今天一起體驗作業(yè)幫“拍照搜題”功能，從實際產(chǎn)品使用流程中切實感受AI技術(shù)如何為教育創(chuàng)造更多可能~

作者 | Luna

編輯 | Luna

前兩期對抖音和美圖的體驗，讓我們見證了計算機視覺技術(shù)帶給人類生活感官及娛樂的刺激，本期我們對作業(yè)幫進行體驗，感受AI對教育的助推。

作業(yè)幫是一款以“拍照搜題”為核心功能的在線教育產(chǎn)品，該功能的實現(xiàn)主要運用了OCR和深度學(xué)習技術(shù)，故本文圍繞該項功能的體驗，結(jié)合簡要的技術(shù)分析，領(lǐng)略作業(yè)幫化身“AI小叮當”的魅力，話不多說，開始本期的旅程吧~

1 產(chǎn)品概況

作業(yè)幫是一款以拍照搜題、課程輔導(dǎo)為核心功能的K12教育產(chǎn)品，該產(chǎn)品主要面向的是K12階段的學(xué)生、家長及老師人群，其中學(xué)生人群為主。

如圖，根據(jù)七麥數(shù)據(jù)的實時榜單排名顯示，作業(yè)幫在暢銷榜中排名第二，而在免費榜單中排名第五。

值得注意的是，這是所有教育主題下的產(chǎn)品排名，若僅考慮K12教育范疇，作業(yè)幫是當之無愧的“小霸王”。

這也間接說明了，作業(yè)幫在明確的產(chǎn)品定位下，為學(xué)生解決了習題答案搜索、學(xué)習輔導(dǎo)等問題，并且提供了相對競品而言更為優(yōu)良的用戶體驗。

同時，根據(jù)艾瑞數(shù)據(jù)顯示（圖中垂直坐標軸單位為萬臺），作業(yè)幫的月活，和同類型的產(chǎn)品如小猿搜題、學(xué)霸君相比之下，其排名為第一，且領(lǐng)先的優(yōu)勢比較明顯。

如圖，作業(yè)幫的月活平均值為8478萬臺，而小猿搜題為1618萬臺，二者相差的距離較遠，僅從日活的角度來看，作業(yè)幫的日活值也達到小猿搜題的5倍，進一步證明作業(yè)幫在同類型產(chǎn)品中具有較強的競爭力。

通常，我們衡量一個工具類的產(chǎn)品好壞，除利用榜單排名外，月活和日活是更為重要的指標。

則結(jié)合上述數(shù)據(jù)分析可見，在線教育的服務(wù)需求中，作業(yè)幫向用戶交出了一份滿意的答案。而作業(yè)幫獲得的良好口碑，與拍照搜題這一核心功能功能精益求精的良好性能與優(yōu)秀的用戶體驗密不可分。

為了進一步認識拍照搜題功能及其背后的相關(guān)技術(shù)原理，以下將從拍照搜題功能項的用戶-場景-需求分析、功能目的、功能邏輯、用戶評論等方面進行剖析，并結(jié)合技術(shù)給出最終的體驗結(jié)論。

2 用戶-場景-需求分析

可見，作業(yè)幫的主要用戶可分為學(xué)生、家長及老師，其中以學(xué)生群體為主。

為了更形象地說明拍照搜題功能的意義，我們講三個典型的用戶故事。

故事1：

小A是一名高三的學(xué)生，正面臨嚴峻的升學(xué)壓力。平時在家自己寫作業(yè)時，如果遇到不會的題，他會直接打開作業(yè)幫，不用手動輸入，直接拍照搜索同類型的題，既不會耽誤時間，又能及時理清楚當天所學(xué)的知識點。偶爾，如果課堂上老師講題的思路他不清楚，回家也會自己拍照，然后看看平臺上別人的解題思路就豁然開朗了。此外，高三了很多知識點需要不斷地強化鞏固，所以他還有一個高效學(xué)習的小竅門，那就是拍照搜題之后，通過舉一反三對同類型的題目進行反復(fù)練習，一次性吃透知識點。更重要的，因為處于一個教育水平相對落后的縣城，而平臺上圍繞拍照搜題，還可以選擇一些名校名師來幫助解答或觀看對應(yīng)的解題視頻，幫助自己見識到更簡便的解法，感覺作業(yè)幫的搜題功能太方便了，簡直就是自己的“小叮當”。

