- 博客(38)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 Tomcat指南（二）第一章Getting Started with Tomcat
无论您安装和使用的是哪个版本的Tomcat，您都应该查看更改日志中列出的错误，因为您的版本中存在的错误在较新版本的Tomcat中已修复，并将显示在较新的版本下列出的更改日志中。只需先安装rpm命令。现在，从Apache二进制发布页面下载二进制发布档案，网址为http://tomcat.apache.org/download-60.cgi.您应该下载Tomcat主页上列出的最新稳定版本，网址为http://tomcat.apache.org.下载您选择的Tomcat版本的所有tar.gz存档文件。
2024-08-02 06:10:06
1025
原创 Tomcat指南（一）前言
Tomcat作为一个完整的独立web服务器工作。如果您已经运行了Apache的httpd web服务器，并且不想一次更改所有内容，那么第5章“与Apache web服务器的集成”将介绍Tomcat与Apache httpd的使用，并讨论了使Tomcat在Apache httpd安装“前面”或“后面”茁壮成长的几种方法。如果您的请求流量超过了单个Tomcat的处理能力，或者即使您的一台服务器崩溃，您也希望您的网站继续提供请求，那么您的网站可能需要在多台Tomcat服务器、多台Apache或两者的组合上运行。
2024-08-01 09:30:19
877
原创 自己在Vmware中搭建mqtt服务器
7月 28 19:23:00 localhost.localdomain emqx[1886]: EXEC: /usr/lib/emqx/erts-14.2.5/bin/erlexec -enable-feature maybe_expr -noinput -noshell +Bd -boot /usr/lib/...
2024-07-29 15:31:10
555
原创 昇思25天学习打卡营第n天|本地安装mindspore之二|开始第一课的代码。以及对比xshell，MobaXterm
开始准备在本地的系统上跑例子了。从第一课开始吧。
2024-07-23 20:51:03
777
原创 昇思25天学习打卡营第九天|本地安装mindspore之一|Linux的系统在vmware上的安装以及mindspore的安装
课程已经学完了，打算再深入一些。初步的想法是，在本地安装，本地执行。根据老师的指引，，“https ://www.mindspore.cn/install/”，注意，因为csdn博客编辑器的原因，当我把链接粘贴过来的时候，链接就自动的变为隐藏在蓝色文字背后的url了。所以我在https后面多加了一个空格，以便显著显示链接文本，以及复制。结果，由于没有认真的通读按照指南，想当然的认为，服务器用centos，然后就开始折腾安装centos了。
2024-07-21 14:11:20
743
原创 昇思25天学习打卡营第八天|应用实践/LLM原理与实践/基于MindSpore通过GPT实现情感分类
1，特别注意原文该案例在 mindnlp 0.3.1 版本完成适配，如果发现案例跑不通，可以指定mindnlp版本，执行`!一定改过来。2，特别难得跑资源的网络不稳定，换个时间再试下进过n次实验，在凌晨3点，跑通程序。所以。。。跟着课程，要有信心。代码是没有问题的。毕竟本人全部实测了一遍。打卡截图。
2024-07-19 06:44:17
813
原创 昇思25天学习打卡营第八天|应用实践/LLM原理与实践/MindNLP ChatGLM-6B StreamChat
实验环境已经预装了mindspore==2.2.14，如需更换mindspore版本，可更改下面mindspore的版本号。# 实验环境已经预装了mindspore==2.2.14，如需更换mindspore版本，可更改下面mindspore的版本号。NameError: name '你好' is not defined。'是的，今天天气很热。prompt = '今天好热'prompt = '你好'prompt = '你好'下载权重大约需要10分钟。要在这个代码最后，添加。----> 1 你好。
2024-07-18 19:25:45
555
原创 昇思25天学习打卡营第八天|应用实践/LLM原理与实践/文本解码原理--以MindNLP为例
上午的算力要强一些吗？上午跑的课程还挺顺利的。下午就频繁出错。无论怎么重启系统，始终在这里卡住了。最后实在是没办法，只好放弃了。跳到下一课了。就是本次课程了。本次课程也报错了一次。重新跑一次，就出结果了。
2024-07-18 16:09:28
895
原创 昇思25天学习打卡营第八天|应用实践/LLM原理与实践/基于MindSpore的GPT2文本摘要
1]:# 实验环境已经预装了mindspore==2.2.14，如需更换mindspore版本，可更改下面mindspore的版本号!![2]:!# 该案例在 mindnlp 0.3.1 版本完成适配，如果发现案例跑不通，可以指定mindnlp版本，执行`!!
