![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
MindSpore从入门到精通
文章平均质量分 93
昇思MindSpore是由华为于2019年8月推出的新一代全场景AI框架,2020年3月28日,华为宣布昇思MindSpore正式开源。昇思MindSpore是一个全场景AI框架,旨在实现易开发、高效执行、全场景统一部署三大目标。
前端基地
本人投身于前端开发领域已达数年之久,积累了极为丰富的前端开发经验。在此分享的文章均是由作者倾心竭力精心编写而成。无论您是初涉前端的小白,还是渴望更上一层楼的进阶者,这些文章都将成为您前行道路上的明灯,引领您一步步从懵懂的新手走向令人敬仰的大神之境。
此外,本人还具备 UI 设计方面的经验,能够为您在前端开发与设计的融合上提供独到的见解和实用的技巧,助力您打造出更具魅力和用户友好的前端产品。
展开
-
昇思25天学习打卡营第25天|LSTM+CRF序列标注案例
本文阐述了 LSTM + CRF 序列标注的实例,涵盖了基于 MindSpore 的条件随机场得分计算函数的代码剖析、计算条件随机场归一化因子的函数的代码剖析、条件随机场的维特比解码及后处理函数的代码剖析、基于 MindSpore 的条件随机场(CRF)类的实现与应用的代码剖析、基于 BiLSTM 和 CRF 的序列标注模型的构建与数据准备的代码剖析、BiLSTM - CRF 模型的训练准备与数据处理的代码剖析、BiLSTM - CRF 模型的训练与预测结果处理的代码剖析。原创 2024-07-31 09:14:07 · 1142 阅读 · 0 评论 -
昇思25天学习打卡营第24天|基于MobileNetv2的垃圾分类案例:从数据准备到导出模型文件
这篇文章阐述了:基于 MobileNetv2 的垃圾分类实例,涵盖了从数据准备到导出模型文件的全过程,其中包含了 MindSpore 版本的配置以及相关数据集与预训练权重文件的下载操作,基于 MindSpore 的垃圾分类数据集的创建与配置流程,MobileNetV2 模型的构建及相关类的定义情况,基于 MindSpore 的 MobileNetV2 模型训练与测试的代码剖析,基于 MobileNetV2 模型的图像推理代码分析,以及 MobileNetV2 模型的构建、加载与导出的代码解析。原创 2024-07-30 16:22:42 · 842 阅读 · 0 评论 -
昇思25天学习打卡营第23天|基于MindSpore的红酒分类实验案例:从数据准备到模型预测
本文详细阐述了基于 MindSpore 的红酒分类实验实例:从数据筹备直至模型预测,涵盖了 MindSpore 版本的配置以及红酒数据集的下载、葡萄酒数据的读取、处理与可视化剖析、基于 KNN 算法的样本分类模型的构建与预测函数的定义、基于 KNN 模型的测试集预测与准确率的计算,助力读者透彻分析整个案例。原创 2024-07-30 14:31:27 · 437 阅读 · 0 评论 -
昇思25天学习打卡营第22天|基于MindNLP+MusicGen生成自己的个性化音乐案例
本文详细阐述了基于 MindNLP 和 MusicGen 生成个性化音乐的实例,涵盖了 MindSpore 环境的配置以及 Musicgen 模型的加载。其中,对模型加载 Musicgen 模型的无条件生成与音频保存进行了说明。还包括基于文本输入的 Musicgen 模型生成与音频保存。针对使用预训练模型生成特定描述的音频并保存与播放,每一行代码都进行了透彻的分析,有助于读者更有效地理解。原创 2024-07-30 13:44:04 · 702 阅读 · 0 评论 -
昇思25天学习打卡营第21天|FCN图像语义分割案例:从数据集下载到模型推理
本文全面呈现了 FCN 图像语义分割的经典案例:涵盖了从数据集下载直至模型推理的全过程。具体包括 MindSpore 版本管理与数据集下载的精心准备、图像分割数据集的详尽定义、处理及获取、训练集数据精彩的图像展示、基于 MindSpore 的 FCN8s 图像分割模型的精准定义、图像分割模型预训练模型的加载与评估指标的细致定义、基于 CPU 的 FCN8s 模型训练的周全配置与精心准备、FCN8s 模型的权重加载与评估数据集的精确评估,以及 FCN8s 模型令人瞩目的推理效果展示。每一行代码都经过了细致入微原创 2024-07-30 12:20:55 · 977 阅读 · 0 评论 -
昇思25天学习打卡营第20天|ShuffleNet 图像分类案例:模块、训练与评估
本文全面阐述了 ShuffleNet 图像分类的经典案例:模块、训练与评估的各个关键环节。其中涵盖了基于 MindSpore 的分组卷积类的精妙定义与切实实现,基于 MindSpore 的 ShuffleV1Block 类的详细定义以及数据处理流程,基于 MindSpore 的 ShuffleNetV1 网络的精准定义与精心构建,Cifar-10 数据集的高效获取、细致的预处理以及合理的分批操作,基于 ShuffleNetV1 模型在 CPU 上的周密训练配置与严谨执行过程,ShuffleNetV1 模型在原创 2024-07-30 10:50:45 · 1188 阅读 · 0 评论 -
昇思25天学习打卡营第19天|ResNet50 图像分类案例:数据集、训练与预测可视化
