onereal的代码

原创 《昇思25天学习打卡营第24天|onereal》

张量（Tensor）是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数，这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在 𝑛� 维空间内，有  𝑛𝑟�� 个分量的一种量，其中每个分量都是坐标的函数，而在坐标变换时，这些分量也依照某些规则作线性变换。𝑟� 称为该张量的秩或阶（与矩阵的秩和阶均无关系）。张量是一种特殊的数据结构，与数组和矩阵非常相似。张量（）是MindSpore网络运算中的基本数据结构，本教程主要介绍张量和稀疏张量的属性及用法。

原创 《昇思25天学习打卡营第23天|onereal》

第23天学习内容简介：本案例基于MindNLP和ChatGLM-6B实现一个聊天应用。

原创 《昇思25天学习打卡营第22天|onereal》

根据前文预测下一个单词一个文本序列的概率分布可以分解为每个词基于其上文的条件概率的乘积MindNLP/huggingface Transformers提供的文本生成方法应用实践/LLM原理和实践/文本解码原理-以MindNLP为例---------------------------------------以上是今天学习内容的简介，下面运行代码。训练与测试：

原创 《昇思25天学习打卡营第21天|onereal》

今天学习内容是基于MindSpore通过GPT实现情感分类，没有更多简介，直接运行代码训练看结果。应用实践/LLM原理和实践/基于MindSpore通过GPT实现情感分类.ipynb。

原创 《昇思25天学习打卡营第20天|onereal》

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。---------------------训练结果因为算力不足，暂未成功。数据处理，将向量数据变为中文数据。

原创 昇思25天学习打卡营第19天|onereal

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。

原创 《昇思25天学习打卡营第18天|onereal》

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。为了方便数据集和预训练词向量的下载，首先设计数据下载模块，实现可视化下载流程，并保存至指定路径。库对下载百分比进行可视化。此外针对下载安全性，使用IO的方式下载临时文件，而后保存至指定的路径并返回。此外，需要使用预训练词向量对自然语言单词进行编码，以获取文本的语义特征，本节选取。以上为今天学习内容简介，下面是运行代码训练的结果。词向量作为Embedding。本节使用情感分类的经典数据集。库进行http请求，并通过。

原创 《昇思25天学习打卡营第17天|onereal》

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。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。

原创 《昇思25天学习打卡营第16天|onereal》

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。

原创 《昇思25天学习打卡营第15天|onereal》

MNIST手写数字数据集是NIST数据集的子集，共有70000张手写数字图片，包含60000张训练样本和10000张测试样本，数字图片为二进制文件，图片大小为28*28，单通道。图片已经预先进行了尺寸归一化和中心化处理。本案例将使用MNIST手写数字数据集来训练一个生成式对抗网络，使用该网络模拟生成手写数字图片。应用实践/生成式/GAN图像生成.ipynb以上是第15天学习内容简介。下面是训练和推理的结果。

原创 《昇思25天学习打卡营第14天|onereal》

关于扩散模型（Diffusion Models）有很多种理解，本文的介绍是基于denoising diffusion probabilistic model （DDPM），DDPM已经在（无）条件图像/音频/视频生成领域取得了较多显著的成果，现有的比较受欢迎的的例子包括由OpenAI主导的。如您下载本文档为Python文件，执行Python文件时，请确保执行环境安装了GUI界面。）（在Google Brain）才各自独立地改进了这种方法。），迁移到MindSpore AI框架上实现的。）（斯坦福大学）和（

原创 《昇思25天学习打卡营第13天|onereal》

在下面的教程中，我们将通过示例代码说明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。GAN基础原理这部分原理介绍参考。

原创 《昇思25天学习打卡营第12天|onereal》

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。这里对数据进行了随机裁剪、水平随机翻转和归一化的预处理，为了将重点聚焦到模型，此处将数据预处理后的结果转换为 MindRecord 格式的数据，以省略大部分数据预处理的代码。

