Mindspore
文章平均质量分 76
Mindspore AI框架,华为昇思大模型。基本模型构建,网络层;经典神经网络;应用实践。
柏常青
“一切向前走,都不能忘记走过的路;走得再远、走到再光辉的未来,也不能忘记走过的过去,不能忘记为什么出发”
展开
-
Mindspore框架利用扩散模型DDPM生成高分辨率图像|(三)模型训练与推理实践
Mindspore框架利用扩散模型DDPM生成高分辨率图像|(三)模型训练与推理实践。原创 2024-08-09 17:27:41 · 324 阅读 · 0 评论 -
利用扩散模型DDPM生成高分辨率图像|(一)DDPM模型构建
Diffusion对于图像的处理包括以下两个过程:1)选择的固定(或预定义)正向扩散过程 :它逐渐将高斯噪声添加到图像中,直到最终得到纯噪声;2)一个学习的反向去噪的扩散过程 :通过训练神经网络从纯噪声开始逐渐对图像去噪,直到最终得到一个实际的图像。由t索引的正向和反向过程都发生在某些有限时间步长 (DDPM作者使用 )内。从开始,在数据分布中采样真实图像。原创 2024-08-09 17:13:03 · 1094 阅读 · 0 评论 -
mindspore框架实现ckpt模型导出ONNX格式
【代码】mindspore框架实现ckpt模型导出ONNX格式。原创 2024-07-31 17:50:47 · 545 阅读 · 0 评论 -
mindspore框架下Pix2Pix模型实现真实图到线稿图的转换|(三)Pix2Pix模型训练与模型推理
【代码】mindspore框架下Pix2Pix模型实现真实图到线稿图的转换|(三)Pix2Pix模型训练与模型推理。原创 2024-07-31 16:33:51 · 362 阅读 · 0 评论 -
mindspore框架下Pix2Pix模型实现真实图到线稿图的转换|(二)Pix2Pix模型构建
U-Net分为两个部分,其中左侧是由卷积和降采样操作组成的压缩路径,右侧是由卷积和上采样组成的扩张路径。扩张的每个网络块的输入由上一层上采样的特征和压缩路径部分的特征拼接而成。网络模型整体是一个U形的结构,因此被叫做U-Net。原始cGAN的输入是条件x和噪声z两种信息,这里的生成器只使用了条件信息,因此不能生成多样性的结果。判别器使用的PatchGAN结构,可看做卷积。生成的矩阵中的每个点代表原图的一小块区域(patch)。通过矩阵中的各个值来判断原图中对应每个Patch的真假。原创 2024-07-31 16:21:51 · 918 阅读 · 0 评论 -
Mindspore框架DCGAN模型实现漫画头像生成|(三)DCGAN模型训练和推理
定义损失函数# 为生成器和判别器设置优化器。原创 2024-07-30 14:59:47 · 286 阅读 · 0 评论 -
Mindspore框架DCGAN模型实现漫画头像生成|(二)DCGAN模型构建
通过一系列的Conv2d、BatchNorm2d和LeakyReLU层对其进行处理,最后通过Sigmoid激活函数得到最终概率。生成器G的功能是将隐向量z映射到数据空间。由于数据是图像,这一过程也会创建与真实图像大小相同的 RGB 图像。判别器D是一个二分类网络模型,输出判定该图像为真实图的概率。原创 2024-07-30 14:30:14 · 594 阅读 · 0 评论 -
基于华为昇思MindSpore的GPT2文本摘要
GPT-2(Generative Pre-trained Transformer 2)是由OpenAI研发的一种基于Transformer架构的预训练语言模型,是GPT系列模型的新版本。GPT-2利用Transformer架构的强大能力,通过多层Transformer编码器组成,并使用自回归机制进行文本生成。,GPT-2能够捕捉输入文本的核心信息,并生成与原文内容一致且简洁明了的摘要。原创 2024-07-26 18:17:43 · 328 阅读 · 0 评论 -
基于MindSpore框架GPT实现情感分类
数据加载可以使用:Mindspore框架循环神经网络RNN模型实现情感分类项目用同样的数据集使用load_dataset下载imdbtokenizer可以翻译为“标记解析器”。原创 2024-07-25 17:32:42 · 324 阅读 · 0 评论 -
Mindspore框架CRF条件随机场概率图模型实现文本序列命名实体标注|(三)双向LSTM+CRF模型构建实现
Mindspore框架CRF条件随机场概率图模型实现文本序列命名实体标注|(三)双向LSTM+CRF模型构建与训练实现。原创 2024-07-25 10:27:57 · 647 阅读 · 0 评论 -
