- 博客(74)
- 收藏
- 关注
RSS订阅原创 基于文心智能体平台打造的德语学习助手
智能体，无论您处于德语学习的哪个阶段，这款智能德语语言学专家都能成为您学习过程中的得力助手。从评估、练习、校正到资源推荐和鼓励反馈，智能体将全方位满足您的学习需求，助您自信地掌握德语！快来尝试吧！
2024-08-28 22:45:56
1144
原创 解决方法 | OpenEuler 虚拟机显示ip不可用
重新下载 yum install net-tools。root用户cd进入network-scripts。然后esc进入命令模式：：wq 保存并退出。看目录里面有ifcfg-ens33。将ONBOOT=no改为yes。
2024-08-25 10:34:37
112
原创 Datawhale AI夏令营 | 精读一下baseline代码
YOLO，全称为“You Only Look Once”（你只看一眼），是一种流行的实时目标检测系统，由Joseph Redmon等人在2015年提出。YOLO模型的核心思想是将目标检测任务视为一个单一的回归问题，通过一个卷积神经网络（CNN）直接从图像像素到边界框坐标和类别概率的映射。YOLO模型经过了多次迭代，包括YOLOv2（YOLO9000）、YOLOv3和YOLOv4等版本，每个版本都在性能和速度上有所提升，同时也引入了一些新的技术，如更深的网络结构、更好的锚框机制、多尺度特征融合等。
2024-08-23 21:46:41
266
原创 Datawhale训练营-01跑通baseline
随着城市化步伐的加速迈进，城市治理面临着前所未有的挑战与机遇。城市管理的精细化、智能化已成为全球城市追求卓越的关键路径。然而，机动车违停、非机动车违停、占道经营等城市违规行为如同现代都市肌体上的疮疤，不仅侵蚀着城市的美学与秩序，更对公众福祉构成了潜在威胁。传统的人力巡查与被动响应模式，已然无法匹配当今城市治理的需求。本赛题最终目标是开发一套智能识别系统，能够自动检测和分类城市管理中的违规行为。
2024-08-23 21:32:10
910
原创 【无标题】
点击“完成”返回安装信息，点击“开始安装”。6.这里可以修改磁盘相关参数，磁盘的容量可以采用默认的20G，并且修改为“将磁盘存储为单个文件”，点击“下一步”。4.下面进入系统安装设置页面，在这个页面中大部分选项可以采用默认值，但在“安装位置“有红色提醒，点击“安装位置”。6.选择好虚拟机要安装的ISO文件，其他参数可以采用默认值，最后点击“确定“按钮，虚拟机的设置完成。4.将虚拟机光驱设置为“使用ISO镜像文件”，然后点击“浏览”，选择要安装的操作系统文件。7.点击“完成”，虚拟机创建完成。
2024-08-03 16:05:55
422
原创 Rust |了解+ 环境配置（rust+vscode）
地址就在：C:\Users\Chenweiduo\hello。在环境变量的path中添加：bin的地址。双击exe文件，自动会先检查你的环境。Cargo是rust的包管理工具。当然也有别的创建方式了~下次再写。安装过vs，有c++环境。我选择1，安装标准版本。检查环境是否配置成功。显示这样就是配置好了。在vscod里面打开。
2024-07-28 13:05:22
625
原创 云监控（华为） | 实训学习day7（10）
水一篇。。。。。。。。。。。。。强迫症打卡必须要满企拓今天没有将东西2024/7/22规划学习路线对于进入AI行业至关重要。
2024-07-23 15:19:48
526
原创 NLP学习 | 01 NLP认识
自然语言处理NLP自然语言理解NLU —— 人工智能方式自然语言生成NLG —— 人工智能方式Bert，GPT,T5：预训练的自然语言模型；
2024-07-21 16:58:57
1233
原创 昇思25天学习打卡营第28天 | MindNLP ChatGLM-6B StreamChat
基于MindNLP和ChatGLM-6B实现一个聊天应用。
2024-07-18 09:04:38
229
原创 昇思25天学习打卡营第27天 | 文本解码原理--以MindNLP为例
例如，如果文本使用UTF-8编码，解码过程就是将UTF-8编码的字节序列转换回对应的字符。如果文本被Base64编码，解码过程就是将Base64编码的字符串转换回原始的二进制数据。文本解码通常指的是将编码后的文本信息还原为原始可读形式的过程。Beam search通过在每个时间步保留最可能的 num_beams 个词，并从中最终选择出概率最高的序列来降低丢失潜在的高概率序列的风险。例如，空格会被编码为。选出概率最大的 K 个词，重新归一化，最后在归一化后的 K 个词中采样。2. 开放域生成效果差。
2024-07-17 10:37:53
1102
原创 云监控（华为） | 实训学习day1（10）
通过上述步骤，您可以实现对服务器的全面监控，确保服务器资源的合理利用和高效运行。云监控不仅有助于及时发现和解决问题，还能提高系统的稳定性和可靠性。通过监控结果，您可以对服务器进行有效的管理和优化，确保业务的连续性和数据的安全。
2024-07-16 20:30:43
951
原创 爬虫学习 | 02 认识爬虫spider
网络爬虫（Web Crawler），也被称为网页蜘蛛（Spider）、网页机器人（Robot）或爬虫（Crawler），是一种自动浏览互联网的程序。它的主要任务是按照一定的算法扫描和访问网页，从互联网上下载网页内容，然后智能地解析和提取网页中的信息。
2024-07-16 13:10:47
1552
2
原创 昇思25天学习打卡营第26天 | 基于MindSpore的GPT2文本摘要
数据集加载本次实验使用的是nlpcc2017摘要数据，内容为新闻正文及其摘要，总计50000个样本。数据预处理因GPT2无中文的tokenizer，我们使用BertTokenizer替代。
2024-07-16 13:10:20
