《昇思25天学习打卡营第8天》

最新推荐文章于 2024-11-11 09:32:23 发布
最新推荐文章于 2024-11-11 09:32:23 发布
阅读量305 收藏 5
点赞数 7
文章标签： 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/NewtoPhone/article/details/140309181
版权

今天进入了初学入门初学教程的保存与加载的学习，下面我们来看看吧。

保存与加载

在训练完模型之后，我们主要是保存结果，用于微调和后续的模型推理与部署，因此很有必要学习如何正确的保存和加载，助推AI的调试。

如图所说，保存模型使用save_checkpoint接口，传入网络和指定的保存路径，而要加载模型权重，需要先创建相同模型的实例，然后使用load_checkpoint和load_param_into_net方法加载参数。

其次要保存和加载MindIR，因为MindSpore提供了云侧（训练）和端侧（推理）统一的中间表示（Intermediate Representation，IR）所以可使用export接口直接将模型保存为MindIR。

 

最后附上打卡时间

学习打卡结束

NewtoPhone
关注
《昇思25天学习打卡营第1天|快速入门》
小郑
06-25 1159
昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景统一部署三大目标。其中，表现为API友好、调试难度低；包括计算效率、数据预处理效率和分布式训练效率；则指框架同时支持云、边缘以及端侧场景。昇腾计算，是基于昇腾系列处理器构建的全栈AI计算基础设施及应用，包括昇腾Ascend系列芯片、Atlas系列硬件、CANN芯片使能、MindSpore AI框架、ModelArts、MindX应用使能等。
【昇思25天学习打卡营第8天 | 模型训练】
imath60的博客
07-04 215
本文通过具体的代码示例，详细阐述了使用MindSpore进行神经网络训练的步骤。从数据准备到模型构建，再到超参数调整和训练循环，每一步都对最终模型性能有着重要影响。通过迭代训练，模型的准确率和损失得到了显著优化，验证了训练流程的有效性。此外，本文还提供了对训练过程中关键参数调整的见解，为读者在进行类似任务时提供了宝贵的参考。
【昇思25天学习打卡营打卡指南-第一天】基本介绍与快速入门
JeffDing
06-19 932
昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景统一部署三大目标。其中，易开发表现为API友好、调试难度低；高效执行包括计算效率、数据预处理效率和分布式训练效率；全场景则指框架同时支持云、边缘以及端侧场景。ModelZoo（模型库）：ModelZoo提供可用的深度学习算法网络，也欢迎更多开发者贡献新的网络(ModelZoo地址MindSpore Extend（扩展库）
昇思25天学习打卡营第1天|快速入门
weixin_56595425的博客
06-25 804
本章通过MindSpore的API来快速实现一个简单的深度学习模型。若想要深入了解MindSpore的快速使用方法。
昇思25天学习打卡营第2天|快速入门
aperson888的博客
06-24 889
🤖快速入门：打造你的智能助手||||||||||||||||||
昇思25天学习打卡营第1天 | 快速入门
weixin_52621204的博客
06-24 932
​今天开始学习Mindspore框架，首先需要引入数据集，以Mnist数据集为例：处理数据集数据集 下载完后通过下面的代码获取训练集和测试集，train_dataset表示训练集，test_dataset表示测试集。可以通过打印的方式来查看数据集的列名接下来对数据进行预处理vision.Rescale(1.0 / 255.0, 0)指的是将图像的像素值缩放在[0,1]范围内，通过将每个像素值除以255实现。​​​​​​。
昇思25天学习打卡营第3天|数据集Dataset
2301_77286822的博客
06-21 1066
数据是深度学习的基础，高质量的数据输入将在整个深度神经网络中起到积极作用。有一种说法是模型最终训练的结果，10%受到算法影响，剩下的90%都是由训练的数据质量决定。（doge）MindSpore提供基于Pipeline的，通过和实现高效的数据预处理。其中Dataset是Pipeline的起始，用于加载原始数据。MindSpore自带的提供了内置的文本、图像、音频等数据集加载接口，并提供了自定义数据集加载接口。此外MindSpore的领域开发库也提供了大量的预加载数据集，可以使用API一键下载使用。
昇思25天学习打卡营第1天|基本介绍与快速入门
solitude_sw的博客
06-30 918
昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景统一部署三大目标。其中，易开发表现为API友好、调试难度低；高效执行包括计算效率、数据预处理效率和分布式训练效率；全场景则指框架同时支持云、边缘以及端侧场景。昇腾计算，是基于昇腾系列处理器构建的全栈AI计算基础设施及应用，包括昇腾Ascend系列芯片、Atlas系列硬件、CANN芯片使能、MindSpore AI框架、ModelArts、MindX应用使能等。