Mindspore框架CRF条件随机场概率图模型实现文本序列命名实体标注|(二)CRF模型构建
Mindspore框架CRF条件随机场概率图模型实现文本序列命名实体标注|(二)CRF模型构建Mindspore框架CRF条件随机场概率图模型实现文本序列命名实体标注|(三)双向LSTM+CRF模型构建。原创 2024-07-25 09:49:01 · 896 阅读 · 0 评论 -
Mindspore框架CRF条件随机场概率图模型实现文本序列命名实体标注|(一)序列标注与条件随机场的关系
序列标注:指给定输入序列,给序列中每个Token(word)进行标注标签的过程。序列标注问题:是从文本中进行信息抽取,包括标注分词(Word Segmentation)、词性标注(Position Tagging)、命名实体识别(Named Entity Recognition, NER)等。“BIOE”标注方法:为命名实体识别的标注方法;是将一个实体(Entity)的开头标注为B,其他部分标注为I,非实体标注为O。表示文本中的每个字符分为四种类型:B(Begin)表示一个实体的开始。原创 2024-07-25 09:42:18 · 822 阅读 · 0 评论 -
Mindspore框架循环神经网络RNN模型实现情感分类|(六)模型加载和推理(情感分类模型资源下载)
Mindspore框架循环神经网络RNN模型实现情感分类|(六)模型加载和推理(情感分类模型资源下载)原创 2024-07-24 23:02:15 · 471 阅读 · 0 评论 -
Mindspore框架循环神经网络RNN模型实现情感分类|(五)模型训练
Mindspore框架循环神经网络RNN模型实现情感分类|(五)模型训练与推理Mindspore框架循环神经网络RNN模型实现情感分类|(六)模型加载和推理(情感分类模型资源下载)原创 2024-07-24 17:45:44 · 336 阅读 · 0 评论 -
Mindspore框架循环神经网络RNN模型实现情感分类|(四)损失函数与优化器
Mindspore框架循环神经网络RNN模型实现情感分类|(四)损失函数与优化器Mindspore框架循环神经网络RNN模型实现情感分类|(五)模型训练与推理。原创 2024-07-24 12:13:10 · 1156 阅读 · 0 评论 -
基于MindNLP和ChatGLM-6B实现一个聊天应用
基于MindNLP和ChatGLM-6B实现一个聊天应用:下载模型,加载模型,测试应用聊天。原创 2024-07-23 22:05:29 · 166 阅读 · 0 评论 -
Mindspore框架循环神经网络RNN模型实现情感分类|(二)词向量
Mindspore框架循环神经网络RNN模型实现情感分类|(三)预训练词向量Mindspore框架循环神经网络RNN模型实现情感分类|(四)损失函数与优化器Mindspore框架循环神经网络RNN模型实现情感分类|(五)模型训练与推理。原创 2024-07-23 10:48:25 · 1146 阅读 · 0 评论 -
Mindspore框架循环神经网络RNN模型实现情感分类|(三)RNN模型构建
RNN单个Cell的结构简单,为RNN的链式连接平铺,因此也造成了梯度消失(Gradient Vanishing)问题,具体表现为RNN网络在序列较长时,在序列尾部已经基本丢失了序列首部的信息。为了克服这一问题,LSTM(Long short-term memory)被提出,通过门控机制(Gating Mechanism)来控制信息流在每个循环步中的留存和丢弃。原创 2024-07-22 09:26:56 · 733 阅读 · 0 评论 -
Mindspore框架循环神经网络RNN模型实现情感分类|(一)IMDB影评数据集准备
Mindspore框架循环神经网络RNN模型实现情感分类|(一)数据集准备Mindspore框架循环神经网络RNN模型实现情感分类|(二)RNN模型Mindspore框架循环神经网络RNN模型实现情感分类|(三)模型训练与推理tips:安装依赖库。原创 2024-07-21 16:11:42 · 712 阅读 · 0 评论 -
Mindspore框架利用扩散模型DDPM生成高分辨率图像|(二)数据集准备与处理
Fashion_MNIST数据集加载。原创 2024-07-20 17:14:02 · 389 阅读 · 0 评论 -
昇思25天学习打卡营第19天|DCGAN生成漫画头像