故事2：

老王是小A的爸爸，文化程度較低，平時大部分時間都在忙工作，盡管如此經(jīng)濟也是捉襟見肘，他希望小A可以好好讀書，將來擺脫和自己一樣的生活困境。老師給小A介紹了一款應(yīng)用軟件叫作業(yè)幫，幫助他解決了輔導(dǎo)孩子的無力感，同時直接拍照搜題，可以節(jié)省時間，安排也很靈活，同時在線教育更為經(jīng)濟，也為家里節(jié)約了很多補習費。還有的時候老王輔導(dǎo)小A的妹妹小B寫小學(xué)作業(yè)，也不用自己輸入百度之后搜索那么麻煩了，直接拍照就可以看到答案后再輔導(dǎo)孩子，體驗很不錯，所以現(xiàn)在他逢人就推薦作業(yè)幫。

故事3：

陳老師是小王的班主任，在小縣城任教，有比較多空余時間，但是工資比較低。工作閑暇之余，陳老師還在作業(yè)幫上為學(xué)生們答疑解惑，比如對學(xué)生拍照搜題的結(jié)果，如果還不理解，就換種思路幫助繼續(xù)解答，或者幫助一些孩子進行強化學(xué)習和訓(xùn)練，這樣既可以繼續(xù)發(fā)揮自己的教學(xué)價值，還能賺取一部分的額外收入，所以陳老師也很心水作業(yè)幫~

3 功能目的

結(jié)合用戶-需求-場景及用戶故事，我們可以很清楚地看到，作業(yè)幫作為一個K12階段相對成功的在線教育產(chǎn)品，依托于人工智能技術(shù)的發(fā)展，為廣大的學(xué)生、家長和老師帶來了便利。

對于學(xué)生而言，遇到不會的題目或含糊不清的知識點，作業(yè)幫的拍照搜題，使得孩子們可以不用受困于老師不在身邊、家長無力輔導(dǎo)或逐文字輸入搜索的困境，同時該功能的外延還可以幫助學(xué)生強化知識點，學(xué)會舉一反三，甚至因為平臺上對學(xué)生的問題還提供了名校名師答疑解惑的選項，一定程度上可以緩解教育資源不平衡的矛盾。

而對于家長而言，作業(yè)幫的拍照搜題幫助他們緩解了自身文化程度不高無法輔導(dǎo)孩子的無力感，同時幫助工作忙的家長節(jié)省了時間，也替經(jīng)濟條件有限的家長省了錢。

而對教師用戶而言，作業(yè)幫也為他們價值和利益最大化提供了一個平臺。

對作業(yè)幫而言，拍照搜題的提出，是迎合AI時代對教育的一種創(chuàng)新，同時為計算機視覺技術(shù)的落地提供了良好的落地契機，為傳統(tǒng)教育的改革帶來了新的方向。

而隨著平臺的不斷成熟，圍繞著拍照搜題，作業(yè)幫進一步開拓了課程輔導(dǎo)、學(xué)習圈等功能，進一步提升了作業(yè)幫的服務(wù)。

但不可否認的是，拍照搜題仍然是作業(yè)幫的亮點，而且作業(yè)幫的發(fā)展戰(zhàn)略，也一直立足于不斷地提升后臺算法對題目照片的識別的準確率及題庫的完備率，也因此才得以維持向上的發(fā)展勁頭。

傳統(tǒng)意義上的產(chǎn)品設(shè)計，強調(diào)功能主次鮮明的重要性，而從當前對人工智能類的產(chǎn)品體驗中也可以看出，該原則對AI類產(chǎn)品亦同樣重要。

算法、技術(shù)可以有千千萬萬種，用戶可能遍布天涯海角，但作為一個產(chǎn)品，尤其是工具類的產(chǎn)品，如果本身核心功能不夠出眾，或在后續(xù)的完善中偏離了核心功能軌道，只有死路一條。

而從人工智能發(fā)展的角度來看，算法準確率的提升和優(yōu)化是一個不均衡的過程。

比如，起步的時候，可能隨便加大訓(xùn)練數(shù)據(jù)數(shù)量或者是調(diào)整學(xué)習參數(shù)或訓(xùn)練的方式，算法提升的效果就很明顯，因為說到底，所謂的人工智能，還是利用了計算機超強的存儲及快速暴力求解的能力。

