神經網路演算法java

Ⅰ 機器視覺學什麼語言

機器視覺用什麼語言開發

目前可以開發機器視覺的相關計算機語言有C++，C#，java，python等，甚至簡單的PHP和JAVASCRIPT也可以開發相關的功能。

機器視覺需要用到圖像處理庫，有很多免費且開源的第三方圖像庫可以用，如十分著名的OpenCV，有C++，JAVA，PYTHON的版本，它包含了很多現成的函數，可以處理圖像的形狀，顏色，大小，圖像文件保存，找相似圖像，物體邊緣（Cannyedge）演算法。

機器視覺的另一個方向是神經網路深度學習演算法。這裡面有代表性的是谷歌的TensorFlow，具有很強大的機器視覺能力。

文字識別方面的代表有谷歌的Tesseract，這也是開源項目。

機器視覺用什麼硬體

一個典型的機器視覺系統包括以下五大塊：

1.照明

照明是影響機器視覺系統輸入的重要因素，它直接影響輸入數據的質量和應用效果。由於沒有通用的機器視覺光源照明設備，所以針對每個特定的應用實例，要選擇相應的照明裝置，以達到最佳效果。光源可分為可見光和不可見光。常用的幾種可見光源是白幟燈、日光燈、水銀燈和鈉光燈。可見光的缺點是光能不能保持穩定。如何使光能在一定的程度上保持穩定，是實用化過程中急需要解決的問題。另一方面，環境光有可能影響圖像的質量，所以可採用加防護屏的方法來減少環境光的影響。照明系統按其照射方法可分為：背向照明、前向照明、結構光和頻閃光照明等。其中，背向照明是被測物放在光源和攝像機之間，它的優點是能獲得高對比度的圖像。前向照明是光源和攝像機位於被測物的同側，這種方式便於安裝。結構光照明是將光柵或線光源等投射到被測物上，根據它們產生的畸變，解調出被測物的三維信息。頻閃光照明是將高頻率的光脈沖照射到物體上，攝像機拍攝要求與光源同步。

2.工業鏡頭

FOV（FieldOfVision）=所需解析度*亞象素*相機尺寸/PRTM（零件測量公差比）鏡頭選擇應注意：①焦距②目標高度③影像高度④放大倍數⑤影像至目標的距離⑥中心點/節點⑦畸變

3.相機

按照不同標准可分為：標准解析度數字相機和模擬相機等。要根據不同的實際應用場合選不同的相機和高解析度相機：線掃描CCD和面陣CCD；單色相機和彩色相機。

4.圖像採集卡

圖像採集卡只是完整的機器視覺系統的一個部件，但是它扮演一個非常重要的角色。圖像採集卡直接決定了攝像頭的介面：黑白、彩色、模擬、數字等等。

比較典型的是PCI或AGP兼容的捕獲卡，可以將圖像迅速地傳送到計算機存儲器進行處理。有些採集卡有內置的多路開關。例如，可以連接8個不同的攝像機，然後告訴採集卡採用那一個相機抓拍到的信息。有些採集卡有內置的數字輸入以觸發採集卡進行捕捉，當採集卡抓拍圖像時數字輸出口就觸發閘門。

目前，千兆網口工業相機逐步成為主流，圖像採集卡一般採用視覺專用的千兆網卡。

5.視覺處理器

視覺處理器集採集卡與處理器於一體。以往計算機速度較慢時，採用視覺處理器加快視覺處理任務。現在由於採集卡可以快速傳輸圖像到存儲器，而且計算機也快多了，所以現在視覺處理器用的較少了。

更多精彩閱讀：

機器視覺是什麼意思_機器視覺應用案例

機器視覺的任務_機器視覺的基本工作過程是怎樣的

機器視覺自學需要學什麼_學機器視覺好找工作嗎

Ⅱ 請問高手，神經網路模型與學習演算法用什麼語言編程比較好JAVA 、c語言還是C++等。謝謝！

神經網路模型？不會是你的課題吧，大型演算法應用（有界面），當然用C++（效率高）來寫，JAVA次之（略簡單）。
學習演算法的精髓就用C，C++和JAVA作為高級語言打包了很多基礎型的演算法。

Ⅲ python和Java有什麼區別嗎

主要有以下四點區別:

1.python虛擬機沒有java強，java虛擬機是java的核心，python的核心是可以很方便地使用c語言函數或c++庫。

2.python是全動態性的，可以在運行時自己修改自己的代碼，java只能通過變通方法實現。python的變數是動態的，而java的變數是靜態的，需要事先聲明，所以java ide的代碼提示功能優於python ide。