这篇文章重点围绕 ResNet50 图像分类展开,涵盖了数据集的准备与加载、数据集的可视化、网络的构建、模型的训练与评估,以及模型预测的可视化等方面。文中对每一行代码都进行了细致且精心的分析与解读,有助于读者更迅速、更有效地掌握 ResNet50 图像分类的实例。原创 2024-07-29 14:49:33 · 739 阅读 · 0 评论 -
昇思25天学习打卡营第18天|ResNet50 迁移学习实战:从数据准备到模型构建
本篇文章全方位呈现了 ResNet50 迁移学习的实战过程:从数据准备直至模型构建,涵盖环境配置、数据集加载、数据集可视化、ResNet50 网络搭建、固定特征开展训练、训练与评估以及模型预测的可视化等方面。对每一行代码均进行了细致入微的分析与解读。原创 2024-07-29 13:20:31 · 922 阅读 · 0 评论 -
昇思25天学习打卡营第17天|Pix2Pix实现图像转换案例:从环境配置到训练案例的全流程解析
本文全面阐述了 Pix2Pix 实现图像转换的案例,对从环境配置至训练案例的整个流程进行了详尽解析,涵盖环境配置、数据展示、创建网络、训练以及推理等环节。一步一步引领您达成图像转换的目标。深度且细致地剖析每一步代码的含义,仅这一篇便能满足您的需求。原创 2024-07-29 10:51:25 · 793 阅读 · 0 评论 -
昇思25天学习打卡营第16天|GAN 图像生成指南:数据集和模型训练手册
这篇文章详细阐述了 GAN 图像生成的指南:涵盖数据集与模型训练的实用手册,具体包含 MindSpore 环境的配置事宜、MNIST 数据集的下载流程及处理方法拓展。此外,还涉及数据集的可视化操作、隐码的构建策略、模型的搭建步骤、模型的训练过程、最终效果的展示方式以及模型的推理环节。原创 2024-07-28 23:28:12 · 1247 阅读 · 0 评论 -
昇思25天学习打卡营第15天|探索 Diffusion 扩散模型:从构建到应用的全过程
探索 Diffusion 扩散模型,全面涵盖从构建到应用的整个流程,具体包含环境配置、Diffusion 模型的构建(涉及位置向量、ResNet/ConvNeXT 块、Attention 模块、组规一化以及条件 U-Net)、正向扩散、数据的准备与处理、训练过程和推理过程,并且每一步的代码均配备了极其详尽的注释。原创 2024-07-24 15:10:31 · 1117 阅读 · 0 评论 -
昇思25天学习打卡营第14天|DCGAN 与漫画头像生成:原理剖析与训练实战
创建一个图形,设置标题为“Generator and Discriminator Loss During Training”,绘制生成器和判别器的损失曲线,分别用蓝色和橙色表示,并添加坐标轴标签和图例后显示图形。定义了一个名为 showGif 的函数,用于将生成的图像列表制作成 GIF 动画。在函数内部,创建图形并处理图像,然后使用 animation.ArtistAnimation 生成动画并保存为 GIF 文件。从指定的文件中加载生成器的模型参数。原创 2024-07-16 14:38:05 · 901 阅读 · 0 评论 -
昇思25天学习打卡营第13天|CycleGAN 图像风格迁移互换全流程解析
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。从 dataset 中读取前 5 组图像数据,对其进行处理,并以特定的布局在一个图形中展示这些图像。原创 2024-07-16 11:15:47 · 1115 阅读 · 0 评论 -
昇思25天学习打卡营第12天|MindSpore 助力下的 GPT2:数据集加载处理及模型全攻略
在实际应用中,对基于 GPT 的序列分类任务进行微调训练和评估。训练过程中会按照设置的参数进行,如学习率、轮数等,并通过回调函数保存训练过程中的检查点和最佳模型。评估过程则使用测试数据集来评估训练好的模型的性能。原创 2024-07-15 13:08:35 · 786 阅读 · 0 评论 -
昇思25天学习打卡营第11天|MindSpore 助力下的 GPT2:数据集加载处理及模型全攻略
“%%capture captured_output”这一行指令通常旨在捕获后续整个代码块所产生的输出结果。首先,将已预装的 mindspore 库予以卸载。随后,借助指定的国内镜像源(如 https://pypi.mirrors.ustc.edu.cn/simple )来安装特定版本(即 2.2.14 版)的 mindspore 库。接着,通过另一个国内镜像源(如 https://pypi.tuna.tsinghua.edu.cn/simple )完成指定版本(0.15.0 版)的 tok原创 2024-07-06 22:50:13 · 1184 阅读 · 0 评论 -
昇思25天学习打卡营第10天|利用 MindSpore 实现 BERT 对话情绪识别的完整攻略
首先,利用“%%capture captured_output”来捕获后续代码执行所产生的输出。其次,运用“!pip uninstall mindspore -y”这一命令,对已经安装的 mindspore 库予以卸载。随后,从特定的镜像源(即中国科学技术大学的镜像)安装明确版本(2.2.14)的 mindspore 库,之后安装 mindnlp 库,最后使用 pip 命令来显示关于“mindspore”库的详细信息,包括版本、所在位置、依赖项等相关信息。原创 2024-07-04 15:33:40 · 1717 阅读 · 0 评论 -