原创 《昇思25天学习打卡营第11天|onereal》

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。

原创 《昇思25天学习打卡营第10天|onereal》

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。

原创 《昇思25天学习打卡营第9天|onereal》

MusicGen支持两种生成模式：贪心（greedy）和采样（sampling）。在实际执行过程中，采样模式得到的结果要显著优于贪心模式。用于无分类器指导（CFG），设置条件对数之间的权重（从文本提示中预测）和无条件对数（从无条件或空文本中预测）。方法以生成文本条件音频样本。同样，我们通过设置“do_sample=True”来启用采样模式。越高表示生成的模型与输入的文本更加紧密。可能是算力不够，一直在运行，没有出结果。获得网络的随机输入，然后使用。（默认值）生成文本提示音频。来显式指定使用采样模式。

原创 思25天学习打卡营第8天|onereal

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《

原创 昇思25天学习打卡营第7天|onereal

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]。

原创 《昇思25天学习打卡营第6天|onereal》

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。

原创 《昇思25天学习打卡营第5天|onereal》

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。

原创 昇思25天学习打卡营第4天|onereal

以下内容拷贝至教程，实话实话看不懂，迷迷糊糊都运行jupyter里的代码。走完程序，训练生成了一些图片。

原创 昇思25天学习打卡营第3天|onereal

前几天不能运行代码，经过排查是因为我的浏览器是搜狗的，换成Chrome问题解决了。按照提示学习了《应用实践/计算机视觉/FCN图像语义分割.ipynb》并且尝试运行代码，开始训练，最后看到图片变化。

原创 昇思25天学习打卡营第2天|onereal》

昇腾计算，是基于昇腾系列处理器构建的全栈AI计算基础设施及应用，包括昇腾Ascend系列芯片、Atlas系列硬件、CANN芯片使能、MindSpore AI框架、ModelArts、MindX应用使能等。华为Atlas人工智能计算解决方案，是基于昇腾系列AI处理器，通过模块、板卡、小站、服务器、集群等丰富的产品形态，打造面向“端、边、云”的全场景AI基础设施方案，涵盖数据中心解决方案、智能边缘解决方案，覆盖深度学习领域推理和训练全流程。昇腾AI全栈如下图所示：昇腾应用使能。

原创 《昇思25天学习打卡营第1天|onereal》

昇思25天学习打卡营第1天;有点一头雾水的感觉，说是要在jupyter中签到打卡，是不是就是复制粘贴。我以为是要在终端机器中运行代码呢。我还是想运行这个算力机器，但是他们说每次只能2小时。如果只是粘贴代码，那未免太简单了。

原创 SquirrelMail实现Web方式收发邮件_xionglling的博客-CSDN博客

小松鼠实现Web邮件服务SquirrelMail 是一个用PHP开发的Web邮件系统。它内置纯PHP支持的IMAP和SMTP协议，所有页面都遵循 HTML 4.0标准(没有使用任何 JavaScript 代码)，以便最大限度兼容各种多浏览器。SquirrelMail对系统要求非常低，安装和配置都非常容易。SquirrelMail 具备一个客户端邮件程序所应拥有的一切功能，包括支持增强型的MIME、地址薄、文件夹操作等等功能。配置思路: 1.前置要求，两个不同域之间的用户能实现互_squirrelmail。

原创 AU 图文教程

Au入门系列

原创 Audition 入门系列（合集）_MediaTea的博客-CSDN博客

Audition 入门系列（合集）_MediaTea的博客-CSDN博客 https://photoshoptea.blog.csdn.net/article/details/108211969?原文链接：https://blog.csdn.net/qq_41176800/article/details/108211969。《Au入门系列之八：包络与自动化控制》《Au入门系列之五：轨道与轨道控制》《Au入门系列之六：多轨剪辑编辑》《Au入门系列之四：降噪与修复》《Au入门系列之九：多轨混音》

转载 FlashForLogo教程 原作者：周玲忠

Flash版Logo语言 https://v.youku.com/v_show/id_XNTQ2OTg4NTAw.html?2.Flash版Logo语言教程 第2课 常用命令-教育-高清完整正版视频在线观看-优酷 https://v.youku.com/v_show/id_XNTQ2NTE4MDU2.html?