3.python的產生幾十年了，幾十年前面向過程是主流，所以用python有好多程序用的是面向過程設計方法，很多概念從c語言過來的，class在python中是後加入的，而java是為了實現沒有指針的c++（當年com組件用的引用記數，java用的虛擬機），主要採用面向對象的設計方法，很多概念是oop的概念。面向過程，相對簡潔直觀，但容易設計出面條程序，面向對象，相對抽象優雅，但容易過度抽象。

4.在實際使用的python入門簡單，pyhton的強大在於庫，為什麼python的庫強大，原因是python的庫可以用python，c語言,c++等設計，再提供給python使用，所以無論gpu運行，神經網路，智能演算法，數據分析，圖像處理，科學計算，各式各樣的庫在等著你用。 而java沒有python那麼多的開源庫，很多庫是商業公司內部使用，或發布出來只是一個jar包，看不到原始代碼。python虛擬機因為編譯性沒有java的支持的好（或者說故意這么設計的），一般直接使用源碼（linux），或源碼簡單打個包（如pyexe）。

Ⅳ 人工智慧用的編程語言是哪些

在推動AI產業從興起進入快速發展的歷程中，AI頂級人才的領軍作用尤為重要。上至國家，下至科技巨頭，無不將AI視為提升自身的核心競爭力的根本性戰略。那麼你有沒有想過這么一個問題：人工智慧開發語言哪個更好？
其實，並不是每種編程語言，都能為開發人員節省時間及精力。在此整理了5種比較適用於人工智慧開發的編程語言：
Python
Python由於簡單易用，是人工智慧領域中使用較廣泛的編程語言之一，它可以無縫地與數據結構和其他常用的AI演算法一起使用。Python之所以時候AI項目，其實也是基於Python的很多有用的庫都可以在AI中使用，如Numpy提供科學的計算能力，Scypy的高級計算和Pybrain的機器學習。另外，Python有大量的在線資源，所以學習曲線也不會特別陡峭。
Java
對於AI項目來說，演算法幾乎是靈魂，無論是搜索演算法、自然語言處理演算法還是神經網路，Java都可以提供一種簡單的編碼演算法。另外，Java的擴展性也是AI項目必備的功能之一。
Lisp
Lisp因其出色的原型設計能力和對符號表達式的支持在AI領域嶄露頭角。LISP作為因應人工智慧而設計的語言，因其可用性和符號結構而主要用於機器學習/ ILP子領域。著名的AI專家彼得·諾維奇（Peter Norvig）在其《Artificial Intelligence: A modern approach》一書中，詳細解釋了為什麼Lisp是AI開發的頂級編程語言之一。
Prolog
Prolog一種邏輯編程語言，主要是對一些基本機制進行編程，對於AI編程十分有效，例如它提供模式匹配，自動回溯和基於樹的數據結構化機制。結合這些機制可以為AI項目提供一個靈活的框架。Prolog廣泛應用於AI的 expert系統，也可用於醫療項目的工作。
C ++
在AI項目中，C++可用於統計，如神經網路。另外演算法也可以在C ++被廣泛地快速執行，游戲中的AI主要用C ++編碼，以便更快地執行和響應時間。這也是一門非常不錯的語言。

Ⅳ 大數據學python還是java

今天給大家介紹一下關於如何選擇大數據的編程語言？

首先比如有一個大數據項目，你知道問題領域(problemdomain)，也知道使用什麼基礎設施，甚至可能已決定使用哪種框架來處理所有這些數據，但是有一個決定遲遲未能做出：

我該選擇哪種語言?(或者可能更有針對性的問題是，我該迫使我的所有開發人員和數據科學家非要用哪種語言?這個問題不會推遲太久，遲早要定奪。

如何選擇大數據的編程語言

當然，沒有什麼阻止得了你使用其他機制(比如XSLT轉換)來處理大數據工作。但通常來說，如今大數據方面有多種語言可以選擇，比如Java、Python、R和Scala。那麼，你該選擇哪種語言?為何要選擇它，或者說何時選擇它? 下面我們照著介紹Python和Java這兩種語言。

Python

如果你的數據科學家不使用R，他們可能就會徹底了解Python。十多年來，Python在學術界當中一直很流行，尤其是在自然語言處理(NLP)等領域。因而，如果你有一個需要NLP處理的項目，就會面臨數量多得讓人眼花繚亂的選擇，包括經典的NTLK、使用GenSim的主題建模，或者超快、准確的spaCy。同樣，說到神經網路，Python同樣游刃有餘，有Theano和Tensorflow;隨後還有面向機器學習的scikit-learn，以及面向數據分析的NumPy和Pandas。