2024-07-18 14:56:37
1029
原创 昇思25天学习打卡营第八天|应用实践/LLM原理与实践/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。
2024-07-18 10:57:28
957
原创 昇思25天学习打卡营第八天|应用实践/自然语言处理/RNN实现情感分类
情感分类是自然语言处理中的经典任务，是典型的分类问题。输入: This film is terrible正确标签: Negative预测标签: Negative输入: This film is great正确标签: Positive预测标签: Positive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。
2024-07-18 10:15:20
846
原创 昇思25天学习打卡营第八天|应用实践/自然语言处理/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。输入序列清华大学座落于首都北京输出标注BIIIOOOOOBI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。
2024-07-18 09:15:39
659
原创 昇思25天学习打卡营第七天|应用实践/生成式/Pix2Pix实现图像转换
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。生成器和判别器。传统上，尽管此类任务的目标都是相同的从像素预测像素，但每项都是用单独的专用机器来处理的。
2024-07-17 22:30:09
981
原创 昇思25天学习打卡营第七天|应用实践/生成式/GAN图像生成
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。最初，GAN由Ian J. Goodfellow于2014年发明，并在论文生成器的任务是生成看起来像训练图像的“假”图像；判别器需要判断从生成器输出的图像是真实的训练图像还是虚假的图像。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。GAN模型的核心在于提出了通过对抗过程来估计生成模型这一全新框架。
2024-07-17 22:08:17
828
原创 昇思25天学习打卡营第七天|应用实践/生成式/Diffusion扩散模型
如果将Diffusion与其他生成模型（如Normalizing Flows、GAN或VAE）进行比较，它并没有那么复杂，它们都将噪声从一些简单分布转换为数据样本，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。Diffusion对于图像的处理包括以下两个过程：我们选择的固定（或预定义）正向扩散过程 𝑞𝑞 ：它逐渐将高斯噪声添加到图像中，直到最终得到纯噪声。
2024-07-17 16:45:54
623
原创 昇思25天学习打卡营第七天|应用实践/生成式/DCGAN生成漫画头像
这次教程中，通过示例代码说明DCGAN网络如何设置网络、优化器、如何计算损失函数以及如何初始化模型权重。在本教程中，使用的共有70,171张动漫头像图片，图片大小均为96*96。越来越有想法，怎么才能在本地跑代码。这次的运行，又又又双叒叕（yòu yòu yòu shuāng ruò zhuó）出现了很多error，对于一个爱干净的人来说，真心不想看见这些。但是服务器上的控制力，还是没有本地强。样本数据集啊，函数的参数啊，本地都可以不停的去做各种尝试。很多经验都是试出来的，不是吗。比如。。。
2024-07-17 11:29:11
847
原创 昇思25天学习打卡营第七天|应用实践/生成式/CycleGAN图像风格迁移互换
CycleGAN(Cycle Generative Adversarial Network) 即循环对抗生成网络，来自论文。该模型实现了一种在没有配对示例的情况下学习将图像从源域 X 转换到目标域 Y 的方法。该模型一个重要应用领域是域迁移(Domain Adaptation)，可以通俗地理解为图像风格迁移。
2024-07-17 10:55:22
697
原创 昇思25天学习打卡营第七天|应用实践/热门LLM及其他AI应用/基于MobileNetv2的垃圾分类
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。
2024-07-17 10:04:41
609
原创 昇思25天学习打卡营第七天|应用实践/热门LLM及其他AI应用/K近邻算法实现红酒聚类
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。
