《昇思25天学习打卡营第14天》

最新推荐文章于 2024-10-06 20:54:02 发布
最新推荐文章于 2024-10-06 20:54:02 发布
阅读量310 收藏 1
点赞数 5
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/140455287
版权

本次我们学习的内容是基于MindSpore的GPT2文本摘要

文本摘要是一项重要的自然语言处理任务，可以在多个领域发挥着重要的作用，而基于MindSpore的GPT2就可以充分发挥概括原始文本的主要内容和要点的能力。

在开始之前，要进行数据的加载与处理，本次实验使用的是nlpcc2017摘要数据，内容为新闻正文及其摘要，总计50000个样本。

准备好数据之后就要开始进行数据预处理

在此之后就要开始模型的构建，即进行模型基本搭建

接下来进入模型训练

要特别注意：建议使用较高规格的算力，训练时间较长

经过训练后就可以进行模型推理

即数据处理，将向量数据变为中文数据

最后附上打卡时间

NewtoPhone
关注
【昇思25天学习打卡营第14天 | ShuffleNet图像分类】
imath60的博客
07-09 275
ShuffleNetV1的学习不仅让我对轻量级神经网络的设计有了深刻的认识，也让我体会到了优化算法在实际应用中的重要性。模型的创新之处在于其对计算资源的高效利用，这对于资源受限的移动设备尤为重要。通过对ShuffleNetV1的研究，我更加确信，算法的优化和模型的压缩是推动深度学习在移动端发展的关键。通过对ShuffleNetV1模型的学习和代码实践，我掌握了如何平衡模型的精度与效率，这是未来研究和工作中的宝贵财富。同时，我也认识到了持续学习与实践的重要性，以便不断适应快速发展的人工智能领域。
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 1169
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14天|ShuffleNet图像分类
weixin_52919639的博客
07-31 1599
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现模型的压缩和加速。
昇思25天学习打卡营第14天|linchenfengxue
github_zwl的博客
07-05 1052
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14天 | ShuffleNet图像分类
qq_31254435的博客
07-14 1051
昇思25天学习打卡营第14天 | ShuffleNet图像分类
昇思25天学习打卡营第十三天|GAN图像生成
weixin_42553583的博客
07-06 930
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14天|静态图加速
Wayne的CSDN博客
07-09 737
MindSpore-静态图加速
《昇思25天学习打卡营第1天|QuickStart》
hellozmz的博客
07-11 487
曾经接触过华为的910B服务级显卡，当时基于910B做了一些开发的工作，但是总感觉做的事情太低层，想要能自顶向下的了解下，因此开始了MindSpore的学习。另外也想给予提供的显卡，简单尝试下llm模型的训练，不知道提供的显卡能否支持llm模型训练。
昇思25天学习打卡营第14天|SSD目标检测
shen的博客
07-08 819
SSD，全称Single Shot MultiBox Detector，是Wei Liu在ECCV 2016上提出的一种目标检测算法。使用Nvidia Titan X在VOC 2007测试集上，SSD对于输入尺寸300x300的网络，达到74.3%mAP(mean Average Precision)以及59FPS；对于512x512的网络，达到了76.9%mAP ，超越当时最强的Faster RCNN(73.2%mAP)。具体可参考论文[1]。
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 1613
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9天|MindSpore-Vision Transformer图像分类
pblh123的专栏
07-02 1254
基于自注意（Self-Attention）结构的模型，Transformer模型，由于Transformers的计算效率和可扩展性，它已经能够训练具有超过100B参数的空前规模的模型。ViT则是自然语言处理和计算机视觉两个领域的融合结晶。在不依赖卷积操作的情况下，依然可以在图像分类任务上达到很好的效果。
昇思25天学习打卡营第12天|MindSpore-基于MobileNetv2的垃圾分类
pblh123的专栏
07-05 929
MobileNet网络是由Google团队于2017年提出的专注于移动端、嵌入式或IoT设备的轻量级CNN网络，相比于传统的卷积神经网络，MobileNet网络使用深度可分离卷积（Depthwise Separable Convolution）的思想在准确率小幅度降低的前提下，大大减小了模型参数与运算量。并引入宽度系数 α和分辨率系数 β使模型满足不同应用场景的需求。
【李肯C语言学习挑战50天打卡】内容简介（购买专栏必看）
一个专注于嵌入式IoT领域的架构师，深耕IoT领域多年，深度掌握IoT领域的相关技术栈，包括但不限于RTOS内核的实现及其移植、硬件驱动移植开发、网络通讯协议开发、编译构建原理及其实现、底层汇编及编译原理、编译优化及代码重构、嵌入式IoT系统的架构设计等。
11-10 5457
学习C语言真的那么难吗？培养一个自律的学习习惯真的那么难吗？构建工程化的技术视角能力真的那么难吗？不妨过来看看 ......
人工智能之python打卡学习100天计划-day11
weixin_41047266的博客
04-01 1716
面向对象，面向对象进阶，面向对象应用(扑克游戏，工资计算系统)
学习记录：js算法（四十九）：二叉树的层序遍历
weixin_48677331的博客
10-01 429
任重而道远！
10.2学习
2401_87363162的博客
10-02 1168
​ Spring AOP就是基于动态代理的，如果要代理的对象，实现了某个接⼝，那么Spring AOP会使⽤JDKProxy，去创建代理对象，⽽对于没有实现接⼝的对象，就⽆法使⽤ JDK Proxy 去进⾏代理了，这时候Spring AOP会使⽤基于asm框架字节流的Cglib动态代理 ，这时候Spring AOP会使⽤ Cglib ⽣成⼀个被代理对象的⼦类来作为代理。每个线程中都有一个自己的ThreadLocalMap类对象，可以将线程自己的对象保持到其中，各管各的，线程可以正确的访问到自己的对象。
jmeter学习（7）beanshell
最新发布
daxiashangxian的博客
10-06 324
打开日志选项，beanshell的log可以在日志中查看log.info("deviceId"）举例：获取返回数据中的字段。
关于懒惰学习与渴求学习的一份介绍
2301_79096986的博客
10-04 1198
在这篇文章中，我将介绍些懒惰学习与渴求学习的算法例子，会介绍其概念、优缺点以及其python的运用。
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