還有Juypter/iPython――這種基於Web的筆記本伺服器框架讓你可以使用一種可共享的日誌格式，將代碼、圖形以及幾乎任何對象混合起來。這一直是Python的殺手級功能之一，不過這年頭，這個概念證明大有用途，以至於出現在了奉行讀取-讀取-輸出-循環(REPL)概念的幾乎所有語言上，包括Scala和R。

Python往往在大數據處理框架中得到支持，但與此同時，它往往又不是「一等公民」。比如說，Spark中的新功能幾乎總是出現在Scala/Java綁定的首位，可能需要用PySpark編寫面向那些更新版的幾個次要版本(對SparkStreaming/MLLib方面的開發工具而言尤為如此)。

Java

最終，總是少不了Java――這種語言沒人愛，被遺棄，歸一家只有通過起訴谷歌才有錢可賺時才似乎關心它的公司(註：Oracle)所有，完全不時髦。只有企業界的無人機才使用Java!不過，Java可能很適合你的大數據項目。想一想HadoopMapRece，它用Java編寫。HDFS呢?也用Java來編寫。連Storm、Kafka和Spark都可以在JVM上運行(使用Clojure和Scala)，這意味著Java是這些項目中的「一等公民」。另外還有像GoogleCloudDataflow(現在是ApacheBeam)這些新技術，直到最近它們還只支持Java。

Java也許不是搖滾明星般備受喜愛的首選語言。但是由於研發人員在竭力理清Node.js應用程序中的一套回調，使用Java讓你可以訪問一個龐大的生態系統(包括分析器、調試器、監控工具以及確保企業安全和互操作性的庫)，以及除此之外的更多內容，大多數內容在過去二十年已久經考驗(很遺憾，Java今年迎來21歲，我們都老矣)。

炮轟Java的一個主要理由是，非常繁瑣冗長，而且缺少互動式開發所需的REPL(R、Python和Scala都有)。我見過10行基於Scala的Spark代碼迅速變成用Java編寫的變態的200行代碼，還有龐大的類型語句，它們占據了屏幕的大部分空間。然而，Java8中新的Lambda支持功能對於改善這種情況大有幫助。Java從來不會像Scala那麼緊湊，但是Java8確確實實使得用Java進行開發不那麼痛苦。

你該使用哪種語言用於大數據項目?恐怕這還得「視情況而定」。如果跨GPU進行NLP或密集的神經網路處理，Python是很好的選擇。如果想要一種加固的、面向生產環境的數據流解決方案，又擁有所有重要的操作工具，Java絕對是出色的選擇。

推薦課程：python基礎語法全講解視頻（馬哥教育2014版）

Ⅵ 人工智慧是用什麼語言編寫的

人工智慧用的比較多的語言有：Python、JAVA 和相關語言、C/C++、JavaScript、R語言。
從事人工智慧，需要數學基礎：高等數學，線性代數，概率論數理統計和隨機過程，離散數學，數值分析。
需要演算法的積累：人工神經網路，支持向量機，遺傳演算法等等演算法;當然還有各個領域需要的演算法，比如要讓機器人自己在位置環境導航和建圖就需要研究SLAM;總之演算法很多需要時間的積累。
需要掌握至少一門編程語言：畢竟演算法的實現還是要編程的;如果深入到硬體的話，一些電類基礎課必不可少。有的還會需要了解域名比如com、top等等。

Ⅶ java和python有什麼關系

Java和Python同屬於編程語言，兩者都是各個領域的霸主，但它們之間並沒有什麼關系。
Java和Python的區別如下：
1.Python比Java簡單，學習成本低，開發效率高;
2.Java運行效率高於Python，尤其是純Python開發的程序，效率極低;
3.Java相關資料多，尤其是中文資料;
4.Java版本比較穩定，Python2和3不兼容導致大量類庫失效;
5.Java開發偏向於軟體工程，團隊協同，Python更適合小型開發;
6.Java偏向於商業開發，Python適合於數據分析;
7.Java是一種靜態類型語言，Python是一種動態類型語言;
8.Java語法定義較復雜，Python語法簡潔優美;
9.實現同一功能時，JAVA 要敲的鍵盤次數一般要比 Python 多。

Ⅷ 2019年十大最佳深度學習框架

作者 | Python語音識別

來源 | 濤哥聊Python

雖然我們大多數人都驚嘆為什麼DL這么好？在使用大量數據進行訓練時，它在准確性方面非常出色。近幾年隨著深度學習演算法的發展，出現了很多深度學習的框架，這些框架各有所長，各具特色。下面將為大家介紹2019年最受歡迎的十大深度學習框架。