tips:环境搭建:Mindspore、download一、漫画头像数据集准备1).数据集下载2).定义create_dataset_imagenet函数对数据进行处理和增强操作。3).通过create_dict_iterator函数将数据转换成字典迭代器,然后使用matplotlib模块可视化部分训练数据。4).参考文献GCGAN网络应用-生产漫画头像原创 2020-08-28 15:45:39 · 378 阅读 · 1 评论 -
mindspore框架下Pix2Pix模型实现真实图到线稿图的转换|(一)dataset_pix2pix数据集准备
人工智能mindspore框架下Pix2Pix模型实现真实图到线稿图的转换原创 2024-07-19 18:57:11 · 204 阅读 · 0 评论 -
昇思25天学习打卡营第17天|GAN图像生成
MNIST手写数字数据集是NIST数据集的子集,共有70000张手写数字图片,包含60000张训练样本和10000张测试样本,数字图片为二进制文件,图片大小为28*28,单通道。图片已经预先进行了尺寸归一化和中心化处理。本案例将使用MNIST手写数字数据集来训练一个生成式对抗网络,使用该网络模拟生成手写数字图片。转载 2024-07-18 22:23:21 · 35 阅读 · 0 评论 -
Mindspore框架CycleGAN模型实现图像风格迁移|(五)CycleGAN模型推理与资源下载
CycleGAN图像风格迁移推理实现。原创 2024-07-17 17:07:08 · 369 阅读 · 2 评论 -
Mindspore框架CycleGAN模型实现图像风格迁移|(四)CycleGAN模型训练
CycleGAN模型在训练中,有4个反向传播,分别为G(x)、Dx、F(y)、Dy四个网络的反向传播。表示真假苹果损失,真假橘子损失,周期一致损失的综合损失函数。原创 2024-07-17 16:26:41 · 484 阅读 · 0 评论 -
Mindspore框架CycleGAN模型实现图像风格迁移|(三)损失函数计算
cycleGAN生成网络优化器和损失函数简介。原创 2024-07-16 22:26:54 · 496 阅读 · 0 评论 -
Mindspore框架CycleGAN模型实现图像风格迁移|(二)实例数据集(苹果2橘子)
图片来源于ImageNet,该数据集共有17个数据包,本文只使用了其中的苹果橘子部分。图像被统一缩放为256×256像素大小,其中用于训练的苹果图片996张、橘子图片1020张,用于测试的苹果图片266张、橘子图片248张。原创 2024-07-15 18:01:14 · 306 阅读 · 0 评论 -
ndspore框架CycleGAN模型实现图像风格迁移|(一)CycleGAN神经网络模型构建
CycleGAN 网络本质上是由两个镜像对称的 GAN 网络组成。包括两个生成器G、F,两个判别器Dx,Dy。原创 2024-07-15 17:53:10 · 305 阅读 · 0 评论 -
昇思25天学习打卡营第15天|基于MobileNetv2的垃圾分类
MobileNet专注于的轻量级CNN网络。MobileNet网络使用深度)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。因为MobileNet网络中Relu激活函数处理低维特征信息时会存在大量的丢失,所以MobileNetV2网络提出使用倒残差结构(Inverted residual block)和Linear Bottlenecks来设计网络,以提高模型的准确率,且优化后的模型更小。原创 2024-07-14 15:19:49 · 509 阅读 · 0 评论 -
昇思25天学习打卡营第14天|K近邻算法实现红酒聚类
类别(13类属性):Alcohol,酒精;Malic acid,苹果酸Ash,灰;Alcalinity of ash,灰的碱度;Magnesium,镁;Total phenols,总酚;Flavanoids,类黄酮;Nonflavanoid phenols,非黄酮酚;Proanthocyanins,原花青素;Color intensity,色彩强度;Hue,色调;OD280/OD315 of diluted wines,稀释酒的OD280/OD315;Proline,脯氨酸。。原创 2024-07-12 18:54:47 · 755 阅读 · 0 评论 -
昇思25天学习打卡营第13天|基于MindNLP+MusicGen生成自己的个性化音乐
