- 博客(35)
- 资源 (7)
- 收藏
- 关注
RSS订阅原创 昇思25天学习打卡营第25天 | ResNet50迁移学习
在实际应用场景中，由于训练数据集不足，所以很少有人会从头开始训练整个网络。普遍的做法是，在一个非常大的基础数据集上训练得到一个预训练模型，然后使用该模型来初始化网络的权重参数或作为固定特征提取器应用于特定的任务中。本章将使用迁移学习的方法对ImageNet数据集中的狼和狗图像进行分类。迁移学习详细内容见。
2024-07-13 06:00:51
625
原创 昇思25天学习打卡营第24天 | ResNet50图像分类
ResNet50网络是2015年由微软实验室的何恺明提出，获得ILSVRC2015图像分类竞赛第一名。在ResNet网络提出之前，传统的卷积神经网络都是将一系列的卷积层和池化层堆叠得到的，但当网络堆叠到一定深度时，就会出现退化问题。下图是在CIFAR-10数据集上使用56层网络与20层网络训练误差和测试误差图，由图中数据可以看出，56层网络比20层网络训练误差和测试误差更大，随着网络的加深，其误差并没有如预想的一样减小。
2024-07-12 09:35:06
704
原创 昇思25天学习打卡营第23天 | FCN图像语义分割
FCN主要用于图像分割领域，是一种端到端的分割方法，是深度学习应用在图像语义分割的开山之作。通过进行像素级的预测直接得出与原图大小相等的label map。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。全卷积神经网络主要使用以下三种技术：卷积化（Convolutional）使用VGG-16作为FCN的backbone。VGG-16的输入为224*224的RGB图像，输出为1000个预测值。VGG-16只能接受固定大小的输入，丢弃了空间坐标，产生非空间输出。
2024-07-10 19:40:29
772
原创 昇思25天学习打卡营第22天 | Shufflenet图像分类
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。
2024-07-09 19:39:59
1002
原创 昇思25天学习打卡营第22天 | Shufflenet图像分类
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。
2024-07-09 19:38:00
619
原创 昇思25天学习打卡营第21天 | SSD目标检测
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]。
2024-07-09 19:24:15
872
原创 昇思25天学习打卡营第20天 | Vision Transformer图像分类
近些年，随着基于自注意（Self-Attention）结构的模型的发展，特别是Transformer模型的提出，极大地促进了自然语言处理模型的发展。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。本案例完成了一个ViT模型在ImageNet数据上进行训练，验证和推理的过程，其中，对关键的ViT模型结构和原理作了讲解。
2024-07-08 20:08:22
610
原创 昇思25天学习打卡营第19天 | RNN实现情感分类
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。最后我们预测开头的样例，可以看到模型可以很好地将评价语句的情感进行分类。
2024-07-07 08:28:35
848
原创 昇思25天学习打卡营第18天 | LSTM+CRF序列标注
序列标注指给定输入序列，给序列中每个Token进行标注标签的过程。序列标注问题通常用于从文本中进行信息抽取，包括分词(Word Segmentation)、词性标注(Position Tagging)、命名实体识别(Named Entity Recognition, NER)等。如上表所示，清华大学和北京是地名，需要将其识别，我们对每个输入的单词预测其标签，最后根据标签来识别实体。
2024-07-06 11:19:04
718
原创 昇思25天学习打卡营第17天 | 基于MindSpore的GPT2文本摘要
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。因GPT2无中文的tokenizer，我们使用BertTokenizer替代。数据处理，将向量数据变为中文数据。
2024-07-05 08:14:31
167
原创 昇思25天学习打卡营第16天 | 基于MindSpore通过GPT实现情感分类
【代码】昇思25天学习打卡营第16天 | 基于MindSpore通过GPT实现情感分类。
2024-07-04 10:47:37
118
原创 昇思25天学习打卡营第15天 | 文本解码原理-以MindNLP为例
Beam search通过在每个时间步保留最可能的 num_beams 个词，并从中最终选择出概率最高的序列来降低丢失潜在的高概率序列的风险。按照贪心搜索输出序列(“The”,“nice”,“woman”) 的条件概率为：0.5 x 0.4 = 0.2。缺点: 错过了隐藏在低概率词后面的高概率词，如：dog=0.5, has=0.9。选出概率最大的 K 个词，重新归一化，最后在归一化后的 K 个词中采样。2. 开放域生成效果差。增加高概率单词的似然并降低低概率单词的似然。将出现过的候选词的概率设置为 0。
2024-07-03 08:52:11
598
原创 昇思25天学习打卡营第14天 | 基于MindSpore 实现 BERT 对话情绪识别