TensorFlow

谷歌的Tensorflow可以說是當今最受歡迎的深度學習框架。Gmail，Uber，Airbnb，Nvidia以及其他許多知名品牌都在使用。TF是目前深度學習的主流框架，Tensorflow主要特性：

TensorFlow支持python、JavaScript、C ++、Java和Go，C＃和Julia等多種編程語言。 TF不僅擁有強大的計算集群，還可以在iOS和Android等移動平台上運行模型。 TF編程入門難度較大。初學者需要仔細考慮神經網路的架構，正確評估輸入和輸出數據的維度和數量。 TF使用靜態計算圖進行操作 。也就是說我們需要先定義圖形，然後運行計算，如果我們需要對架構進行更改，我們會重新訓練模型。選擇這樣的方法是為了提高效率，但是許多現代神經網路工具能夠在學習過程中考慮改進而不會顯著降低學習速度。在這方面，TensorFlow的主要競爭對手是PyTorch 。

TensorFlow優點：

它非常適合創建和試驗深度學習架構，便於數據集成，如輸入圖形，SQL表和圖像。 它得到谷歌的支持，這就說明該模型短期內不會被拋棄，因此值得投入時間來學習它。 PyTorch

Tensorflow之後用於深度學習的主要框架是PyTorch。PyTorch框架是Facebook開發的，已被Twitter和Salesforce等公司使用。

PyTorch基本特性：

與TensorFlow不同，PyTorch庫使用動態更新的圖形進行操作 。這意味著它可以在流程中更改體系結構。 在PyTorch中，您可以使用標准調試器 ，例如pdb或PyCharm。

PyTorch優點：

訓練神經網路的過程簡單明了。同時，PyTorch支持數據並行和分布式學習模型，並且還包含許多預先訓練的模型。 PyTorch更適合小型項目和原型設計。 Sonnet

Sonnet深度學習框架是建立在TensorFlow的基礎之上。它是DeepMind用於創建具有復雜架構的神經網路。

Sonnet基本特性：

面向對象的庫，在開發神經網路（NN）或其他機器學習（ML）演算法時更加抽象。 Sonnet的想法是構造對應於神經網路的特定部分的主要Python對象。此外，這些對象獨立地連接到計算TensorFlow圖。分離創建對象並將其與圖形相關聯的過程簡化了高級體系結構的設計。

Sonnet優點：

Sonnet的主要優點是可以使用它來重現DeepMind論文中展示的研究，比Keras更容易，因為DeepMind論文模型就是使用Sonnet搭建的。 Keras

Keras是一個機器學習框架，如果您擁有大量數據和/或你想快速入門深度學習，那麼Keras將非常適合學習。Keras是TensorFlow高級集成APi，可以非常方便的和TensorFlow進行融合。這是我強烈推薦學習的一個庫。

Keras基本特性：

除了Tensorflow之外，Keras還是其他流行的庫（如Theano和CNTK）的高級API。 在Keras中更容易創建大規模的深度學習模型，但Keras框架環境配置比其他底層框架要復雜一些。

Keras優點：

對於剛剛入門的人來說，Keras是最好的深度學習框架。它是學習和原型化簡單概念的理想選擇，可以理解各種模型和學習過程的本質。 Keras是一個簡潔的API。 可以快速幫助您創建應用程序。 Keras中代碼更加可讀和簡潔。 Keras模型序列化/反序列化API，回調和使用Python生成器的數據流非常成熟。

順便說一下TensorFlow和Keras的對比：

PS：Tensorflow處於底層框架：這和MXNet，Theano和PyTorch等框架一樣。包括實現諸如廣義矩陣 - 矩陣乘法和諸如卷積運算的神經網路原語之類的數學運算。

Keras處於高度集成框架。雖然更容易創建模型，但是面對復雜的網路結構時可能不如TensorFlow。

MXNet

MXNet是一種高度可擴展的深度學習工具，可用於各種設備。雖然與TensorFlow相比，它似乎沒有被廣泛使用，但MXNet的增長可能會因為成為一個Apache項目而得到提升。

MXNet基本特性：

該框架支持多種語言，如C ++，Python，R，Julia，JavaScript，Scala，Go，甚至Perl。 可以在多個GPU和許多機器上非常有效地並行計算。

MXNet優點：

支持多個GPU（具有優化的計算和快速上下文切換） 清晰且易於維護的代碼（Python，R，Scala和其他API） 快速解決問題的能力（對於像我這樣的深度學習新手至關重要）