639
原创 昇思25天学习打卡营第25天 | 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。BERT模型的主要创新点都在。
2024-07-15 10:38:14
1234
原创 昇思25天学习打卡营第24天 | 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数据准备本节使用情感分类的经典数据集IMDB影评数据集，数据集包含Positive和Negative两类，下面为其样例：Review 回顾Label 标签“戒烟”可能与戒毒一样，意味着退出预先设定的身份。
2024-07-15 10:06:25
1029
原创 昇思25天学习打卡营第23天 | LSTM+CRF序列标注
概述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。以命名实体识别为例：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。
2024-07-13 09:17:38
777
原创 昇思25天学习打卡营第22天 | 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。
2024-07-13 08:57:40
532
原创 昇思25天学习打卡营第21天 | 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。
2024-07-11 13:37:20
923
原创 昇思25天学习打卡营第20天 | 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。
2024-07-10 21:03:31
1053
原创 昇思25天学习打卡营第19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。
2024-07-08 23:40:02
234
原创 昇思25天学习打卡营第18天 | 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。
2024-07-07 09:49:02
825
原创 昇思25天学习打卡营第17天 | 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。MusicGen不仅能够生成符合文本描述的音乐，还能够通过旋律条件控制生成的音调结构。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《
2024-07-06 23:51:44
889
原创 昇思25天学习打卡营第16天 | DCGAN生成漫画头像
这两天把minspore配置到我的电脑上了，然后运行就没什么问题了✨😊今天学这个DCGAN生成漫画头像，我超级感兴趣的嘞🦄🥰。
2024-07-05 11:02:07
1079
原创 昇思25天学习打卡营第15天 | 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。
2024-07-04 14:31:28
992
原创 Django开发实战（1）- 认识django
windows使用iis（Internet information services，互联网信息服务）与WFastCGI进行页面搭建。√ sql（structure query language），调用接口（queryset API）app01下创建三个文件夹：media,static,templates。在setting.py中注册app01，配置数据库（我的是mysql）（解决安装mysqlclient 不成功的问题）model：业务对象和关系映射（ORM）
2024-07-03 19:57:07
377
原创 昇思25天学习打卡营第14天 | 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。
2024-07-03 09:12:19
643
原创 昇思25天学习打卡营第13天 | 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]。
2024-07-02 15:45:19
797
原创 昇思25天学习打卡营第12天 | 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。
2024-07-01 20:53:38
786
1
原创 昇思25天学习打卡营第11天 | ResNet50图像分类（应用实践/机器视觉）
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。
2024-06-30 13:35:20
1179
原创 昇思25天学习打卡营第10天 | ResNet50迁移学习（应用实践/机器视觉）
这个我在实训中学习到了，刚好在复习一下~~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。本章将使用迁移学习的方法对ImageNet数据集中的狼和狗图像进行分类。
2024-06-29 13:22:12
201
原创 昇思25天学习打卡营第9天 | FCN图像语义分割（应用实践/机器视觉）
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。
2024-06-28 13:22:19
966
人工智能实训结果大作业tensorflow，朴素贝叶斯，机器/深度学习，resnet50，图像分类，yolov8，opencv
2024-07-05
我目前大二了，一个实习也找不到，好焦虑
2024-06-30
TA创建的收藏夹 TA关注的收藏夹
TA关注的人