- 博客(22)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 昇思25天学习打卡营第18天|CycleGAN图像风格迁移互换
模型简介：CycleGAN用于在没有成对图像的情况下学习图像从一个域转换到另一个域。这项技术在域迁移和图像风格迁移中非常有用。模型结构：CycleGAN由两个对称的生成对抗网络（GAN）组成，包括生成器和判别器。每个生成器将图像从一个风格转换到另一个，而判别器则区分真实图像和生成图像。
2024-07-06 23:16:01
126
原创 昇思25天学习打卡营第17天|基于MobileNetv2的垃圾分类
MobileNet网络使用深度可分离卷积思想，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以满足不同应用场景需求。本文档详细介绍了基于MobileNetV2的垃圾分类实验的全过程，包括数据处理、模型训练和推理等，为垃圾分类应用提供了一种有效的解决方案。本案例支持win_x86和Linux系统，CPU/GPU/Ascend均可运行，需正确安装MindSpore。主要介绍了基于MobileNetV2的垃圾分类实验，包括模型原理、实验环境、数据处理、模型训练和推理等内容。
2024-07-05 23:19:15
108
原创 昇思25天学习打卡营第16天|K近邻算法实现红酒聚类
KNN 是一种基于距离的分类和回归算法，通过计算测试样本与训练样本之间的距离来预测测试样本的类别。KNN 的三个基本要素：K 值、距离度量、分类决策规则。
2024-07-04 23:22:58
350
原创 昇思25天学习打卡营第15天|Vision Transformer图像分类
背景：Transformer模型最初用于处理序列数据，特别是在自然语言处理（NLP）领域取得了巨大成功。ViT将Transformer模型应用于图像分类任务。特点：ViT不依赖于卷积神经网络（CNN），而是使用自注意力机制处理图像数据。通过实际的代码示例，详细解释了ViT模型的构建、训练和推理过程。通过学习本教程，用户可以深入理解ViT模型的关键概念和原理，并能够在MindSpore框架下实现自己的图像分类任务。
2024-07-03 23:49:05
223
原创 昇思25天学习打卡营第14天|ShuffleNet图像分类
文件很可能包含了如何在MindSpore框架下实现和使用ShuffleNet模型的详细步骤和示例代码。：ShuffleNet旨在在保持高精度的同时减少模型大小和计算量，使其适合在资源受限的环境中使用。：ShuffleNet适用于需要快速推理的应用，如智能手机、嵌入式系统和其他资源受限的设备。：尽管ShuffleNet的参数数量较少，但它在图像分类任务上表现出与更大模型相当的性能。：MindSpore是一个开源的深度学习框架，支持ShuffleNet模型的实现和训练。
2024-07-02 23:28:43
152
原创 昇思25天学习打卡营第13天|SSD目标检测
SSD特点：SSD是一种单阶段目标检测算法，与两阶段方法（如RCNN系列）相比，它不需要生成候选区域再进行分类和回归，而是直接通过卷积神经网络（CNN）输出类别和位置信息。性能：使用Nvidia Titan X，在VOC 2007测试集上，SSD在300x300输入尺寸时达到74.3% mAP和59FPS，在512x512输入尺寸时达到76.9% mAP，超越了当时最强的Faster RCNN。
2024-07-02 01:14:32
267
原创 昇思25天学习打卡营第12天|ResNet50图像分类
ResNet-50是一个深度卷积神经网络，属于残差网络（Residual Networks，简称ResNets）家族中的一员。ResNet-50包含50层深度，其设计通过引入残差学习框架解决了深度网络训练中的退化问题。MindSpore是一个开源的深度学习框架，由华为诺亚方舟实验室开发，支持多种设备，包括CPU、GPU和华为Ascend AI处理器。MindSpore的设计理念是易于使用、灵活、高效。如果您需要更详细的内容或有其他具体问题，请提供更多的信息或上传文件，我将尽力为您提供帮助。
2024-06-30 23:36:44
129
原创 昇思25天学习打卡营第11天|ResNet50迁移学习
可能会包括一些预备知识，比如深度学习的基本概念，卷积神经网络（CNN）的结构，以及如何使用MindSpore框架进行基本操作。：教程可能会介绍如何选择预训练模型，这些模型已经在大量数据上训练过，可以作为迁移学习的基础。：详细说明如何使用MindSpore框架进行迁移学习，包括模型的微调、训练和评估。：教程中可能会提供代码示例，展示如何在MindSpore中实现迁移学习。：教程会解释迁移学习是什么，以及它在深度学习中的应用和重要性。：最后，教程可能会包括对模型性能的评估和结果的分析。
2024-06-29 23:00:40
196
原创 昇思25天学习打卡营第10天|FCN图像语义分割
这份教程为读者提供了一个全面的视角来理解FCN8s网络在图像语义分割中的应用，从理论到实践，包括代码实现和结果评估。
2024-06-29 02:14:27
182
