前言 本文將教您如何更改 APP 狀態欄顏色。
前言 最近在實作 YOLOv4 專案，礙於硬體限制我們只能依靠雲端 GPU 來進行運算。因此要進行 Realtime Demo 會受到一些限制。例如要如何將本機的網路攝影機影像傳送到雲端伺服器上面進行辨識呢？本篇文章就透過 TCP Socket 建立一個連線機制，在本機設定一個 Client(客服端) 連線到伺服端(Server)，並同時將每個 Frame 傳送出去。最終伺服端接收到本機的影像並進行辨識，並將結果直接呈現在伺服器上面的 Jupyter Notebook 上。
前言 Data Preprocessing(資料前處理)，是機器學習中最重要的一部分。本篇文章中可分為兩部份，前半部份算是一些對資料的觀察、分析(EDA)，後半部主要是針對特徵x進行離群值處理。
前言 Tensorflow 有三種模型儲存方式。第一種是存成 checkpoint 檔(.ckpt)，使用時機是訓練過程中欲保存目前 session 狀態。第二種是存成 pb 檔(.pb)，如果模型架構已確定或是訓練已結束，準備匯出應用時，可以直接存成 pb 檔。第三種是 Keras (目前已合併到 TF2.0) 的 save() 直接存成 HDF5 檔(.h5)，HDF 是設計用來儲存和組織大量資料的一組檔案格式，其內容包含了模型架構與權重。本篇文章透過波士頓房價預測資料集，訓練一個 DNN 模型並示範如何匯出與載入 .pb 和 .h5 模型檔。
前言 此範例透過 Android Native C++ 與 OpenCV 4.5.1 來執行電腦視覺專案。將會以 2020 年開源的 SIFT 演算法來計算圖片的特徵點。
前言 在機器學習模型訓練之前往往會先進行資料處理。常見的處理方式是採用 sklearn.preprocessing 的 API，裡面提供許多種資料前處理技巧。例如 StandardScaler、MinMaxScaler…等，更多詳細內容可以參考這篇。然而在模型上線時，實際現場取得的資料要如何處理呢？想想看，我們為了讓模型有更好泛化能力，必須採用訓練集的資料的基準為新的一筆資料進行縮放前處理。因此我們可以先將 fit 好的 Scaler 模型儲存起來，如果每一筆新資料進來時就不用重新載入訓練集 fit() 一次 Scaler，而是直接載入 Scaler 後直接 transform()。
前言 當 APP 有多個頁面就必需採用 Intent 來實現多個 activity 之間的跳換。當然除了頁面跳換，也能同時將值傳遞過去到新的 activity。本文章就來教各位如何實作兩個 activity 頁面的跳轉，以及傳遞數值。
前言 當圖片畫素較高時，網頁就必須要花時間從伺服端下載。因此在網頁第一次載入時會等待圖片下載的時間，所導致空窗期等待。常見的解決方式就是加入 Loading 畫面，但是要如何透過 JavaScript 來監聽並接收圖片以載入完成的事件呢？下圖就是今天要簡單實作的範例。