BERT全称是来自变换器的双向编码器表征量（Bidirectional Encoder Representations from Transformers），它是Google于2018年末开发并发布的一种新型语言模型。与BERT模型相似的预训练语言模型例如问答、命名实体识别、自然语言推理、文本分类等在许多自然语言处理任务中发挥着重要作用。模型是基于Transformer中的Encoder并加上双向的结构，因此一定要熟练掌握Transformer的Encoder的结构。
2024-07-02 09:55:29
816
原创 昇思25天学习打卡营第13天 | MindNLP ChatGLM-6B StreamChat
本案例基于MindNLP和ChatGLM-6B实现一个聊天应用。可以修改下列参数和prompt体验模型。下载权重大约需要10分钟。
2024-07-01 09:22:07
226
原创 昇思25天学习打卡营第12天 | 基于MobileNetv2的垃圾分类函数式自动微分
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。
2024-06-30 09:05:29
1064
原创 昇思25天学习打卡营第11天 | 基于MindSpore的红酒分类实验
K近邻算法（K-Nearest-Neighbor, KNN）是一种用于分类和回归的非参数统计方法，最初由 Cover和Hart于1968年提出(Cover等人,1967)，是机器学习最基础的算法之一。它正是基于以上思想：要确定一个样本的类别，可以计算它与所有训练样本的距离，然后找出和该样本最接近的k个样本，统计出这些样本的类别并进行投票，票数最多的那个类就是分类的结果。KNN的三个基本要素：K值，一个样本的分类是由K个邻居的“多数表决”确定的。K值越小，容易受噪声影响，反之，会使类别之间的界限变得模糊。
2024-06-29 09:23:38
896
原创 昇思25天学习打卡营第10天 | 基于MindNLP+MusicGen生成自己的个性化音乐
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，能够根据文本描述或音频提示生成高质量的音乐样本，相关研究成果参考论文《MusicGen直接使用谷歌的及其权重作为文本编码器模型，并使用及其权重作为音频压缩模型。MusicGen解码器是一个语言模型架构，针对音乐生成任务从零开始进行训练。MusicGen 模型的新颖之处在于音频代码的预测方式。
2024-06-28 11:06:59
618
原创 昇思25天学习打卡营第9天 | 使用静态图加速
AI编译框架分为两种运行模式，分别是动态图模式以及静态图模式。MindSpore默认情况下是以动态图模式运行，但也支持手工切换为静态图模式。
2024-06-27 09:20:11
921
原创 昇思25天学习打卡营第8天 | 保存与加载
基本介绍 || 快速入门 || 张量 Tensor || 数据集 Dataset || 数据变换 Transforms || 网络构建 || 函数式自动微分 || 模型训练 || 保存与加载 || 使用静态图加速上一章节主要介绍了如何调整超参数，并进行网络模型训练。在训练网络模型的过程中，实际上我们希望保存中间和最后的结果，用于微调（fine-tune）和后续的模型推理与部署，本章节我们将介绍如何保存与加载模型。保存和加载模型权重保存模型使用接口，传入网络和指定的保存路径：要加载模型权重，需要先创建
2024-06-26 10:00:14
312
原创 昇思25天学习打卡营第7天 | 模型训练
从网络构建中加载代码，构建一个神经网络模型。nn.ReLU(),nn.ReLU(),超参（Hyperparameters）是可以调整的参数，可以控制模型训练优化的过程，不同的超参数值可能会影响模型训练和收敛速度。wt1wt−η1n∑x∈B∇lxwtwt1wt−ηn1x∈B∑∇lxwt公式中，nnn是批量大小（batch size），ηηη是学习率（learning rate）。另外，wtw_{t}w。
2024-06-25 09:12:16
822
原创 昇思25天学习打卡营第6天 | 函数式自动微分
基本介绍 || 快速入门 || 张量 Tensor || 数据集 Dataset || 数据变换 Transforms || 网络构建 || 函数式自动微分 || 模型训练 || 保存与加载 || 使用静态图加速神经网络的训练主要使用反向传播算法，模型预测值（logits）与正确标签（label）送入损失函数（loss function）获得loss，然后进行反向传播计算，求得梯度（gradients），最终更新至模型参数（parameters）。自动微分能够计算可导函数在某点处的导数值，是反向传播算法的一
2024-06-24 14:47:10
293
原创 昇思25天学习打卡营第5天 | 网络构建
当我们定义神经网络时，可以继承nn.Cell类，在__init__方法中进行子Cell的实例化和状态管理，在construct方法中实现Tensor操作。construct意为神经网络（计算图）构建，相关内容详见使用静态图加速。nn.ReLU(),nn.ReLU(),构建完成后，实例化Network对象，并查看其结构。Network<我们构造一个输入数据，直接调用模型，可以获得一个十维的Tensor输出，其包含每个类别的原始预测值。方法不可直接调用。logits在此基础上，我们通过一个。
2024-06-23 11:16:54
793
原创 昇思25天学习打卡营第4天 | 数据变换Transforms