昇思25天学习打卡营第9天|静态图模式的深度剖析与应用指南
AI 编译框架主要包含两种运行模式,即动态图模式与静态图模式。在默认状况下,MindSpore 是以动态图模式进行运行的,不过同时也支持通过人工操作切换为静态图模式。原创 2024-07-03 15:10:27 · 868 阅读 · 0 评论 -
昇思25天学习打卡营第8天|模型权重与 MindIR 的保存加载
上一章节着重阐述了怎样对超参数予以调整,以及如何开展网络模型的训练工作。在网络模型训练的整个进程当中,事实上我们满怀期望能够留存中间阶段以及最终的成果,以便用于细微的调整(fine-tune)以及后续的模型推理和部署操作。在本章节,我们将会为您介绍怎样去保存以及加载模型。原创 2024-07-03 12:48:45 · 1194 阅读 · 0 评论 -
昇思25天学习打卡营第7天|深度学习流程全解析:从模型训练到评估
使用 datapipe 函数分别对训练集和测试集进行处理。为训练集和测试集指定了不同的路径,然而批大小均为 64 。处理结束后,将所得结果分别存放在 train_dataset 和 test_dataset 这两个变量当中,以便后续用于模型的训练与测试。原创 2024-07-03 10:22:47 · 1002 阅读 · 0 评论 -
昇思25天学习打卡营第6天|关于函数与神经网络梯度相关技术探讨
Python 中的 numpy 库被成功导入,并简称为 np。numpy 在科学计算领域应用广泛,其为用户提供了高效便捷的数组操作方式以及丰富的数学函数。此外,mindspore 这一特定的深度学习框架或与之相关的库也被引入。从 mindspore 库中,nn 模块被导入,该模块涵盖了与神经网络相关的各类类和函数。同时,ops 模块也从 mindspore 库中被引入,其中包含了多种多样的操作符或者操作函数。不仅如此,Tensor(张量)和 Parameter(参数)这两个类也从 mindspore 库原创 2024-07-02 12:03:23 · 1260 阅读 · 0 评论 -
昇思25天学习打卡营第5天|网络与模型相关要素探讨
将 MindSpore 整个模块引入到当前的 Python 脚本里,方便后续运用 MindSpore 所提供的各类功能与类。从 MindSpore 模块中单独导入“nn”(一般代表神经网络相关的类和函数)以及“ops”(通常指操作符相关的功能),如此一来,在后续的代码中就能够直接使用“nn”和“ops”,而无需添加“mindspore.”这个前缀,让代码变得更加简洁、更易于阅读。原创 2024-07-01 12:20:40 · 1253 阅读 · 0 评论 -
昇思25天学习打卡营第3天|数据集全攻略:加载、操作与自定义
数据是深度学习的基础,高质量的数据输入将在整个深度神经网络中起到积极作用。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。其中Dataset是Pipeline的起始,用于加载原始数据。mindspore.dataset提供了内置的文本、图像、音频等数据集加载接口,并提供了自定义数据集加载接口。此外MindSpore的领域开发库也提供了大量的预加载数据集,可以使用API一键下载使用原创 2024-06-28 15:35:34 · 1001 阅读 · 0 评论 -
昇思25天学习打卡营第4天|常见的数据变换 Transforms类型
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map方法传入,实现对指定数据列的处理。mindspore.dataset提供了面向图像、文本、音频等不同数据类型的Transforms,同时也支持使用Lambda函数。原创 2024-06-28 22:33:25 · 1053 阅读 · 0 评论 -
昇思25天学习打卡营第2天|探索张量:从创建到运算,包括属性、索引、与 NumPy 转换及稀疏张量
张量的创建方式呈现出多样化的特点,在进行张量的构造操作时,支持传入诸如 Tensor、float、int、bool、tuple、list 以及 numpy.ndarray 等多种类型的数据。原创 2024-06-26 08:56:47 · 371 阅读 · 0 评论 -
昇思25天学习打卡营第1天|MindSpore 全流程操作指南
MindSpore 是由华为公司于 2019 年 8 月推出的新一代全场景 AI 计算框架,2020 年 3 月 28 日,MindSpore 正式开源。MindSpore 着重提升了易用性并降低了 AI 开发者的开发门槛,其原生适应每个场景包括端、边缘和云,并能够在按需协同的基础上,通过实现 AI 算法即代码,使开发态变得更加友好,显著减少模型开发时间,降低模型开发门槛。MindSpore 也支持 GPU、CPU 等其它处理器。MindSpore 框架架构总体分为 MindSpore 前端表示层、Min原创 2024-06-25 08:50:08 · 953 阅读 · 0 评论