DataWhale AI 夏令营

最新推荐文章于 2024-11-15 10:17:44 发布
最新推荐文章于 2024-11-15 10:17:44 发布
阅读量229 收藏
点赞数 2
文章标签： ai python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_59945395/article/details/140753303
版权

# DataWhale AI 夏令营
这次夏令营的内容与我研究的方向生物医药有关～而且 DataWhale 的内容总是这么具有细致并且具有特色，在开班的时候我觉得 baseline 的内容太过单一，但代码文件又过于冗长，因此我更关注于与我研究相关的研究背景部分，也就是如何将生物医药与深层神经网络结合起来并对其进行预测。

在第二天班级群就发了很细致的赛题和背景的入门，解释的很清晰，期待下一个 Task

WEIiIHJ
关注
【Datawhale AI 夏令营第三期学习笔记Taks1】 跑通baseline #Datawhale AI 夏令营
07-28
【Datawhale AI 夏令营第三期学习笔记Taks1】 跑通baseline #Datawhale AI 夏令营
Datawhale AI 夏令营机器学习 task1.pdf
07-20
### Datawhale AI 夏令营机器学习 Task1：时间序列预测详解 #### 一、时间序列数据的特点 时间序列数据在很多实际场景中都非常重要，例如天气预报、股票市场分析、销售预测等。理解时间序列数据的特点对于设计有效...
Datawhale AI 夏令营
qjcjcq的博客
07-14 514
在一开始，因为对于这一方面的了解十分有限（可以说是玩完完全全的小白），我便跟着Datawhale的飞书指引跑了一遍baseline，虽然很快地得到了一个submit，但是说实话，根本没有搞明白发生了什么。虽然依旧有点懵（因为之前对于这一方面只有非常粗浅地认识，一下子出现的许多专有名词让我理解起来有些许的困难），但是这并不是问题，之后的时间可以慢慢地进行学习。总的来说，Task 1的学习为我打开了一扇新世界大门，有着许多新的知识等待着我去了解，期待着下一部分的学习。（虽然在代码里的解析其实已经很详细了）
Datawhale AI夏令营2024 Task3
m0_46680352的博客
07-04 1040
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档。
Datawhale AI 夏令营（第五期）
weixin_52520094的博客
08-23 1036
category_labels = ["非机动车违停", "机动车违停", "垃圾桶满溢", "违法经营"]baseline的代码实现了一个完整的目标检测流程，从环境准备、数据加载与预处理、到模型训练与推理，以及最终的结果保存。首先，代码安装了必要的工具，并从指定的 URL 下载了训练集和测试集的压缩文件，随后解压这些文件以便使用。接着，代码通过cv2读取视频文件并提取视频帧，同时使用pandas读取 JSON 格式的标注文件，从中提取出目标的类别和边界框等信息。
Datawhale AI夏令营大模型技术：模型微调
one_mouse的博客
07-06 598
AI夏令营 #Datawhale #夏令营。
夏日智启：我的Datawhale AI夏令营探索之旅
一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~
07-10 1647
Datawhale 成立于2018年，是国内AI领域最大的开源学习组织，汇集了众多领域院校和知名企业的优秀学习者，聚合了一群有开源精神和探索精神的团队成员。Datawhale 以「for the learner，和学习者一起成长」为使命，鼓励真实地展现自我、开放包容、互信互助、敢于试错和勇于担当。下面是Datawhale的相关信息，感兴趣的可以关注了解下：公众号：DatawhaleGitHub 名称：Datawhale · GitHub累计有10w star，全球排名前100的组织。
Datawhale AI 夏令营-task1
ghost_him的博客
07-14 1025
Deepfake是一种使用人工智能技术生成的伪造媒体，特别是视频和音频，它们看起来或听起来非常真实，但实际上是由计算机生成的。这种技术通常涉及到深度学习算法，特别是生成对抗网络（GANs），它们能够学习真实数据的特征，并生成新的、逼真的数据。Deepfake技术虽然在多个领域展现出其创新潜力，但其滥用也带来了一系列严重的危害。在政治领域，Deepfake可能被用来制造假新闻或操纵舆论，影响选举结果和政治稳定。经济上，它可能破坏企业形象，引发市场恐慌，甚至操纵股市。
2024 DataWhale AI 夏令营 DeepFake
m0_46685221的博客
07-20 1102
采用CrossEntropyLoss损失函数和Adam优化器，并使用调度器动态调整学习率。CrossEntropyLoss损失函数常用于分类任务中，它能将预测的分类标签转换成概率，以对数的方式来预测错误程度。Lyy−∑i1nyilogyiLyy​−i1∑n​yi​logy​i​其中，yiy_iyi​是真实标签，yi\hat y_iy​i​是预测标签。