但隨著不斷地推進，面對的數(shù)據(jù)越來越復(fù)雜、用戶場景越來越多、需求越來越豐富，算法還想提升，哪怕那么一個百分點，都是十分困難的，這也是所有人工智能類產(chǎn)品在迭代進程中都會面臨的問題。

但是我們從作業(yè)幫拍照搜題的識別越來越準確，用戶體驗也越來越好，可以看到作業(yè)幫一直在堅持后臺算法的迭代和優(yōu)化，這種對初衷的堅持是算法之外更可貴的產(chǎn)品精神。

4功能邏輯

從中可見，在拍照的過程中，做出了兩個比較明顯的限制。

第一個是橫屏拍照，保持題目處于圖片的特定區(qū)域，其目的在于減少后續(xù)識別算法處理的難度。

其次是對拍攝燈光的要求，因為當光線較暗時，圖片不夠清晰，則后期的文字識別會出問題，不利于最終的識別準確率。

這是用戶體驗和算法準確性之間的一種權(quán)衡，更人性化的產(chǎn)品設(shè)計提倡，盡量減少對用戶的要求，增加用戶使用的自由性。

然而對于人工智能算法類的產(chǎn)品設(shè)計而言，其準確率的獲得往往需基于一定的前提，一旦打破這些限制，算法識別的效果可能就會十分差勁，則會帶給用戶更糟糕的影響。

以下是實際體驗的一個過程截圖。

基于上述體驗，可見拍照搜題技術(shù)，已經(jīng)取得了可接受的成效。

比如為了增加對算法識別的難度，體驗中我們特別使用手寫題目，而從搜索的結(jié)果來看，返回結(jié)果中的5道題與原圖的相似度很高，說明文字識別及后續(xù)文字特征匹配的準確率達到了可應(yīng)用的程度。

同時我們還嘗試了將兩道題放在一起拍，則畫面中占比較大的題目也可以檢索得到很好的輸出，這進一步說明，算法在處理的過程中，對于文字的切割比較準確。

但是，體驗中也發(fā)現(xiàn)了一些不足。

比如，題目拍攝的要求較高，尤其是屏幕中限定的框大小是固定的，而有的時候搜索的題目長短不一，所以大部分情況下難以在平臺給定的小框內(nèi)容納題目，所以只能拍攝題目的關(guān)鍵部分，如果一次識別不準確就要反復(fù)嘗試，直到找到或放棄，增加了用戶操作的成本。

這是由于后臺算法的靈活度還不夠決定的。

其實我們需要更多地理解，這不是產(chǎn)品本身設(shè)計死板，而是因為現(xiàn)有的機器學(xué)習或深度學(xué)習算法，本身仍比較機械，比如很多神經(jīng)網(wǎng)絡(luò)的輸入，都有固定大小的需求，一些算法也僅僅對達到某些條件的圖片處理才能獲得良好的準確率，同時AI類的產(chǎn)品設(shè)計又缺乏足夠的經(jīng)驗積累。這或許會在未來隨著深度學(xué)習進一步發(fā)展，算法具有更強的推理和學(xué)習能力后，可以一定程度上增加產(chǎn)品設(shè)計的靈活度。

再比如，針對少數(shù)部分文字描述，而題意的表達主要依靠示意圖的數(shù)學(xué)題，體驗過程中我們嘗試只拍攝題目的圖片，此時系統(tǒng)大概率下無法檢索。也就是說，出現(xiàn)“圖中圖”的情況，算法識別準確率較差。

這可能是因為系統(tǒng)基于OCR和深度學(xué)習的方法，主要對文字切割進行處理，但是對圖像特征的處理比較欠缺，所以檢索效果較差。

則上述問題的解決，可通過多種技術(shù)方案融合，應(yīng)對不同用戶場景需求的特定任務(wù)處理，增強算法應(yīng)用的魯棒性，減少算法失靈的情況，這應(yīng)當也是未來人工智能產(chǎn)品落地的一個重要關(guān)注點。

最后，還有一個小問題，有時拍攝上傳數(shù)學(xué)類的題目，返回的結(jié)果中可能還包含物理、化學(xué)、英語等結(jié)果，我們將這類錯誤姑且稱之為跨學(xué)科錯誤。

這也是可以理解的，因為算法更關(guān)注于對拍攝題目的文字識別，并在之后以文字特征的相近性作為主要指標，進行搜索結(jié)果返回。如此，只要題目描述和題庫文本更相似就會作為結(jié)果返回，卻忽略題目類別的考慮。