MindNLP是一个依赖昇思MindSpore向上生长的NLP(自然语言处理)框架,旨在利用MindSpore的优势特性,如函数式融合编程、动态图功能、数据处理引擎等,致力于提供高效、易用的NLP解决方案。通过全面拥抱等开源社区,实现模型的快速迁移和适配,同时保持对MindSpore特性的深度利用。MindNLP适用于各种NLP任务,包括但不限于文本分类、情感分析、信息抽取、问答系统等。位于GitHub上(MindNLP GitHub仓库),用户可以在此获取MindNLP的源代码、文档和示例代码。原创 2024-07-12 09:03:43 · 1071 阅读 · 0 评论 -
昇思25天学习打卡营第12天|Vision Transformer图像分类
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。原创 2024-07-10 18:53:11 · 609 阅读 · 0 评论 -
昇思25天学习打卡营第11天|SSD目标检测
SSD采用VGG16作为基础模型,然后在VGG16的基础上新增了卷积层来获得更多的特征图,利用了多尺度的特征图做检测。SSD先通过卷积不断进行特征提取,在需要检测物体的网络,直接通过一个3 ×3卷积得到输出,卷积的通道数由anchor数量和类别数量决定,具体为`(anchor数量*(类别数量+4))`。原创 2024-07-09 23:03:41 · 381 阅读 · 0 评论 -
MindSpore实现Mnist手写数字识别
Mindspore框架入门学习,完成一个完整的手写数字识别项目。原创 2024-06-27 11:04:52 · 464 阅读 · 0 评论 -
昇思25天学习打卡营第10天|ShuffleNet图像分类
ShuffleNet是一种专为移动设备设计的、计算效率极高的卷积神经网络(CNN)架构。其网络结构的设计主要围绕减少计算复杂度和提高模型效率展开,通过引入逐点分组卷积(Pointwise Group Convolution)和通道洗牌(Channel Shuffle)两种新技术,实现了在保持精度的同时大幅降低计算成本。原创 2024-07-08 21:59:08 · 681 阅读 · 0 评论 -
昇思25天学习打卡营第9天|ResNet50图像分类
残差结构由两个分支构成:一个主分支𝐹(𝑥),一个shortcuts(图中弧线表示,𝑥𝐹(𝑥)+𝑥。通过Relu激活函数后即为残差网络最后的输出。定义类实现结构定义类实现Bottleneck结构在输入相同的情况下Bottleneck结构相对结构的,更适合层数较深的网络,ResNet50使用的残差结构就是Bottleneck。该结构的主分支有三层卷积结构,分别为1×1的卷积层、3×3卷积层和1×1的卷积层,其中1×1的卷积层分别起降维和升维的作用。原创 2024-07-07 17:58:49 · 931 阅读 · 0 评论 -
昇思25天学习打卡营第8天|ResNet50迁移学习
迁移学习是一种机器学习方法,具体是指将已经在某一领域(或任务)学习到的知识或模型,应用到另一个不同但相关的领域(或任务)中,以提高在该新任务上的学习效率和效果。这种知识或模型的迁移可以包括网络参数、特征表示、数据间的关系等多种形式的知识。原创 2024-07-05 22:21:19 · 437 阅读 · 0 评论 -
昇思25天学习打卡营第7天|保存与加载
MindSpore是由华为开源的全场景深度学习框架,旨在帮助用户更高效地开发AI应用。在MindSpore中,网络模型的构建主要通过继承mindspore.nn.Cell类来实现。本文介绍了网络模型的保存、加载和导出方法。原创 2024-07-04 18:04:49 · 236 阅读 · 0 评论 -
昇思25天学习打卡营第6天|数据变换 Transforms
通用数据增强mindspore.dataset.transforms接口常用变换概览。原创 2024-07-03 22:23:22 · 954 阅读 · 0 评论 -
昇思25天学习打卡营第5天|FCN图像语义分割
全卷积网络(FCN)是用于图像语义分割的一种框架。语义在图像领域指的是图像的内容,对图片意思的理解。因FCN丢弃全连接层替换为全卷积层,网络所有层均为卷积层,故称为全卷积网络。FCN是首个端到端(end to end)进行像素级)预测的全卷积网络。语义分割的目的是对图像中每个像素点进行分类。与普通的分类任务只输出某个类别不同,语义分割任务输出与输入大小相同的图像,输出图像的每个像素对应了输入图像每个像素的类别。可视化输出结果,不同类别用颜色表示。卷积化:使用VGG-16作为FCN的backbone。原创 2024-07-01 22:37:36 · 329 阅读 · 0 评论