![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
昇思大模型平台训练营
文章平均质量分 71
comedate
这个作者很懒,什么都没留下…
展开
-
昇思 25 天学习打卡营第 25 天 | MindSpore Diffusion 扩散模型
Diffusion也是从纯噪声开始通过一个神经网络学习逐步去噪,最终得到一个实际图像。具体的 Diffusion 扩散模型的原理,可以参考:https://zhuanlan.zhihu.com/p/650394311?utm_id=0MindSpore 的 docs 中有详细的说明;PyTorch 版本地址:过程:Diffusion对于图像的处理包括以下两个过程:a. 我们选择的固定(或预定义)正向扩散过程 q,逐渐将高斯噪声添加到图像中,直到最终得到纯噪声。原创 2024-07-31 13:07:45 · 983 阅读 · 0 评论 -
昇思 25 天学习打卡营第 24 天 | MindSpore Pix2Pix 实现图像转换
MindSpore 的 Pix2Pix 图像转换介绍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。Pix2Pix是将cGAN应用于有监督的图像到图像翻译的经典之作,其包括两个模型:生成器和判别器。论文。原创 2024-07-30 17:32:52 · 702 阅读 · 0 评论 -
昇思 25 天学习打卡营第 23 天 | MindSpore GAN 图像生成
MindSpore 的 GAN 的图像生成介绍生成式对抗网络(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。由Ian J. Goodfellow于2014年发明,其主要由两个不同的模型共同组成——生成器(Generative Model)和判别器(Discriminative Model)。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论文。原创 2024-07-30 15:50:15 · 880 阅读 · 0 评论 -
昇思 25 天学习打卡营第 22 天 | MindSpore DCGAN 生成漫画图像
MindSpore 的 DCGAN 的图像风格迁移互换DCGAN(深度卷积对抗生成网络), 是 GAN 网络的扩展;不同之处在于DCGAN会分别在判别器和生成器中使用卷积和转置卷积层。论文地址论文中文翻译地址主要创新点:a. 提出并评估了一组对卷积 GAN 架构拓扑的约束,这些约束使它们在大多数设置下都能稳定地进行训练。我们将这类架构命名为深度卷积 GAN (DCGAN)b. 使用经过训练的判别器进行图像分类任务,显示出与其他无监督算法相比的竞争性能。原创 2024-07-30 12:40:04 · 599 阅读 · 0 评论 -
昇思 25 天学习打卡营第 21 天 | MindSpore CycleGAN图像风格迁移互换
MindSpore 的 CycleGAN 的图像风格迁移互换论文地址论文中文翻译地址主要流程:我们有一个转换器 G : X → Y,另一个转换器 F : Y → X,那么 G 和 F 应该是彼此的倒数,并且两个映射都应该是双射。我们通过同时训练映射 G 和 F,并添加周期一致性损失(cycle consistency losses)来应用这一结构假设,该损失鼓励 F(G(x)) ≈ x 和 G(F(y)) ≈ y。原创 2024-07-29 14:27:34 · 1000 阅读 · 0 评论 -
昇思 25 天学习打卡营第 20 天 | MindNLP ChatGLM-6B 对话流
MindSpore 的使用 ChatGLM-6B 的对话流GPT2 论文地址。原创 2024-07-27 23:52:30 · 358 阅读 · 0 评论 -
昇思 25 天学习打卡营第 19 天 | 基于MindSpore 的 GPT2 文本摘要
MindSpore 的使用 GPT2 实现文本摘要GPT2 论文地址。原创 2024-07-27 23:48:28 · 345 阅读 · 0 评论 -
昇思 25 天学习打卡营第 18 天 | 基于 MobileNetV2 实现垃圾分类的函数自动微分
MindSpore 的 MobileNetV2 实现垃圾分类的函数自动微分原创 2024-07-26 16:43:46 · 526 阅读 · 0 评论 -
昇思 25 天学习打卡营第 17 天 | 基于 MindSpore 通过 GPT 实现情感分类
mindspore 实现 GPT 实现情感分类;GPT 论文地址GPT 基本介绍:它是 OpenAI 于2018年开发并发布的一种新型语言模型。他是通过对各种未标记文本语料库进行语言模型的生成预训练,然后对每个特定任务进行判别性微调,可以实现自然语言理解包括各种不同的任务,例如文本蕴涵、问答、语义相似性评估和文档分类等功能。原创 2024-07-26 14:15:19 · 507 阅读 · 0 评论 -
昇思 25 天学习打卡营第 16 天 | mindspore 实现 BERT 对话情绪识别
mindspore 实现 BERT 对话情绪识别;BERT 论文地址BERT 基本介绍: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。创新点:主要实在 pre-train 方法上;训练BERT的时候,随机把语料库中15%的单词做Mask操作。原创 2024-07-24 14:20:34 · 780 阅读 · 0 评论 -
[论文共读][翻译][BERT][Pre-training of Deep Bidirectional Transformers for Language Understanding]
介绍了一种新的语言表示模型BERT,即Bidirectional Encoder Representations from Transformers。与最近的语言表示模型不同(Peters et al., 2018a;Radford et al., 2018),BERT 旨在通过在所有层中共同调节左右上下文来预训练来自未标记文本的深度双向表示。因此,预训练的 BERT 模型只需一个额外的输出层即可进行微调,从而为各种任务(例如问答和语言推理)创建最先进的模型,而无需对特定任务的架构进行大量修改。原创 2024-07-24 12:43:38 · 1012 阅读 · 0 评论 -
昇思 25 天学习打卡营第 15 天 | mindspore 实现 VisionTransformer 图像分类
