《昇思25天学习打卡营第17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172 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/140535791
版权

接续上一天的学习

首先我们要了解下Score计算

根据公式(3)(3)计算正确标签序列所对应的得分，这里需要注意，除了转移概率矩阵𝐏P外，还需要维护两个大小为的向量，分别作为序列开始和结束时的转移概率。同时我们引入了一个掩码矩阵，将多个序列打包为一个Batch时填充的值忽略，使得ScoreScore计算仅包含有效的Token。

如图

除此之外还有Normalizer计算

Normalizer是𝑥对应的所有可能的输出序列的Score的对数指数和(Log-Sum-Exp)。此时如果按穷举法进行计算，则需要将每个可能的输出序列Score都计算一遍，共有多个结果。

在之中算法扮演着十分重要的角色

需要实现解码部分。我们要选择适合求解序列最优路径的Viterbi算法。与计算Normalizer类似，使用动态规划求解所有可能的预测序列得分。

文末附上打卡时间

NewtoPhone
关注
【昇思25天学习打卡营第17天 | LSTM+CRF序列标注】
imath60的博客
07-09 174
通过本文档的学习，我对LSTM结合CRF进行序列标注任务有了更深刻的理解。文章不仅提供了理论基础，还通过代码实例演示了模型的构建和训练过程。特别是CRF层的实现，展示了如何将理论知识转化为实际的算法应用。此外，通过Viterbi算法进行解码的部分，让我对动态规划求解最优序列有了直观的认识。整体而言，这篇文档是学习序列标注和CRF理论的宝贵资源，对深入掌握自然语言处理中的序列标注任务大有裨益。
昇思25天学习打卡营第17天|基于MobileNetv2的垃圾分类
qq_42001096的博客
07-05 194
MobileNet网络使用深度可分离卷积思想，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以满足不同应用场景需求。本文档详细介绍了基于MobileNetV2的垃圾分类实验的全过程，包括数据处理、模型训练和推理等，为垃圾分类应用提供了一种有效的解决方案。本案例支持win_x86和Linux系统，CPU/GPU/Ascend均可运行，需正确安装MindSpore。主要介绍了基于MobileNetV2的垃圾分类实验，包括模型原理、实验环境、数据处理、模型训练和推理等内容。
昇思25天学习打卡营第13天|基于MobileNetV2的垃圾分类
m0_62894627的博客
07-01 597
MovileNetV2网络使用深度可分离卷积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，同时还突出使用倒残差结构和Linear Bottlenecks来设计网络，以提高模型准确率并使优化后的模型更小。
昇思25天学习打卡营第17天|xiaoyushao
yichen_0221的博客
07-29 948
昇思25天学习打卡营第17天，应用实践，基于K近邻算法实现红酒分类
昇思25天学习打卡营第17天|munger85
MungerVC
07-20 575
前向计算# 保留了一个图像缓冲区，用来存储之前创建的50个图像else:else:= 4:上面就是前向传播过程下面是反向传播，判别器也是在这个过程里起作用# 实例化求梯度的方法# 计算生成器的梯度，反向传播更新参数# 计算判别器的梯度，反向传播更新参数这样训练就得到4个模型生成器模型源和目的2个，然后是判别器的2个推理使用生成器模型去生成一个输入的图片苹果就变成了橘子这里有个疑问，为什么不用训练好的模型，而是用了mindrecord训练好的自带的。
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17天|LSTM+CRF
2301_78538042的博客
07-21 1790
【代码】昇思25天学习打卡营第17天|LSTM+CRF。
昇思25天学习打卡营第17天|SSD目标检测
weixin_52919639的博客
08-01 805
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11天|基于MindSpore通过GPT实现情感分类
数字人生
06-29 1183
【代码】基于MindSpore通过GPT实现情感分类。
昇思25天学习打卡营第2天|基于MindSpore通过GPT实现情感分类
不想宅的冷同学
06-25 380
截至目前，GPT模型已经发展了四代，分别是GPT-1、GPT-2、GPT-3和GPT-4。GPT-4o已经初步实现了多模态的统一，可以接受文本、音频、图像和视频的任意组合作为输入，并生成文本、音频和图像的任意组合输出。不久的将来，GPT-5的发布不仅仅是技术的进步，更是对我们生活和工作的深远影响的开始。为了迎接技术变革，我们要做好准备，例如，个人技能的提升、注重跨领域的合作、伦理和监管等。学习心得：AI技术的进步不仅仅体现在模型参数的增加和性能的提升，更重要的是其在各个领域中实际应用的广泛性和深度。
昇思25天学习打卡营|MQ（mindquantum）编程实践
数字人生
07-14 1095
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 ......
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