2024-07-17 09:23:15
555
原创 昇思25天学习打卡营第六天|应用实践/热门LLM及其他AI应用/基于MindNLP+MusicGen生成自己的个性化音乐
与传统方法不同，MusicGen采用单个stage的Transformer LM结合高效的token交织模式，取消了多层级的多个模型结构，例如分层或上采样，这使得MusicGen能够生成单声道和立体声的高质量音乐样本，同时提供更好的生成输出控制。掌握了视觉处理的工具之后，开始学习音频处理的工具，这个课程学的是MusicGen。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《
2024-07-16 21:18:52
1033
原创 昇思25天学习打卡营第六天|应用实践/计算机视觉/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。
2024-07-16 16:36:51
989
原创 昇思25天学习打卡营第五天|应用实践/计算机视觉/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]。
2024-07-15 20:38:22
1001
原创 昇思25天学习打卡营第五天|应用实践/计算机视觉/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。
2024-07-15 20:08:40
1027
原创 昇思25天学习打卡营第五天|应用实践/计算机视觉/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。
2024-07-15 16:03:22
764
原创 昇思25天学习打卡营第五天|应用实践/计算机视觉/ResNet50迁移学习
和上个课程一样，其实就是需要模型训练的代码，需要耐心。不仅如此，还需要隔段时间看看，如果报错了，重新运行一下，不要点播放按钮，点快进按钮。在点若干次之后，在等待一定时间之后，还是能出现正确的实验结果的。毕竟这些代码是经过老师的调试，与众多学员的反复运行的。学习完这个课程后，对于将来的实际应用，又多了一项武器。怎么灵活运用，可能还需以后多实践，多思考。现在只是跟着课程，掌握这个工具的运用。有一起学习的小伙伴，记得留言一下哦。加油！打卡截图。
2024-07-15 15:14:13
980
原创 昇思25天学习打卡营第五天|应用实践/计算机视觉/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。
2024-07-15 14:18:55
907
原创 昇思25天学习打卡营第四天|初学入门/初学教程/10-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。
2024-07-14 23:08:58
766
原创 昇思25天学习打卡营第四天|初学入门/初学教程/09-保存与加载
本次课程，先试试一个想法。如下所示的工具栏中的工具快进。点击后欣喜发现，能自动的跑完所有代码。如果用这个方式跑代码，那么以前由于网络延迟等带来的问题，是不是能避免了呢？有些期待。对于熟悉编译型编程的程序员来说，比如c++，有个强大的工具，就是加断点，在断点状态下，观察变量以及内存堆栈的实时状况，能很好的进行分析。在训练网络模型的过程中，保存中间变量，是不是就是一个道理呢？
2024-07-14 22:13:36
788
原创 昇思25天学习打卡营第三天|初学入门/初学教程/08-模型训练
从网络构建中加载代码，构建一个神经网络模型。[3]: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。目前深度学习模型多采用批量随机梯度下降算法进行优化，随机梯度下降算法的原理如下：公式中，𝑛𝑛是批量大小（batch size），ηη是学习率（learning rate）。
2024-07-13 23:28:21
980
原创 昇思25天学习打卡营第三天|初学入门/初学教程/07-网络构建
在本课程的心得前，先来讲一点课程的学习操作上的经验，也许聪明的学生第一科就知道了，我是操作了好几课程后总结出来的。一、先看下图：图左边有一个蓝色的条状图标，指示当前准备运行的位置。图的上端的工具栏，有个播放按钮，点击后，执行当前位置的代码。有的是阅览。有的是代码框，是需要运行的。运行后有结果的。二、再看下图代码框前面有星号，表明，此代码尚未运行。三、再看下图点击运行后，要等待一段时间。。。一定要等。。。等前面的星星没有了，变成数字了，表明这段代码执行结束。代码框的下面有执行结果。
2024-07-13 22:19:46
626
原创 不吐不快：mysql安装报错unknown variable ‘mysqlx_port=0.0‘.