基本介绍 || 快速入门 || 张量 Tensor || 数据集 Dataset || 数据变换 Transforms || 网络构建 || 函数式自动微分 || 模型训练 || 保存与加载 || 使用静态图加速通常情况下，直接加载的原始数据并不能直接送入神经网络进行训练，此时我们需要对其进行数据预处理。MindSpore提供不同种类的数据变换（Transforms），配合数据处理Pipeline来实现数据预处理。所有的Transforms均可通过方法传入，实现对指定数据列的处理。提供了面向图像、文本、音频
2024-06-22 10:03:03
701
原创 昇思25天学习打卡营第3天 | 数据集 Dataset
模块提供了一些常用的公开数据集和标准格式数据集的加载API。对于MindSpore暂不支持直接加载的数据集，可以构造自定义数据加载类或自定义数据集生成函数的方式来生成数据集，然后通过接口实现自定义方式的数据集加载。支持通过可随机访问数据集对象、可迭代数据集对象和生成器(generator)构造自定义数据集，下面分别对其进行介绍。
2024-06-21 11:30:48
1014
原创 昇思25天学习打卡营第2天 | 张量 Tensor
基本介绍 || 快速入门 || 张量 Tensor || 数据集 Dataset || 数据变换 Transforms || 网络构建 || 函数式自动微分 || 模型训练 || 保存与加载 || 使用静态图加速张量（Tensor）是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数，这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在 nnn 维空间内，有 nrn^{r}nr 个分量的一种量，其中每个分量都是坐标的函数，而在坐标变换时，这些分量也依照某些规则作线性变换。rr
2024-06-20 08:47:31
891
原创 昇思25天学习打卡营第1天 | 快速入门
基本介绍 || 快速入门 || 张量 Tensor || 数据集 Dataset || 数据变换 Transforms || 网络构建 || 函数式自动微分 || 模型训练 || 保存与加载 || 使用静态图加速本节通过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的使用方法，请参阅各节最后提供的参考链接。处理数据集MindSpore提供基于Pipeline的数据引擎，通过数据集（Dataset）和数据变换（Transforms）实现高效的数据预处理。在本教
2024-06-19 15:48:08
888
原创 【2023 · CANN训练营第一季】- Ascend C 新算子入门专项讲解
昇腾AI处理器里面有8个计算核心，所以我们要把这些数据要给它分到这些计算核心上，在这个例子里面，就是把它分成了八份，分给了八个计算核心去进行计算。单目算子的编写可参考官方文档TIK2的第五章矢量编程，在add示例代码的基础上修改为单目计算（求平方根）本课程以矢量编程Add算子为例，对TIK C++的使用进行详细讲解，并讲解sqrt单目算子的改写步骤。具体可参考在线实验：基于昇腾CANN的Ascend C算子开发。CANN算子在昇腾AI处理器上的位置。2.算子开发的思想：大事化小。UT相关的文件有4个。
2023-05-28 17:42:16
207
原创 【2023 · CANN训练营第一季】Ascend C算子开发入门（下）
掌握TIK C++量算动态shape输的实现。掌握端到端的TIKC++算子开发流程。在线实验>基于昇腾CANN的TIK C++算子开发。了解NPU模式下的性能采集与分析。掌握CPU模式下的算子调试技术。掌握UT和ST的测试编码方法。第三章 TIK C++算子开发及验证。
2023-05-27 16:55:30
354
1
原创 【2023 · CANN训练营第一季】Ascend C算子开发入门（中）
在线实验>基于昇腾CANN的TIK C++算子开发。第二章 TIKC++算子编程范式及算子实现。
2023-05-26 21:51:01
439
1
原创 【2023 · CANN训练营第一季】Ascend C算子开发入门（上）
当前TIK2支持的AI处理器型号为昇腾310P AI处理器、昇腾910 AI处理器，其他型号暂不支持。当前支持用户使用g++等C/C++编译器编译在cpu侧执行的TIK2算子，并使用gdb单步调试；支持用户使用CCEC编译器编译在npu侧执行的TIK2算子，实现加速计算，暂不支持加载至网络模型中进行整网验证。
2023-05-17 21:34:08
779
1
原创 达梦7数据库增量备份恢复
操作系统 Redhat 6.10达梦V7.6.0.197-Build(2019.09.12-112648)ENT本文通过backup database SQL语句对达梦数据库进行增量备份然后通过dmrestore命令恢复增量数据库前提条件数据库要处于归档模式SQL> select arch_name,arch_type,arch_dest from v$dm_arch_ini;行号 ARCH_NAME ARCH_TYPE ARCH_DEST-------...
2020-06-07 19:47:37
1394
Java 9 Programming By Example
2018-07-01
WEB DEVELOPMENT WITH DJANGO COOKBOOK SECOND EDITION Aidas Bendoraitis
2018-06-06
NODEJS_WEB_DEVELOPMENT_THIRD_EDITION
2018-04-08
AWS ADMINISTRATION THE DEFINITIVE GUIDE
2018-04-08
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人