雖然它不像TF那麼受歡迎，但MXNet具有詳細的文檔並且易於使用，能夠在命令式和符號式編程風格之間進行選擇，使其成為初學者和經驗豐富的工程師的理想選擇。

GLUON

Gluon是一個更好的深度學習框架，可以用來創建復雜的模型。GLUON基本特性：

Gluon的特殊性是具有一個靈活的界面，簡化了原型設計，構建和培訓深度學習模型，而不會犧牲學習速度。 Gluon基於MXNet，提供簡單的API，簡化深度學習模型的創建。 與PyTorch類似，Gluon框架支持使用動態圖表 ，將其與高性能MXNet相結合。從這個角度來看，Gluon看起來像是分布式計算的Keras非常有趣的替代品。

GLUON優點：

在Gluon中，您可以使用簡單，清晰和簡潔的代碼定義神經網路。 它將訓練演算法和神經網路模型結合在一起，從而在不犧牲性能的情況下提供開發過程的靈活性。 Gluon可以定義動態的神經網路模型，這意味著它們可以動態構建，使用任何結構，並使用Python的任何本機控制流。 SWIFT

當你聽到Swift時，您可能會考慮iOS或MacOS的應用程序開發。但是如果你正在學習深度學習，那麼你一定聽說過Swens for Tensorflow。通過直接與通用編程語言集成，Swift for TensorFlow可以以前所未有的方式表達更強大的演算法。SWIFT基本特性：

可以輕松獲得可微分的自定義數據結構。 下一代API 。通過實踐和研究獲得的新API更易於使用且更強大。 在TensorFlow的基礎上 ，Swift API為您提供對所有底層TensorFlow運算符的直接調用。 基於Jupyter、LLDB或者Swift in Colab的編程工具提高了您的工作效率。

SWIFT優點：

如果動態語言不適合您的任務，那麼這將是一個很好的選擇。當你訓練運行了幾個小時，然後你的程序遇到類型錯誤，那麼使用Swift，一種靜態類型語言。您將看到代碼錯誤的地方。 Chainer

直到CMU的DyNet和Facebook的PyTorch出現之前，Chainer是動態計算圖或網路的領先神經網路框架，它允許輸入數據長度不一致。chainer基本特性：

Chainer代碼是在Numpy和CuPy庫的基礎之上用純Python編寫的， Chainer是第一個使用動態架構模型的框架。

Chainer優點：

通過自己的基準測試，Chainer明顯比其他面向Python的框架更快，TensorFlow是包含MxNet和CNTK的測試組中最慢的。 比TensorFlow更好的GPU和GPU數據中心性能。最近Chainer成為GPU數據中心性能的全球冠軍。 DL4J

那些使用Java或Scala的人應該注意DL4J（Deep Learning for Java的簡稱）。DL4J的基本特性：

DL4J中的神經網路訓練通過簇的迭代並行計算。 該過程由Hadoop和Spark架構支持。 使用Java允許您在Android設備的程序開發周期中使用。

DL4J優點：

如果您正在尋找一個良好的Java深度學習框架，這會是一個非常好的平台。 ONNX

ONNX項目誕生於微軟和Facebook，旨在尋找深度學習模型呈現的開放格式。ONNX簡化了在人工智慧的不同工作方式之間傳遞模型的過程。因此ONNX具有各種深度學習框架的優點。

ONNX基本特性：

ONNX使模型能夠在一個框架中進行訓練並轉移到另一個框架中進行推理。ONNX模型目前在Caffe2，Microsoft Cognitive Toolkit，MXNet和PyTorch中得到支持，並且還有許多其他常見框架和庫的連接器。

ONNX優點：

對於PyTorch開發人員來說，ONNX是一個好的選擇。但是對於那些喜歡TensorFlow的人來說，Keras等可能好一點。 總結

那麼您應該使用哪種深度學習框架？下面是幾點建議：

如果你剛剛開始學習，那麼最好的選擇是Keras 。 出於研究目的，請選擇PyTorch 。 對於生產，您需要關注環境。因此對於Google Cloud，最好的選擇是TensorFlow ，適用於AWS - MXNet和Gluon 。 Android開發人員應該關注D4LJ ，對於iOS來說， Core ML會破壞類似的任務范圍。 最後， ONNX將幫助解決不同框架之間的交互問題。

Ⅸ 急求BP神經網路演算法，用java實現！！！

見附件，一個基本的用java編寫的BP網路代碼。

BP（Back Propagation）神經網路是86年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播演算法訓練的多層前饋網路，是目前應用最廣泛的神經網路模型之一。BP網路能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。BP神經網路模型拓撲結構包括輸入層（input）、隱層(hidden layer)和輸出層(output layer)。