最后，发现，这些文章均发表于2024。怀疑新版本的安装包有问题。毅然决然，重做系统，把以前版本的安装包找出来。然后，啥问题也没有，顺利安装成功。耽误了我几个小时，重装系统3次。最初以为是自己安装的选项有问题，没办法，重装系统，重新安装，特别百度安装过程，每一步小心选择。然后，百度报错信息。csdn给出很多解决方案。1，安装包是刚从官网下的。2，版本5.7.44.
2024-07-13 21:42:18
609
2
原创 昇思25天学习打卡营第二天|初学入门/初学教程/06-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。[3]:nn.ReLU(),nn.ReLU(),构建完成后，实例化Network对象，并查看其结构。[4]: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。
2024-07-12 23:07:14
813
原创 昇思25天学习打卡营第二天|初学入门/初学教程/05-数据变换
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。这个意思，就是说，拍出来的照片，在喂给程序进行训练前，需要进行人工的某种程度的干预。让机器更容易处理。就像是，照片如果拍得模糊的话，可能用这种数据进行训练，可能会得出错误的算法吧？打个不是很贴切的比喻，机器学习，就像小孩子的成长，小孩子如果尽看到的是不好的东西，也许会长歪了？所以我们可以给小孩子讲故事？这些故事一定是经过大人的某种程度上的处理的？
2024-07-12 22:31:32
813
原创 昇思25天学习打卡营第二天|初学入门/初学教程/04-数据集
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。
2024-07-12 21:39:38
830
原创 昇思25天学习打卡营第二天|初学入门/初学教程/03-张量
补充一些基本知识帮助理解张量这个比较理论的概念：张量（tensor）理论是数学的一个分支学科，在力学中有重要应用。张量这一术语起源于力学，它最初是用来表示弹性介质中各点应力状态的，后来张量理论发展成为力学和物理学的一个有力的数学工具。张量之所以重要，在于它可以满足一切物理定律必须与坐标系的选择无关的特性。张量概念是矢量概念的推广，矢量是一阶张量。在数学里，张量是一种几何实体，或者说广义上的“数量”。张量概念包括标量、向量和线性算子。
2024-07-12 10:34:15
589
原创 昇思25天学习打卡营第一天|初学入门/初学教程/02-快速入门
在这节课程的学习中，通过MindSpore的API来快速的，完整的实现了一个简单的深度学习模型。。手把手的，一步一步的，让学生有一个完整的流程。能够马上有一种成就感。通过实操，再次重温了实验的操作方法与注意事项，特别是在老师的辅导下，解决了一些障碍与困难。这些麻烦说大不大，说小不小。会让你的实验无法进行下去。那么我学会的技巧就是，鼠标从第一个窗口的，第一行进行定位，然后点击上面工具栏的运行按钮。依次鼠标左键点击下面的代码框的第一行。然后点击上面工具栏的运行按钮。依次类推，直到所有代码执行完毕。
2024-07-11 21:55:07
907
原创 昇思25天学习打卡营第一天|初学入门/初学教程/01-基本介绍
昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景统一部署三大目标。其中，易开发表现为API友好、调试难度低；高效执行包括计算效率、数据预处理效率和分布式训练效率；全场景则指框架同时支持云、边缘以及端侧场景。ModelZoo（模型库）：ModelZoo提供可用的深度学习算法网络，也欢迎更多开发者贡献新的网络(ModelZoo地址MindSpore Extend（扩展库）
2024-07-11 21:28:33
1059
原创 VMware网络设置技巧
VMware网络设置技巧课题：在虚拟机中，既要连接外网，可以使用下载网络资源。又需要作为内网的服务器或者客户端进行内网的访问。实验步骤：1，首先，在VMware的系统配置中，虚拟网络编辑器，添加出两个虚拟网络。其中VMnet0是默认就有的，VMnet2是新增的。2，在特定的虚拟机的配置中添加了两个网卡，以分别连接不同的虚拟网络。网络连接均采取特定的虚拟网络。注意，这个时候，需要点击高级按钮，查看网卡的mac地址，并记录3，运行虚拟机映像，并打开这个虚拟机映像中的.
2022-04-08 16:57:29
6131
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人