mindspore 实现 VisionTransformer 图像分类;VisionTransformer 论文地址VisionTransformer (ViT) 基本介绍: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。原创 2024-07-23 15:26:56 · 700 阅读 · 0 评论 -
昇思25天学习打卡营第14天 | mindspore 实现 SSD目标检测
mindspore 实现 SSD 图像检测;SSD 基本介绍:SSD (Single Shot MultiBox Detector) 是 Wei Liu 在 ECCV 2016 上提出的目标检测算法。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)。原创 2024-07-19 16:36:55 · 419 阅读 · 0 评论 -
昇思25天学习打卡营第13天 | mindspore 实现 ShuffleNet 图像分类
ShuffleNetV1 是旷视科技提出的一种计算高效的 CNN 模型,设计目标是利用有限资源达到最好的模型精度;文章链接一文中提出的一种网络框架。解决的问题:降低模型的计算量,同时达到最好的模型精度,可以应用到移动端;创新点:a. 逐点分组卷积 (Pointwise Group Convolution):将输入的特征分组卷积;这样每个卷积核只处理输入特征图的一部分通道;原创 2024-07-19 14:34:47 · 800 阅读 · 0 评论 -
昇思25天学习打卡营第11天 | mindspore 实现 ResNet 50 迁移学习
mindspore 实现 ResNet 50 迁移学习;具体 ResNet 50 的模型原理以及实现,可以参考本博客的 ResNet50 分类;迁移学习背景:把已训练好的模型参数迁移到新的模型来帮助新模型训练;原因:a. 避免从 0 开始重复造轮子;b. 减少训练成本;如果采用导出特征向量的方法进行迁移学习,后期的训练成本非常低,用CPU都完全无压力,没有深度学习机器也可以做。原创 2024-07-16 11:49:29 · 347 阅读 · 0 评论 -
昇思25天学习打卡营第 12 天 | mindspore 实现 ResNet50 图像分类
mindspore 实现 ResNet50 图像分类;ResNet 基本介绍:Residual Networks 是微软研究院 Kaiming He 等人于2015年在 Deep Residual Learning for Image Recognition文章链接一文中提出的一种网络框架。解决的问题: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;原创 2024-07-16 11:00:51 · 555 阅读 · 0 评论 -
昇思25天学习打卡营第10天 | mindspore 实现 FCN 语义图像分割
mindspore 实现 FCN 语义图像分割;FCN 基本介绍Fully Convolutional Networks,FCN)是UC Berkeley的Jonathan Long等人于2015年在Fully Convolutional Networks for Semantic Segmentation文章链接一文中提出的用于图像语义分割的一种框架。FCN是首个端到端(end to end)进行像素级(pixel level)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。原创 2024-07-15 00:02:32 · 525 阅读 · 0 评论 -
《昇思25天学习打卡营第9天 | mindspore 使用静态图加速》
mindspore 框架分为两种运行模式,分别是动态图模式(PYNATIVE_MODE)以及静态图模式(GRAPH_MODE); 默认使用动态图模式; 但是,也提供静态图模式; 使用静态图模式时,编译器可以针对图进行全局的优化,获得较好的性能,因此比较适合网络固定且需要高性能的场景原创 2024-07-12 12:08:18 · 357 阅读 · 0 评论 -
《昇思25天学习打卡营第8天 | mindspore 模型保存与加载用法》
使用 mindspore 保存与加载模型参数以及模型中间结果原创 2024-07-10 14:40:39 · 320 阅读 · 0 评论 -
《昇思25天学习打卡营第7天 | mindspore 模型训练常见用法》
使用 mindspore,针对手写字符集,使用 DenseNet 可以进行模型的训练与评估原创 2024-07-10 12:11:24 · 344 阅读 · 0 评论 -
《昇思25天学习打卡营第6天 | mindspore 函数式自动微分常见用法》
使用 mindspore 的函数式自动微分常见用法;原创 2024-07-05 08:16:28 · 287 阅读 · 0 评论 -
《昇思25天学习打卡营第5天 | mindspore 网络构建 Cell 常见用法》
使用 mindspore 构建神经网络原创 2024-07-02 23:55:57 · 245 阅读 · 0 评论 -
《昇思25天学习打卡营第4天 | mindspore Transforms 数据变换常见用法》
使用 mindspore 的常见的数据变换 Transforms 的使用方法;原创 2024-06-30 23:36:57 · 180 阅读 · 0 评论 -
《昇思25天学习打卡营第3天 | mindspore DataSet 数据集的常见用法》
昇思25天学习打卡营第3天; mindspore DataSet 数据集的常见用法原创 2024-06-29 23:41:52 · 235 阅读 · 0 评论 -
使用 mindspore 的常见的 Tensor 的用法
使用 mindspore 的常见的 Tensor 的用法;原创 2024-06-28 23:57:13 · 140 阅读 · 0 评论 -
《昇思25天学习打卡营第2天 | mindspore Tensor 的常见用法》
使用 mindspore 的 Tensor 用法原创 2024-06-28 23:47:16 · 229 阅读 · 0 评论 -
《昇思25天学习打卡营第1天 | 快速入门 mindspore》
今天开始参与 CSDN 的活动,使用 mindspore 学习神经网络;原创 2024-06-27 23:52:31 · 166 阅读 · 0 评论