- 博客(24)
- 资源 (6)
- 收藏
- 关注
原创 《昇思25天学习打卡营第23天|K近邻算法实现红酒聚类》
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。
2024-07-17 09:08:44
761
原创 《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》
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《Simple and Controllable Music Generation》MusicGen直接使用谷歌的t5-base及其权重作为文本编码器模型,并使用EnCodec 32kHz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。
2024-07-16 08:49:26
580
原创 《昇思25天学习打卡营第21天|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。
2024-07-14 21:45:20
811
原创 《昇思25天学习打卡营第20天|LLM原理和实践》
自己输入推理数据,展示模型的泛化能力。predict("今天天气很好啊,蓝蓝的天空,白白的云")
2024-07-13 23:25:10
841
原创 《昇思25天学习打卡营第19天|生成式-Pix2Pix实现图像转换》
Pix2Pix是基于(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。。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。
2024-07-12 22:34:31
1117
1
原创 《昇思25天学习打卡营第18天|生成式-CycleGAN图像风格迁移互换》
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。其实在 CycleGAN 之前,就已经有了域迁移模型,比如 Pix2Pix ,但是 Pix2Pix 要求训练数据必须是成对的,而现实生活中,要找到两个域(画风)中成对出现的图片是相当困难的,因此 CycleGAN 诞生了,它只需要两种域的数据,而不需要他们有严格对应关系,是一种新的无监督的图像迁移网络。
2024-07-11 16:17:37
1037
原创 《昇思25天学习打卡营第17天|生成式-DCGAN生成漫画头像》
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。
2024-07-10 14:15:43
652
原创 《昇思25天学习打卡营第16天|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。
2024-07-09 13:59:23
1001
原创 《昇思25天学习打卡营第15天|计算机视觉-ShuffleNet图像分类》
ShuffleNet最显著的特点在于对不同通道进行重排来解决Group Convolution带来的弊端。通过对ResNet的Bottleneck单元进行改进,在较小的计算量的情况下达到了较高的准确率。
2024-07-08 23:11:53
947
原创 《昇思25天学习打卡营第13天|计算机视觉-Vision Transformer图像分类》
Vision Transformer图像分类模型介绍和代码分析
2024-07-07 08:35:55
974
原创 《昇思25天学习打卡营第11天|计算机视觉-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。
2024-07-04 14:54:29
969
1
原创 《昇思25天学习打卡营第10天|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:FCN模型使用卷积层来提取图像特征。与传统的CNN不同,FCN中的卷积层不使用池化层,以保持图像的空间分辨率。这使得网络能够学习到更精细的特征,有助于图像分割的精确性。
2024-07-03 16:28:12
1003
DreameaverPPT电子教案
2012-08-31
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人