原创 昇思25天学习打卡营第9天|使用静态图加速
AI编译框架运行模式：分为动态图和静态图两种模式。MindSpore默认模式：动态图模式，也称为PyNative模式，适合模型调试。
2024-06-27 22:56:19
279
原创 昇思25天学习打卡营第8天|保存与加载
MindSpore提供了灵活的模型保存与加载机制，支持模型权重的保存与加载，以及MindIR格式的导出与加载。通过这些功能，用户可以在训练过程中保存模型状态，并在需要时进行加载，便于模型的微调和部署。同时，MindIR格式的引入，使得模型在不同平台之间的转换更加方便。
2024-06-26 23:09:54
173
原创 vividime Desktop：企业数字化转型的得力助手
随着企业数字化转型的深入，数据驱动决策已成为企业实现可持续发展的关键。在这个过程中，一个强大且易于使用的数据分析工具无疑会起到举足轻重的作用。永洪科技的vividime Desktop就是这样一款数据分析工具，它凭借其卓越的性能和灵活的应用，成为企业数字化转型的得力助手。
2024-06-26 11:43:28
257
原创 昇思25天学习打卡营第7天|模型训练
继承nn.Cell类创建自定义网络Network。使用nn.Flatten层将图像从 HWC（高x宽x通道）格式转换为 CHW（通道x高x宽）格式。使用组织多个全连接层和ReLU激活函数。超参数：包括训练轮次(epochs)、批次大小(batch_size)和学习率(损失函数：使用来衡量预测值和真实标签之间的差异。优化器：使用SGD优化器，通过获取模型的可训练参数，并设置学习率。
2024-06-25 23:08:22
229
原创 昇思25天学习打卡营第6天 |函数式自动微分
MindSpore的自动微分功能主要基于反向传播算法，通过将复杂的数学运算分解为基本运算来实现梯度计算。这使得用户可以专注于模型构建而无需处理繁琐的求导细节。
2024-06-24 23:35:48
183
原创 昇思25天学习打卡营第5天 |网络构建
介绍了MindSpore框架的基本概念，如张量(Tensor)、数据集(Dataset)、数据变换(Transforms)、网络构建、函数式自动微分、模型训练、保存与加载，以及使用静态图加速等内容。：教程中提供了丰富的代码示例，包括如何实例化模型、如何构造输入数据、如何调用模型进行预测，以及如何获取模型的输出和预测类别。整个教程为初学者提供了一个清晰的入门指南，帮助他们理解如何在MindSpore框架中构建和使用神经网络模型。：以Mnist数据集分类任务为例，展示了如何构建一个简单的神经网络模型。
2024-06-23 21:32:39
293
原创 昇思25天学习打卡营第4天 |数据变换 Transforms
在深度学习中，原始数据通常需要经过预处理才能用于训练神经网络。MindSpore提供了多种数据变换操作，这些操作可以通过map方法应用到数据集上，以实现数据预处理。
2024-06-22 22:34:08
860
原创 昇思25天学习打卡营第3天 | 数据集 Dataset
数据是深度学习的基础，MindSpore提供了基于Pipeline的数据引擎。通过模块，可以高效地进行数据预处理。对于MindSpore不支持的数据集，可以通过自定义数据加载类或生成函数来实现加载。可随机访问数据集：实现了和__len__方法的数据集，可以通过索引访问数据样本。可迭代数据集：实现了__iter__和__next__方法的数据集，适用于随机访问成本高或不可行的情况。生成器：依赖Python的生成器类型返回数据，直至抛出异常。
2024-06-21 20:21:24
216
原创 昇思25天学习打卡营第2天 | 张量 Tensor
定义：张量是一种多线性函数，用于表示矢量、标量和其他张量之间的线性关系。它是一个具有一定秩或阶的数据结构，类似于数组和矩阵。用途：在MindSpore中，张量是进行网络运算的基本数据结构。
2024-06-20 21:58:50
242
原创 昇思25天学习打卡营第1天 | 快速入门
学习MindSpore框架的快速入门教程后，我感受到了深度学习工具的强大与便捷。通过简洁的代码示例，MindSpore让我快速理解了从数据处理到模型构建、训练，再到保存和加载的整个流程。特别是其基于Pipeline的数据引擎和函数式自动微分机制，极大地提升了开发效率。此外，MindSpore对静态图的支持，使得模型运行更加高效，这对于追求高性能计算的我来说，是一大亮点。整体而言，这次学习经历不仅加深了我对深度学习框架的认识，也激发了我进一步探索和应用深度学习技术的兴趣。
2024-06-19 20:30:13
161
原创 Attention R2U-Net注意力时代的来临
Attention U-Net相较于传统的U-Net模型，具有更好的特征提取能力：Attention U-Net在编码器中使用了SE模块，可以自适应地学习每个通道的重要性权重，并将这些权重应用于特征图中的每个位置。
2023-09-05 10:16:00
865
6
空空如也
关于#二维#的问题，如何解决？
2022-11-25
you-get出现audio-languages:
2019-11-20
TA创建的收藏夹 TA关注的收藏夹
TA关注的人