自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(35)
  • 资源 (7)
  • 收藏
  • 关注

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 06:00:51 624

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 09:35:06 703

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 19:40:29 770

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 1001

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 19:38:00 617

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 19:24:15 868

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 20:08:22 608

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 08:28:35 845

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 11:19:04 717

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 08:14:31 166

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 10:47:37 116

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 08:52:11 593

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 09:55:29 814

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 09:22:07 224

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 1063

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 09:23:38 895

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 11:06:59 615

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 09:20:11 919

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∇lxwtwt1​wt​−ηn1​x∈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 09:12:16 821

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 14:47:10 292

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 1013

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 08:47:31 889

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 16:55:30 352 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 21:34:08 775 1

原创 在单面打印机上使用WPS实现手工双面打印

WPS中的手工双面打印

2022-05-28 21:35:05 971

原创 如何查看RGB888格式的数据文件

通过Python3自带的PIL图像处理库将RGB888格式的原始数据转换为Bmp格式的图像文件

2022-05-27 12:26:07 1288

原创 YUV格式的图片查看工具YUView 2.13

YUV格式的图片查看工具YUView 2.13

2022-05-26 19:16:28 21173

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 1391

原创 百度增强学习框架PARL的并行算法IMPALA初探

开博客啦

2009-02-12 14:51:00 277

opengauss 5-0-0安装 CentOS 7-9 x86-64 1主1备

opengauss 5_0_0安装 CentOS 7_9 x86_64 架构:1主1备

2023-08-03

Java 9 Programming By Example

第1章,Java 9入门,为您提供了Java的快速入门,帮助您安装它 在您的计算机上运行,并使用新的Jshell运行您的第一个交互式程序。 第2章,第一个真正的Java程序 - 排序名称,教你如何创建一个 开发项目。 这一次,我们将创建程序文件并编译代码。 第3章优化Sort-Making Code Professional,进一步开发代码 代码是可重复使用的,而不仅仅是玩具。 第四章,策划 - 创造一个游戏,是当一些乐趣开始的时候。 我们开发游戏 应用程序是有趣的,并不像它看起来那么微不足道,但我们会做到这一点。 第5章扩展游戏 - 运行并行,运行更快,向您展示如何利用多处理器 现代建筑的能力。 这是一个非常重要的章节 技术,只有少数开发人员真正了解。 第6章,使我们的游戏专业 - 做它作为一个Web应用程序,转换用户界面 从命令行到基于Web浏览器的交付,提供更好的用户体验。 第7章,使用REST构建商业Web应用程序,带您了解 开发具有许多商业应用特征的应用程序。 我们将使用已经在企业计算领域取得成功的标准REST协议。 第8章,扩展我们的电子商务应用程序,帮助您进一步开发应用程序 利用现代语言功能,如脚本和lambda表达式。 第9章,使用反应式编程构建会计应用程序,教您如何操作 使用反应式编程来解决一些问题。 第10章,将Java知识完成到专业级别,给出了一个鸟瞰图 在Java开发人员的生活中发挥重要作用的开发人员主题,以及哪些主题 将指导您进一步发展专业开发人员。

2018-07-01

WEB DEVELOPMENT WITH DJANGO COOKBOOK SECOND EDITION Aidas Bendoraitis

第1章,Django 1.8入门,指导您完成基本配置 有必要启动任何Django项目。 它将涵盖诸如虚拟环境, 版本控制和项目设置。 第2章,数据库结构,教你如何编写可重用的代码段以便在你的系统中使用 楷模。当你创建一个新的应用程序时,首先要做的是定义你的模型。另外,你 将被问及如何使用Django迁移来管理数据库模式更改。 第3章“表单和视图”向您展示了一些用于创建视图和表单的模式 你的数据。 第4章,模板和JavaScript,涵盖了使用模板的实际例子 JavaScript一起。随着信息的始终,我们将汇集模板和JavaScript 通过渲染模板呈现给用户,在现代网站中,JavaScript是必不可少的 丰富的用户体验。 第5章自定义模板过滤器和标签介绍了如何创建和使用自己的模板 模板过滤器和标签。正如你将会看到的,默认的Django模板系统可以 扩展以匹配模板开发人员的需求。 第6章“模型管理”指导您扩展默认管理 具有您自己的功能,因为Django框架带有一个方便的预建模型 行政。 第7章Django CMS讨论了使用最多的Django CMS的最佳实践 使用Django制作的流行的开源内容管理系统,并将其应用于您的 项目的要求。 第8章“分层结构”表明,无论什么时候需要创建一个树状结构 在Django中,django-mptt模块派上用场。本章将向您展示如何 使用它并为分层结构设置管理。 第9章“数据导入和导出”演示了如何从不同的数据传输数据 格式,并从中检索并提供给不同的来源。本章涉及 用于数据导入的管理命令以及用于数据导出的API。 第10章Bells and Whistles展示了一些在日常中有用的附加片段和技巧 网页开发和调试。 第11章,测试和部署,教你如何测试你的项目并将其部署到你的项目上 远程服务器。

2018-06-06

NODEJS_WEB_DEVELOPMENT_THIRD_EDITION

第1章,关于Node.js,向您介绍Node.js平台。它涵盖了它的用途, Node.js中的技术架构选择,它的历史,服务器端的历史 JavaScript,以及为什么JavaScript应该从浏览器中解放出来。 第2章设置Node.js,重新设置Node.js开发环境。 这包括在Windows,Mac OS X和Linux(命令行)上安装Node.js Node.js中使用ECMA Script 2015功能的工具以及npm软件包管理 系统。 第3章Node.js模块探讨了模块作为Node.js模块化的单元 应用。我们深入了解并开发Node.js模块和 使用npm来维护我们的依赖列表。 第4章HTTP服务器和客户端 - Web应用程序的第一步,开始探索Web Node.js开发我们开发了几个小型网络服务器和客户端应用 在Node.js中我们使用斐波那契算法来探索重量超长的影响 Node.js应用程序的计算以及几种缓解策略。 这使我们第一次接触到基于REST的服务开发。 第5章,你的第一个快速应用程序,开始几章开发一个 笔记记录应用程序。第一步是获得一个基本的应用程序运行。 第6章,实现Mobile-First范式,使用Bootstrap框架 实施响应式网页设计。从一开始就支持移动设备 现代软件开发中的一种驾驶模式。 第7章“数据存储和检索”确保我们不会在什么时候丢失笔记 重新启动应用程序。我们探索几种数据库引擎,以及一种方法 可以随意切换它们。 第8章,多用户认证微服务方式,将用户认证添加到 笔记记录应用程序。它可以被登录用户和匿名用户使用 每个都有不同的功能。身份验证支持本地 用户注册和使用OAuth2。 第9章使用Socket.IO实现客户端和服务器之间的动态交互

2018-04-08

AWS ADMINISTRATION THE DEFINITIVE GUIDE

AWS管理大全,介绍AWS的概念、安全和访问管理、镜像和实例、安全性、存储和网络,AWS VPC虚拟私有云,监控,弹性扩展,负载均衡,数据库,简单存储等。

2018-04-08

ARTIFICIAL_INTELLIGENCE_WITH_PYTHON

python人工智能,介绍极度随机的森林,隐马尔可夫模型,遗传算法,人工神经网络和卷积神经网络

2018-04-08

使用db2top和db2advis生成索引建议

使用db2top和db2advis生成索引建议

2016-08-23

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除