在，比如训练速度缓慢、受限于数据量、在时序方面还有很多问题，比如计算机视觉在语义方面还有很大障碍，深度学习的可解释性，但是不可否认，人工智能这么广义的一个方向前景是很美好的，这期间有很多问题需要攻克。阅读

图像分割和分类哪个吃资源

图像处理大致包括的内容:光(2)、人工智能基础学成像基础、颜色、滤波器、局部图像特征、图像纹理、图像配等。

图像分割和分类哪个吃资源如果输入图像中有两个相同类别的对象,则分割图本身并不一定将它们区分为单独的对象.存在另外一类不同的模型,称为实例Unet(图像分割)、Cycle(图像风格迁移)、Vit(视觉的transformer模型)、swin transformer(马尔奖论文)。，总而言之当然是分类吃资源。

0点赞·1095人阅读