介绍 控制反转（IOC）和依赖注入（DI）协同工作，使我们的应用程序更松散地耦合并且易于扩展。 本文是为了展示紧密耦合的应用程序存在的问题，以及如何使应用程序松散耦合并通过依赖注入实现控制反转，依赖关系问题的解决方法是可以在项目架构中使用三层架构或者n层架构来解决。 问题 在三层架构上开发时，可能会出现应用程序较高级别的模块/层/类依赖于较低级别的模块的情况。 这是一个简单的基本示例，应用程序在三

在这篇文章中，我们将在Unity中集成一个可以离线工作的聊天机器人开发框架。 我们将首先创建聊天界面，然后将其绑定到Oscova来实现机器人的智能对话。然后我们将在我们的机器人上创建一个简单的“Hello Bot”对话框，看看如何在Unity中生成和显示我们的响应。 导言 我们将直接集成聊天机器人到Unity中方式，这意味着我们可以离线运行聊天程序，而不是调用一些在线API来为用户生成响应消息，不

导言 使用Oscova(一个bot开发框架)创建一个SQL数据库的自然语言界面。 Oscova和Siml的区别在于，与Siml不同的是，Oscova不依赖于严格的模式。相反，它依赖于用户输入和保存的表达式之间的语义和语法。Oscova使开发人员能够创建利用对话、指令、文本和名词识别等概念和功能的机器人，以及不需要连接到任何在线API的额外优势。 话虽如此，如果您仍然倾向于编写严格的用户输入模式，那

导言 接下来我们将使用Oscova和Oryzer FBP平台构建一个设备上的离线聊天机器人，以了解离线聊天机器人开发标准背后的概念。 在这篇文章中，我们将创建一个带有数据表的聊天机器人，为此，我将使用免费可用的工具，特别是一个基于流的免费编程平台Oryzer Studio，并将尝试一步一步地让大家了解这些概念。在文章的末尾，我们可以成功地创建一个带有数据表的聊天机器人，并且在Oryzer中测试它，

导言 一篇关于使用SIML实现数据库的简单自然语言接口的介绍性文章，SIML是一种为数据库、游戏和网站设计的标记语言，用于数字助手、聊天机器人和NLI。 前提条件 熟悉C#，SQL 设置 实现的思路： 使用VisualStudio，我们将创建一个简单的WPF应用程序(带有文本框、求值按钮和DataGrid) 启动时，应用程序将使用在Employees表格中填写10名员工以及他们的详细资料如下：I

导言 在本系列文章中，我们将探讨如何在视频帧上使用人工智能和深入学习，以确保人们在人群中保持足够的社交距离。 在这里，我们将学习如何使用OpenCV处理图像和视频序列。我们学习如何从摄像头和视频文件中读取、写入和显示图像和视频。 2020年，随着COVID-19 病毒危机席卷全球，社交距离突然变得非常重要。社交隔离措施对公共卫生至关重要，但也不可能同时在任何地方实施。 在本系列文章中，我们将探讨如

上一篇文章AI社交距离检测器：使用OpenCV中处理图像我们学习了如何从摄像头和视频文件中读取、写入和显示图像和视频，以及使用OpenCV对图像进行加载、写入和显示，以及视频流读写的基本操作。 在本文中，将学习如何使用OpenCV标注检测到的对象。如下所示。在对象检测器训练期间，通常需要这样做来指示训练和测试数据集中的图像中的对象。 OpenCV提供了一种方法，使可以在图像中选择形状。也就是说，

上一篇文章AI社交距离检测器：使用OpenCV标记检测到的对象我们学习了如何使用鼠标回调来选择图像中的各种对象，这个功能通常是用来训练对象检测器，让对象检测器可以更准确的获取对象，然后标记对象。 在本文中，我们将使用绘图函数来标记检测到的对象。 在这里，我们将学习如何在Python中使用预先训练好的MobileNet模型来执行对象检测。我们将实现从加载模型到解释和显示结果的完整过程。 在本文中，我

上一篇文章AI社交距离检测器：基于TensorFlow和MobileNet的对象检测我们学习了如何使用绘图函数来标记检测到的对象。 在本文中，我们将继续学习如何使用AI人工智能来构建一个社交距离检测器。 在学习了如何使用TensorFlow和预先训练好的MobileNet模型之后，我们继续将我们的检测器与网络摄像机结合起来。学习完本文，您将了解如何在视频序列上运行对象检测，如下所示。 相机捕捉

