《昇思25天学习打卡营第11天》

最新推荐文章于 2024-11-11 21:32:38 发布
最新推荐文章于 2024-11-11 21:32:38 发布
阅读量131 收藏
点赞数 3
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/140336812
版权

今天进入了应用实践的学习中，我们先从LLM原理和实践开始学习，本次学习的内容是MindNLP ChatGLM-6B StreamChat

这个东西是基于MindNLP和ChatGLM-6B实现一个聊天应用

开始之前要进行一下环境的配置

如图

配置完成后即可进行使用

如图，在最后附上本次打卡时间

NewtoPhone
关注
【昇思25天学习打卡营第11天 | FCN图像语义分割】
imath60的博客
07-05 226
FCN作为深度学习在图像语义分割领域的开创性工作，以其端到端的网络设计和全卷积层的使用，突破了传统方法的限制，能够处理任意尺寸的输入图像，并且提高了计算效率。然而，FCN在细节捕捉和空间一致性方面仍有待提高。未来的研究可以在提高上采样质量、加强像素间关系建模等方面进行探索，以进一步提升语义分割的性能。
昇思25天学习打卡营第十三天|GAN图像生成
weixin_42553583的博客
07-06 955
生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian J. Goodfellow于2014年发明，并在论文生成器的任务是生成看起来像训练图像的“假”图像；判别器需要判断从生成器输出的图像是真实的训练图像还是虚假的图像。GAN通过设计生成模型和判别模型这两个模块，使其互相博弈学习产生了相当好的输出。GAN模型的核心在于提出了通过对抗过程来估计生成模型这一全新框架。
昇思25天学习打卡营第11天|生成式
u013563715的博客
07-19 695
生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian J. Goodfellow于2014年发明，并在论文生成器的任务是生成看起来像训练图像的“假”图像；判别器需要判断从生成器输出的图像是真实的训练图像还是虚假的图像。GAN通过设计生成模型和判别模型这两个模块，使其互相博弈学习产生了相当好的输出。GAN模型的核心在于提出了通过对抗过程来估计生成模型这一全新框架。
昇思25天学习打卡营第十一天|DCGAN生成漫画头像
weixin_42553583的博客
07-04 812
随着训练次数的增多，图像质量也越来越好。如果增大训练周期数，当num_epochs达到50以上时，生成的动漫头像图片与数据集中的较为相似。
昇思25天学习打卡营第11天|xiaoyushao
yichen_0221的博客
07-24 919
昇思25天学习打卡营第11天，应用实践，ResNet50迁移学习
昇思25天学习打卡营第11天|linchenfengxue
github_zwl的博客
07-03 620
CycleGAN(Cycle Generative Adversarial Network) 即循环对抗生成网络，来自论文。该模型实现了一种在没有配对示例的情况下学习将图像从源域 X 转换到目标域 Y 的方法。该模型一个重要应用领域是域迁移(Domain Adaptation)，可以通俗地理解为图像风格迁移。
昇思25天学习打卡营第二十四天|ShuffleNet图像分类
weixin_42553583的博客
07-17 1193
ShuffleNetV1是旷视科技提出的一种计算高效的CNN模型，和MobileNet, SqueezeNet等一样主要应用在移动端，所以模型的设计目标就是利用有限的计算资源来达到最好的模型精度。ShuffleNetV1的设计核心是引入了两种操作：Pointwise Group Convolution和Channel Shuffle，这在保持精度的同时大大降低了模型的计算量。因此，ShuffleNetV1和MobileNet类似，都是通过设计更高效的网络结构来实现模型的压缩和加速。
昇思25天学习打卡营第十二天|Diffusion扩散模型
weixin_42553583的博客
07-05 736
如果将Diffusion与其他生成模型（如Normalizing Flows、GAN或VAE）进行比较，它并没有那么复杂，它们都将噪声从一些简单分布转换为数据样本，Diffusion也是从纯噪声开始通过一个神经网络学习逐步去噪，最终得到一个实际图像。Diffusion对于图像的处理包括以下两个过程：我们选择的固定（或预定义）正向扩散过程qqq：它逐渐将高斯噪声添加到图像中，直到最终得到纯噪声一个学习的反向去噪的扩散过程pθp_\thetapθ​。
昇思25天学习打卡营第12天|生成式
u013563715的博客
07-21 722
Pix2Pix是基于条件生成对抗网络（cGAN, Condition Generative Adversarial Networks ）实现的一种深度学习图像转换模型，该模型是由Phillip Isola等作者在2017年CVPR上提出的，可以实现语义/标签到真实图片、灰度图到彩色图、航空图到地图、白天到黑夜、线稿图到实物图的转换。生成器和判别器。传统上，尽管此类任务的目标都是相同的从像素预测像素，但每项都是用单独的专用机器来处理的。
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。
昇思25天学习打卡营第11天|基于MindSpore通过GPT实现情感分类
数字人生
06-29 1214
【代码】基于MindSpore通过GPT实现情感分类。
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5天|MindSpore-ResNet50图像分类
pblh123的专栏
06-28 1014
基于MindSpore实践ResNet50计算网络，预训练模型，超参数定义，
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
不迁怒，不贰过。小知识，大智慧。
11-11 1383
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。
一、HTML学习（基础知识学习）
weixin_44463519的博客
11-11 473
前端学习第一章之HTML学习
生信：TCGA学习（R、RStudio安装与下载、常用语法与常用快捷键）
最新发布
shanshan的博客
11-11 657
macOS系统，已安装homebrew且会相关命令。近期在整理草稿区，所以放出该贴。
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