關(guān)于這個問題的解決，或許可以考慮，在識別的過程中，增加類別標簽，如拍攝題目上傳之后，可以通過用戶設(shè)定題目類標簽，比如屬于語文、數(shù)學(xué)、英語等，則上傳之后在特定的范圍檢索，這一方面可以提高算法檢索的效率，另一方面也可以減少跨學(xué)科返回的錯誤。（這一步在技術(shù)上看來是可行，而且增加的成本也只是用戶上傳的時候多了一個打標簽的操作，但是卻可以上傳之后，結(jié)合這個標簽減少檢索的范圍，同時減少跨學(xué)科返回的錯誤，而且后面做用戶評論分析分析這個問題還是槽點比較多地一個，那為什么作業(yè)幫不做呢？我想不明白~）

5用戶評論

作業(yè)幫自上線以來，收獲的口碑不錯，根據(jù)七麥數(shù)據(jù)顯示其IOS市場下評分結(jié)果如圖。

總體評分達到4.6，好評率較高，同時為了進一步發(fā)現(xiàn)該應(yīng)用仍存在的問題，我們搜集相關(guān)用戶評論共30條，其中部分用戶數(shù)據(jù)統(tǒng)計截圖如下：

30條數(shù)據(jù)中，1、2、3、5等級對應(yīng)的數(shù)據(jù)量分別為20、3、2、5條，其中以低分差評為主，更利于我們發(fā)現(xiàn)產(chǎn)品的問題。

則對用戶數(shù)據(jù)進行關(guān)鍵詞提取后，發(fā)現(xiàn)其基本占比如圖所示。

我們將用戶對問題的描述，提取出對應(yīng)的關(guān)鍵詞進行歸類以便后續(xù)進行歸因分析。

首先是結(jié)果問題，主要包含的描述如搜不到題目、搜出來的題目與用戶需求不符合、答案解析有誤等，占比較高達36.7%。

其次是閃退問題，約16.7%的用戶反映在拍照搜題的的使用過程中會出現(xiàn)閃退問題，也屬于一個高頻問題。

最后拍攝問題，同樣地也有16.7%的用戶反映，拍攝的過程中存在拍攝困難、橫屏適配的問題。

同時跨學(xué)科問題也比較明顯，它是指用戶拍攝數(shù)學(xué)題，結(jié)果檢索出來英文題目，這是比較刺激用戶體驗一種存在，用戶直觀看來會覺得系統(tǒng)無疑是“人工智障”。

此外還有抄襲問題，它主要反映了由于拍照搜題的便利性的同時帶來了孩子不加思考、直接抄襲的弊端，占比達6.7%，這背后也反映出技術(shù)的雙刃性。

產(chǎn)品，既要寵著上帝，還要冒著被拋棄的風險“管管上帝”，要禿頭~

我們將最終問題產(chǎn)生的原因主要歸類為算法準確率、產(chǎn)品設(shè)計、產(chǎn)品運營、產(chǎn)品bug。

首先針對結(jié)果問題，如搜題不準確、跨學(xué)科問題等都是由于平臺算法不夠精準、魯棒性差而引起的一種搜索結(jié)果返回失誤，該原因也是最為重要的一個，而且也是大部分人工智能產(chǎn)品普遍存在的問題。

因為對于AI類的產(chǎn)品而言，算法準確率及穩(wěn)定性直接影響了產(chǎn)品的使用體驗。雖然目前有一些優(yōu)秀的產(chǎn)品細節(jié)設(shè)計可以緩解用戶對準確率的矛盾，但是效果并不明顯，而該類問題的解決只能依賴于對算法的進一步強化訓(xùn)練及參數(shù)調(diào)節(jié)。

題目拍攝過程中存在的橫屏問題，則屬于產(chǎn)品設(shè)計的范疇，需要產(chǎn)品人員充分理解算法的應(yīng)用的基礎(chǔ)，而后結(jié)合用戶的使用流程進行功能設(shè)計的優(yōu)化可以改善。

其它類似于產(chǎn)品運營、題庫、產(chǎn)品bug的問題，同樣需要產(chǎn)品及運營人員發(fā)現(xiàn)之后，及時展開具體調(diào)研并制定相應(yīng)的方案去進行解決。