上一篇文章AI社交距离检测器：在视频帧中进行目标检测我们学习了如何在视频帧中检测目标对象。 在本文中，我们将从测试数据集(包括存储在视频文件中的视频序列)对帧执行对象检测。 在这里，我们将使用MobileNet对象检测器来查找视频序列中的人。运行代码后，我们注意到检测并不完美。 对象检测器通常应用于来自各种摄像机的视频流。有时，在视频帧执行对象检测中会检测到并不是人的对象，在对象，并且必须查找特定

上一篇文章AI社交距离检测器：在视频帧中检测人我们学习了如何在视频帧中去除并不是人的对象，检测特定目标对象，以便只检测人这个对象。 在本文中，将计算每个对象边界框中心点的位置，这将作为计算距离的基础。 到目前为止，我们学习了如何检测人和找到包围框来指示人们的位置。通常，可以使用边界框的最近顶点来估计距离，但是为了保持准确性，我使用边界框的中心，如下图所示。然后，我用Euclidean（欧几里德公式

上一篇文章AI社交距离检测器：计算被检测人的中心点我们学习了如何计算在视频序列中检测到的人的中心位置。 在本文中，将计算每个对象边界框中心点的位置，并且使用这些中心来估计人与人之间的距离，并指出那些距离太近的人。 接下来，就要将AI模型与计算人们违反社交距离的规则联系起来。 在本文中，我们继续为AI社交距离检测器开发Python控制台应用程序。在学习了如何在图像中检测人的位置后，我们就可以计算出它

在上一篇文章中，我们改进了我们的Python控制台应用程序，用于AI的社会距离检测。 在这篇文章中，我们将实现我们的应用程序的最终版本，也就是标记违反社交距离规则的人，给出来摄像机或视频文件的图像。 我们已经知道如何从摄像头或视频文件中检测人，并计算出他们之间的距离。然而，我们发现底层的AI模型(MobileNet)并不总是表现良好。也就是说，它不能检测到图像中的所有人。 我们将通过采用最先进的技

导言 在本文中，我们将讲解一种基于Raspberry PI（树莓派，一种微计算机系统）的Tesseract和ARM NN文本转语音解决方案。 我们将主要使用现成的组件和模型，但将侧重于理解将模型从TensorFlow转换为ARM NN的过程，例如选择一个与ARM NN工作良好的模型。 我们还将介绍一些创建ARM NN驱动的方案。 文本转语音(TTS)工具，旨在创建基于嵌入式设备的人与机器之间的自然

在本文中，我们将介绍如何为本地C++开发设置AndroidStudio，以及如何在ARM驱动的移动设备上使用Neon Intrinsics。 我将展示如何设置Android开发环境来使用Neon Intrinsics。然后，我们将实现一个Android应用程序，它使用Android Native DevelopmentKit(NDK)计算两个向量的点积。最后，我们将看到如何提高这样一个功能的性能。

本文是使用Python和开源自然语言工具包NLTK进行情感分析系列的第一篇。本文介绍了一些关键的NLP概念，并开始使用自然语言工具包(NLTK)Python库。 我们将简要概述自然语言处理(NLP)，介绍用于Python的NLTK，并解释如何使用它解决复杂的NLP问题。 随着社区的发展，会有大量的对话，理解该群体的整体情绪是很难的，但也许更重要的是要理解和识别有用的客户反馈。 我将演示如何开始使用

本文是使用Python和NLTK（开源自然语言工具包）的情感分析系列的第二篇。在本文中，我们将查看NLTK提供的数据集，以及将文本语料库以进行分析的示例。 情绪分析系列的目标是使用Python和开源自然语言工具包(NLTK)构建一个库，该库扫描社区帖子的回复，并检测回复是否使用负面、敌对或其他不友好的语言。 要开始使用自然语言工具包(NLTK)这样的库，进行自然语言处理(NLP)，我们需要一些文本

本文是使用Python和开源自然语言工具包（NLTK）的情感分析系列的第三篇。在本文中，我们将研究NLP分析情感的技术。 除了文本语料库外，NLTK还包括预先训练过的模型Vader。Vader情感词汇模型，主要针对社交媒体上的情感分析。让我们看看它是如何工作的。 如果你曾经有给别人1-10分范围进行打分的经历，那么你很可能已经对NPS（评分）系统做出了贡献，通过这种评分系统，可以找到适合的客户，因