![](https://i-blog.csdnimg.cn/direct/aea5dbb2e0eb46f8b1881a5de7d70f32.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
昇思25天学习打卡
文章平均质量分 72
昇思25天学习打卡,欢迎学习国产框架
十分钟ll
学吧,还能咋滴
展开
-
昇思25天学习打卡
构建神经网络nn.ReLU(),nn.ReLU(),在第一次打卡中我们详细的介绍过每一层的含义,并且举例对比过torch框架第一次打卡。完成构建后可以通过实例化,检查网络Network原创 2024-07-22 18:48:12 · 391 阅读 · 0 评论 -
昇思25天学习打卡
昇思25天学习打卡营第01天|lulul原创 2024-07-19 22:17:14 · 235 阅读 · 0 评论 -
昇思25天学习打卡
除Checkpoint外,MindSpore提供了云侧(训练)和端侧(推理)统一的中间表示(Intermediate Representation,IR)。上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。已有的MindIR模型可以方便地通过load接口加载,传入nn.GraphCell即可进行推理。要加载模型权重,需要先创建相同模型的实例,然后使用。原创 2024-07-23 17:39:42 · 410 阅读 · 0 评论 -
昇思25天学习打卡
[TOC]《昇思25天学习打卡营第02天|lulul》原创 2024-07-20 16:45:50 · 772 阅读 · 0 评论 -
昇思25天学习打卡
模块提供一系列针对文本数据的Transforms。与图像数据不同,文本数据需要有分词(Tokenize)、构建词表、Token转Index等操作。这里简单介绍其使用方法。数据传入神经网络前一般需要进行一些处理,类似torch框架下的数据处理比如数据增强(翻转等操作),mindspore也使用transforms进行数据增强等操作。mindspore.dataset.vision模块提供一系列针对图像数据的Transforms。Compose接收一个数据增强操作序列,然后将其组合成单个数据增强操作。原创 2024-07-20 22:33:16 · 221 阅读 · 0 评论 -
昇思25天学习打卡
这里构建一个基础的神经网络nn.ReLU(),nn.ReLU(),超参(Hyperparameters):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。训练轮次(epoch):训练时遍历数据集的次数。批次大小(batch size):数据集进行分批读取训练,设定每个批次数据的大小。batch size过小,花费时间多,同时梯度震荡严重,不利于收敛;原创 2024-07-23 17:20:33 · 853 阅读 · 0 评论 -
昇思25天学习打卡
为了优化模型参数,需要求参数对loss的导数:此时我们调用mindspore.grad函数,来获得function的微分函数。MindSpore使用函数式自动微分的设计理念,提供更接近于数学语义的自动微分接口grad和value_and_grad。完成后,由于需要使用函数式自动微分,需要将神经网络和损失函数的调用封装为一个前向计算函数。完成后,我们使用value_and_grad接口获得微分函数,用于计算梯度。mindspore这门课程中把它叫做函数自动微分,其实就是反向传播。fn:待求导的函数。原创 2024-07-22 19:19:53 · 399 阅读 · 0 评论 -
昇思25天学习打卡
无论全局context是设置成静态图模式还是动态图模式,被jit修饰的部分始终会以静态图模式进行运行。动态图的特点是计算图的构建和计算同时发生(Define by run),其符合Python的解释执行方式,在计算图中定义一个Tensor时,其值就已经被计算且确定,因此在调试模型时较为方便,能够实时得到中间结果的值,但由于所有节点都需要被保存,导致难以对整个计算图进行优化。模式下,基于图优化、计算图整图下沉等技术,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 2024-07-23 21:00:20 · 502 阅读 · 0 评论 -
昇思25天学习打卡
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。通过指定url的方式对数据进行下载。原创 2024-07-20 20:26:10 · 366 阅读 · 0 评论 -
昇思25天学习打卡
图像语义分割(semantic segmentation)是图像处理和机器视觉技术中关于图像理解的重要一环,AI领域中一个重要分支,常被应用于人脸识别、物体检测、医学影像、卫星图像分析、自动驾驶感知等领域。FCN全卷网络,舍弃了传统的全连接层,仅使用卷积和池化等操作完成,end-to-end的像素集预测网络。这个就不用过多赘述了,目标检测是画框,语义分割就是把目标从图里面抠出来。下载预训练VGG-16模型。原创 2024-07-25 21:08:29 · 359 阅读 · 0 评论