6 技術(shù)分析

拍照搜題功能，從技術(shù)的實現(xiàn)角度上來看，主要有兩種方式。

第一種方式是以圖搜圖。即平臺中的題庫同樣按照圖片方式存儲，則當平臺處理一個用戶拍攝上傳的解題需求時，算法通過計算用戶題目圖片的特征，并進行搜索排序，從題庫中找到對應(yīng)的最相似特征的圖片，則該圖片即為用戶所搜索的題目。

這種方案本質(zhì)上是基于計算機視覺特征與機器學(xué)習算法的匹配檢索技術(shù)。

但這種方式的不足在于，一方面系統(tǒng)的題庫需要以圖片的形式存儲，消耗的硬件空間較大，而且計算效率較低，性價比較低。

另一方面，對于兩道題目而言，基于圖片維度特征的比對，進而界定文字題目的相似度，和直接基于文本特征進行題目相似度的比對，必然還是后者的準確率要更為可靠。

因而，作業(yè)幫采用的是另一種基于OCR技術(shù)和深度學(xué)習結(jié)合的技術(shù)方案。

OCR(Optical Character Recognition)，指的是電子設(shè)備（如掃描儀或數(shù)碼相機）檢查紙上的字符，通過檢測暗、亮的模式確定其形狀，而后利用字符識別方法將形狀翻譯成計算機文字描述的過程。

通俗地講，就是針對印刷體字符，采用光學(xué)方式，將紙質(zhì)文檔中的文字轉(zhuǎn)換為黑白點陣的圖像文件，并通過識別軟件將圖像中的文字轉(zhuǎn)換成文本格式，供文字處理軟件進行加工的一項技術(shù)。

則基于上述定義，拍照搜題的過程，就是首先利用OCR，將圖片中的題目處理識別成文字，而后根據(jù)用戶的題目文本和平臺數(shù)據(jù)庫中的題庫比對，找到最為相似的TOP 5（作業(yè)幫提供5個選項）。

OCR處理的過程主要包括以下幾個。

(1)?圖像輸入及預(yù)處理：針對不同格式的圖像輸入，進行必要的預(yù)處理。

預(yù)處理過程首先進行二值化，即將彩色圖像轉(zhuǎn)換為黑白圖像，主要是為了剔除掉一些冗余特征，只留下重要的特征。

其次進行噪聲去除。因為圖片二值化之后，可能在圖片中出現(xiàn)很多小黑點或其它噪聲類的附著，會影響后續(xù)的識別，所以要進行必要的過濾處理。

最后進行傾斜校正。因為用戶在拍照的過程中，可能出于拍攝的技術(shù)、環(huán)境等客觀因素的影響，照片的角度不利于最終的識別，因此需要進行必要的傾斜校正以保證圖片水平。

(2)?版面分析：直觀來講，這一步就是對圖片中的文本進行段落、每一行的切分。

(3)?字符切割：將圖片按照行和列進行劃分，則切割后字符就變成了自己一個字。

(4)?字符識別：通過機器學(xué)習或深度學(xué)習，進行文字的識別。版面恢復(fù)：對識別后的文字，保持段落、行及文字間的相對位置不變。

而在文字識別的過程中，目前更為常用的方法是基于深度學(xué)習算法。深度學(xué)習算法識別單個文字的過程如圖所示。

如圖，經(jīng)過OCR預(yù)處理并分割之后，對一個文字而言，基于深度學(xué)習方法的識別，首先對其進行卷積操作提取特征，而后進行下采樣操作，保留更重要的特征，而后繼續(xù)進行卷積和下采樣操作之后，將最后一層下采樣操作獲得的特征輸送至全連接層進行處理并最終輸出其概率分布，從中可見，最終以98%的置信度對當前文字判定為“運”。對其它文字的識別亦同理，當前基于深度學(xué)習的文字識別，算法準確率通常達到99%以上。

技術(shù)關(guān)鍵詞：OCR? ?深度學(xué)習識別文字?