Datawhale AI夏令营 AI极端降水预报 Task1
qq_63998773的博客
07-28 861
深度学习（Deep Learning）是一种机器学习（Machine Learning）的分支，利用多层神经网络来处理和分析复杂的数据。例如，通过预测数据的一部分来训练模型，应用于自然语言处理中的 BERT、GPT 等模型。基于时间序列的前一部分的数据来预测后一部分的数据。2.样本数据集例如20210101-00文件夹下的72小时气象要素数据是fuxi实测的还是递归得到的？：用于减少数据的维度，同时保留尽可能多的信息。1.训练数据：2019-2021年的ft（气象要素）和对应的gt（真值）。
Datawhale AI夏令营第四期 魔搭-AIGC方向 task01笔记
2302_79684484的博客
08-10 534
DiffSynth-Studio：高效微调训练大模型工具（在这几个上面我是多刷新了几次才成功的）使用DiffSynth-Studio在基础模型上，使用前面整理好的数据文件进行训练微调。Data-Juicer：数据处理和转换工具，旨在简化数据的提取、转换和加载过程。调整prompt，设置你想要的图片风格，依次修改8张图片的描述（使用微调后的模型，生成用户指定的prompt提示词的图片。正向描述词：你想要生成的图片应该包含的内容。这个链接教程上就有，直接按照上面的走就行。反向提示词：你不希望生成的图片的内容。
Datawhale AI 夏令营---第四期（从零入门大模型微调）
m0_62706061的博客
08-10 422
datawhale ai夏令营 第四期（从0入门LLM微调），小白文，task1和2
NLP学习（Datawhale AI夏令营） TASK01#Datawhale示例代码
07-15
NLP学习（Datawhale AI夏令营） TASK01#Datawhale示例代码
ks8 本地化部署 F5-TTS
陈锐的技术笔记
11-13 819
此外，F5-TTS 还创新性地引入了推理时的 Sway Sampling 策略，这一策略可以在推理阶段优先处理早期的流步骤，从而提高生成语音与输入文本的对齐效果。在 LibriSpeech-PC 数据集上，该模型的字错误率（WER）达到了2.42，并且在推理时的实时因子(RTF)为0.15，显著优于之前的扩散模型 E2TTS，后者在处理速度和鲁棒性上存在短板。传统的 TTS 模型往往需要进行复杂的持续时间建模、音素对齐和专门的文本编码，这些都增加了合成过程的复杂性。继续TSS的启动，进入pod 输入命令。
什么是Python模块化编程
大数据实战派
11-13 453
模块化编程是一种编程方法论，它将程序的功能划分为多个独立的模块，每个模块负责程序中的一部分功能。通过这种方式，程序的代码被分割成更小、更易管理的部分，每个模块都可以独立开发、调试和测试，模块之间通过接口进行交互。模块化编程是将一个复杂的程序拆分为多个独立、功能明确的小模块的编程方法。这不仅提高了代码的复用性和可维护性，还促进了团队协作开发，增强了程序的扩展性。在实际开发中，模块化编程让代码结构更加清晰，逻辑更加简洁，为程序的长久维护和扩展打下了坚实的基础。
SpringBoot 实现图片加水印
心猿意码
11-11 422
通过上述步骤，我们可以在SpringBoot项目中实现一个简单的图片加水印功能。当然，实际应用中可能需要更复杂的水印处理，比如水印图片、调整水印位置等，可以根据需求进行相应的扩展和优化。
外星人入侵
weixin_60243362的博客
11-12 2316
外星人入侵项目实践
使用`nohup`后台运行Python服务不输出日志避坑
A15216110998的专栏
11-14 280
这里的应替换为你的Python脚本名称。错误日志未输出这里使用了2>&1来将错误输出重定向到与标准输出相同的文件。代码中的print()语句未输出到日志有时候，由于Python的缓冲输出机制，print()到屏幕的内容可能不会立即显示在日志中。要解决这个问题，可以使用-u现在，print()语句应该会立即出现在日志文件中。其他注意事项如果你的脚本依赖于环境变量，确保在启动脚本之前已经设置了这些变量，或者在脚本中显式导入它们。考虑使用第三方库如logging。
Conda环境与Ubuntu环境移植详解
最新发布
hong161688的博客
11-15 431
迁移Conda环境是数据科学和机器学习开发中的一项重要任务。通过YAML文件迁移或直接复制环境文件夹的方法，可以在不同设备间无缝切换Conda环境，确保项目依赖的一致性。在进行环境迁移时，需要注意CUDA版本的兼容性、更换国内源以加速下载以及解决常见问题。希望本文能够帮助读者更好地理解和实施Conda环境的迁移工作。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

WEIiIHJ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值