昇思25天学习打卡营第2天|MindSpore快速入门
wwt72的博客
07-06 1161
涉及到 mindspore.nn 类。例如用户可继承nn.Cell类来自定义网络结构，其中的construct类函数包含数据（Tensor）的变换过程。。包括损失函数、优化器等。如 nn.CrossEntropyLoss() 、nn.SGD(model.trainable_params(), 1e-2)
昇思25天学习打卡营第8天|应用实践
u013563715的博客
07-18 846
情感分类是自然语言处理中的经典任务，是典型的分类问题。输入: This film is terrible正确标签: Negative预测标签: Negative输入: This film is great正确标签: Positive预测标签: Positive最后我们设计一个预测函数，实现开头描述的效果，输入一句评价，获得评价的情感分类。将输入句子进行分词；使用词表获取对应的index id序列；index id序列转为Tensor；送入模型获得预测结果；打印输出预测结果。
昇思25天学习打卡营第7天|MindSpore-ShuffleNet图像分类
pblh123的专栏
06-30 1288
基于MindSpore的ShuffleNet实践，ShuffleNetV1是一种高效的CNN模型，主要应用于移动端。其设计目标是在有限的计算资源下实现最佳精度。ShuffleNetV1引入了两种操作：Pointwise Group Convolution和Channel Shuffle，从而降低了模型的计算量。与MobileNet类似，ShuffleNetV1通过优化网络结构实现了模型的压缩和加速。
昇思25天学习打卡营第14天|基于MindNLP的文本解码原理
pblh123的专栏
07-07 1653
基于MindSpore,MindNPL实现自回归模型，贪婪搜索，Bean搜索，文本解码是自然语言处理中的一个关键任务，特别是在机器翻译、文本生成等领域。自回归模型是文本解码中常用的一种方法
昇思25天学习打卡营第13天|基于MindSpore通过GPT实现情感分类
pblh123的专栏
07-06 653
基于MindSpore实现情感分类，GPT是一种先进的深度学习模型，基于Transformer架构
昇思25天学习打卡营第11天|MindSpore-基于MindNLP+MusicGen生成自己的个性化音乐
pblh123的专栏
07-04 1397
MusicGen是来自Meta AI的Jade Copet等人提出的基于单个语言模型（LM）的音乐生成模型，支持无提示、文本、音频生成音乐。
批量归一化 BN(Batch Normalization) (减少重复学习 - 加速损失收敛) + 代码实现 ——笔记2.15《动手学深度学习》
科研汪小陈的博客
11-08 1074
批量归一化固定小批量中的均值和方差，然后学习出适合的偏移和缩放； 可以加速收敛速度（比如以前学习率是0.01，现在用了批量归一化后，可以调到0.1） 不会出现之前：学习率太大的话，上面 (靠近损失的梯度) 会炸掉； 不会出现之前：学习率太小的话，下面 (靠近数据的模型参数) 会学不动； 每一个层的输出都通过均值方差放在一起了，上下层的分布都差不多是正态分布； 但一般不改变模型精度
数据分析——学习框架
最新发布
不迁怒，不贰过。小知识，大智慧。
11-11 1369
本教程旨在为读者提供一个系统化的数据分析学习框架，涵盖从数据收集、清洗、分析到可视化和报告的各个环节。通过深入探讨每个环节的理论与实践，读者将能够掌握数据分析的基本技能，提升数据处理和分析的能力。无论您是数据分析的初学者，还是希望进一步提升技能的专业人士，本教程都将为您提供有价值的指导和实用的工具，助您在数据分析的旅程中取得成功。
Greiner 经典力学（多体系统和哈密顿力学）第十二章 学习笔记（Rotation About a Point）
Ivan 的专栏
11-09 1042
上一章是绕定轴转动，这章是绕定点转动。这一章明显上难度了。
青少年学习倦怠测评
一火的专栏
11-09 204
未来，可以进一步拓展研究样本和范围，深入探讨学习倦怠的影响因素和干预措施，为青少年的教育发展贡献更多的力量。通过编制问卷，收集学生在学习过程中的情感体验、学习态度、学业成绩等方面的信息，进而评估学生的学习倦怠情况。为了全面评估青少年的学习倦怠情况，本研究基于文献综述和实证调查，编制了一份包含情感耗竭、学业疏离和低成就感三个维度的青少年学习倦怠测评问卷。随着教育竞争的日益激烈，青少年面临着巨大的学习压力。学校和教师应该注重培养学生的学习兴趣和爱好，鼓励学生参加课外活动和兴趣小组，拓宽学生的知识面和视野。
AI打卡训练营7天总结：从格式化输出到选手识别
本资源总结了百度AI-7Days-打卡集训营的学习内容，涵盖了格式化输出、os库应用、爬虫技术、数据分析、选手识别等多个方面的知识点。 1. 格式化输出： 在Day1的第一次作业中，要求输出9*9乘法口诀表，并且注意格式...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值