7 功能擴展

同時，基于相近的技術(shù)，作業(yè)幫對應(yīng)用進行了擴展。

他們?yōu)榱藵M足家長批改作業(yè)、輔導(dǎo)孩子的需求，進一步開發(fā)了具有針對性的家長端。

在家長端，主打的特色功能是口算批改和作文搜索，則該需求的指向性更為明顯，背后的技術(shù)原理和流程本質(zhì)上和作業(yè)幫也是比較相似的，但家長版的整體體驗更加簡潔，因為對于家長而言，更多的是起到輔助和陪伴的角色。

具體的體驗在這里就不贅述了，感興趣的小伙伴可私底下悄咪咪去體驗一把。

在這里特別提及家長版是因為，在體驗AI類產(chǎn)品的過程中發(fā)現(xiàn)，其實人工智能產(chǎn)品的設(shè)計中和傳統(tǒng)的產(chǎn)品設(shè)計還是有很多類似的地方，歸結(jié)到底還是對用戶需求的把握，有的時候基于同一項或相近的技術(shù)，可以解決很多用戶的不同需求，所以有的時候如果產(chǎn)品設(shè)計人員過度重視算法和技術(shù)實現(xiàn)的細節(jié)反而會使得我們忽略了用戶的需求。

換一個角度，許多人說目前人工智能算法的應(yīng)用，其瓶頸在于找到落地的場景作為切入點。那么我想對這些產(chǎn)品分析體驗的過程，就是要求產(chǎn)品或技術(shù)人員結(jié)合用戶-場景-需求及功能目的、功能邏輯的分析之后可以懂得，某一些算法通過運用什么樣的流程設(shè)計，解決了哪些人的哪些問題，從而當面臨新的需求時，學(xué)會遷移借鑒某些產(chǎn)品已經(jīng)驗證過的算法及功能流程的設(shè)計，這樣的體驗可能才具有價值，希望我們可以努力把這件事做得更好！

總結(jié)

本期主要體驗了作業(yè)幫的“拍照搜題”，從中我們看到，基于OCR和深度學(xué)習技術(shù)的結(jié)合，人工智能在K12教育上也發(fā)揮了巨大的潛力，在未來不斷地發(fā)展和技術(shù)完善中，作業(yè)幫可想象的空間也許不局限于K12，甚至是成人教育也未可知。

作業(yè)幫再一次證明，科學(xué)技術(shù)本身沒有溫度和創(chuàng)造力，而真正煥發(fā)無窮力量的是產(chǎn)品。

本周直播（點擊圖片跳轉(zhuǎn)）

今日看圖猜技術(shù)

AI知識匯總

有三AI生態(tài)

更多精彩內(nèi)容請關(guān)注知乎專欄《有三AI學(xué)院》

轉(zhuǎn)載文章請后臺聯(lián)系

侵權(quán)必究

往期精選

• 【AI產(chǎn)品】產(chǎn)品小姐姐分析抖音背后的計算機視覺技術(shù)

• 【AI產(chǎn)品】深扒美圖秀秀中擄獲萬千少女芳心的“AI秘籍”

• 【AI初識境】從3次人工智能潮起潮落說起

• 【AI初識境】從頭理解神經(jīng)網(wǎng)絡(luò)-內(nèi)行與外行的分水嶺

• 【AI初識境】近20年深度學(xué)習在圖像領(lǐng)域的重要進展節(jié)點

• 【AI初識境】激活函數(shù)：從人工設(shè)計到自動搜索

• 【AI初識境】什么是深度學(xué)習成功的開始？參數(shù)初始化

• 【AI初識境】深度學(xué)習模型中的Normalization，你懂了多少？

• 【AI初識境】為了圍剿SGD大家這些年想過的那十幾招

• 【AI初識境】被Hinton，DeepMind和斯坦福嫌棄的池化，到底是什么？

• 【AI初識境】如何增加深度學(xué)習模型的泛化能力

• 【AI初識境】深度學(xué)習模型評估，從圖像分類到生成模型

• 【AI初識境】深度學(xué)習中常用的損失函數(shù)有哪些？

• 【AI初識境】給深度學(xué)習新手做項目的10個建議

• 【完結(jié)】深度學(xué)習CV算法工程師從入門到初級面試有多遠，大概是25篇文章的距離

• 【完結(jié)】優(yōu)秀的深度學(xué)習從業(yè)者都有哪些優(yōu)秀的習慣

• 【完結(jié)】給新手的12大深度學(xué)習開源框架快速入門項目

• 【完結(jié)】總結(jié)12大CNN主流模型架構(gòu)設(shè)計思想

總結(jié)

以上是生活随笔為你收集整理的【AI产品】超长文详解作业帮产品逻辑和技术原理的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。