原创 au cs6七线阁教程 笔记

阈值：需要音量起伏大(歌剧，我爱你中国)，阈值应该高。07 删除选区 自定义波形剪辑颜色 录音激活后，监听才能激活。比例：柔情歌曲：比例小2:1；快歌4:1，比例大，越平缓。11 破坏性处理效果器：降噪cs6 比之前版本好很多。阈值： -25db 高于阈值的才开始起作用。播放状态，图形化演唱的音符，并修正音高。2添加方式2 破坏性的，需要预览。第1、2个旋钮最小，是电音效果。独立效果器面板，实时，非破坏性。24 参量均衡器 waves9。300-2000人声频率范围。Wavew9 频谱分析仪插件。

原创 中小学教师信息技术能力提升工程2.0所涉及的三个环境、四个维度，30个能力点

中小学教师信息技术能力提升工程2.0所涉及的三个环境、四个维度，30个能力点

原创 【php操作mysql数据库的连接语句以及最简单的增删改查语句】

<?php/*//给大家带来php最基本的增删改查的方法，我的mysql数据库配置信息如下：//主机IP：localhost//用户名：root//密码：123456//数据库名：databaseTest//表名：test(两个字段：id(int),name(varchar))//-----------------------向数据库插入一条数据---------------------$id=1;$name="zhangsan";$con = mysql_conn

原创 【转载】Postman-Omysql连接数据库

http://t.csdn.cn/KSWN1（emmm。。。早就应该做的总结。。。）一、解决问题：postman断言需要查询存表结果；登录或者业务需要验证码；（可以设置白名单绕过验证码，但不太提倡）自动化场景需要不同的测试数据；二、解决方案：一开始网上搜到的连接方式是通过xmysql，实践时发现有几个不是很友好的点（可能是我不熟悉，没有发现其优点，求指教）2. 无法灵活使用增删改查语句，得拼接3. 无法灵活指定数据库或表4. 对比Omysql，启动命令更复杂用Omysql连

原创 mPython编程掌控板连接tinywebdb数据库

在mPython环境下编写掌控板读写tinyweb数据库，不需要插件，只需要网络组建。用POST方式发起请求，因为响应内容未分开，所以读写需要分别发起请求进行，此处分别间隔1秒。

原创 postman创建请求

GET:http://tinywebdb.appinventor.space/api?user=XXXXxx&secret=c931c358&action=get&tag=guangxianPOST:http://tinywebdb.appinventor.space/api?user=XXXXxx&secret=c931c358&action=get&tag=guangxianhttp://api.crap.cn/免费开源的接口管理...

原创 【转载】scratch教程

基础课程 案例1：快来参加舞会吧腾讯视频 案例2：舞会开始 Scratch趣味编程基础课程案例2：舞会开始 案例3：换装游戏 Scratch趣味编程基础课程案例3：换装游戏 案例4：换装游戏2.0 【Scratch趣味编程基础课程】案例4：换装游戏2.0案例5：猫捉老鼠1.0 【Scratch趣味编程基础课程】案例5：猫捉老鼠1.0 案例6：猫捉老鼠2.0 【Scratch趣味编程基础课程】案例6：猫捉老...

原创 ESP32 MQTT DF IOT

https://iot.dfrobot.com.cn 申请iot 用户，记住帐号，密码，新建设备 topic0,topit1……分别为收发设备。掌控板程序代码：使用到了WIFI mqtt扩展

原创 课件教学资源汇总

新时代备课大师网_语文备课大师_数学备课大师_英语备课大师_做有影响力的免费教育资源网站备课大师http://www.1kejian.com 1课件语文备课大师 >> 首页 语文备课大师http:www.kjzhan.com课件站www.xuekeedu.com小学学科网语文备课大师 >> 首页http://www.k12.com.cnhttp://www.tizi.com一起教育科技_让学习成为美好体验名师作文在线——中小学作文教学...

原创 掌控版接麦昆扩展板控制电机

原创 eps32 BLE read and write arduino c

/* Video: https://www.youtube.com/watch?v=oCMOYS71NIU Based on Neil Kolban example for IDF: https://github.com/nkolban/esp32-snippets/blob/master/cpp_utils/tests/BLE%20Tests/SampleNotify.cpp Ported to Arduino ESP32 by Evandro Copercini Crea...

原创 appInventor 远程读写tinyweb数据库代码

TinyWebDB服务器 - APPInventor网络微数据库http://tinywebdb.appinventor.space