OpenMMLab AI实战营笔记4

已于 2023-06-05 22:34:21 修改
阅读量71 收藏
点赞数
分类专栏： OpenMMLab 文章标签： 人工智能 笔记 深度学习
于 2023-06-05 22:27:50 首次发布
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/qq_42815746/article/details/131057304
版权

MMPretrain

MMPretrain是一个全新升级的开源算法框架，其继承自MMClassification和MMSelfSup，并开发了许多令人兴奋的新功能。目前，预训练阶段对于视觉识别至关重要。为了改进下游任务，这个模型里有很多优秀的友好的预训练模型。
在这里插入图片描述
这就是MMPretrain里支持的两个模型的总览图，根据这两张图片不难看出，这两个分别是KaiMing大神的方法MAE和OpenAI的工作CLIP。

工具箱

在这里插入图片描述
支持方法一览，对于预训练模型来说，一些大型的方法应该是需要的。

视觉backbone选讲

  • ResNet
    在这里插入图片描述

  • ViT
    在这里插入图片描述

自监督学习支持

在这里插入图片描述

  • SimCLR
    在这里插入图片描述

  • MAE
    在这里插入图片描述

yyfan981024
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
AI基础实战营Day1ppt
02-02
AI基础实战营Day1课程ppt --- 计算机视觉 与 OpenMMLab 开源算法体系，主讲同济子豪兄，如有侵权请联系删除。
OpenMMLab AI实战营笔记1
qq_42815746的博客
06-02 178
OpenMMLab
OpenMMlab AI实战营第一期培训
weixin_52836217的博客
03-21 498
OpenMMlab AI实战营培训笔记，内容包括了计算机视觉领域常见的：图像分类，目标检测，语义分割的知识。
【OpenMMLab AI实战营第二期】二十分钟入门OpenMMLab笔记
JeffDing
06-01 723
OpenMMLabAI实战营第二期第一课笔记
OpenMMLab AI实战营笔记3
qq_42815746的博客
06-05 321
RTMpose是一种用于姿态估计的深度学习模型，其全称为Real-time Multi-person Pose Estimation Network。RTMpose模型可以在输入的图像中同时检测和估计多个人的姿态，即对每个人的身体关节进行定位和估计。RTMpose模型基于深度卷积神经网络架构，它将图像分解为多个特征图，然后通过多个卷积、池化和残差块对图像特征进行提取。模型的输出是一个包含多个人体关节位置和置信度的热力图，每个热力图对应一个人的姿态。
通用视觉框架OpenMMlab课程01计算机视觉与OpenMMLab概述
11-27
通用视觉框架OpenMMlab课程01计算机视觉与OpenMMLab概述通用视觉框架OpenMMlab课程01计算机视觉与OpenMMLab概述通用视觉框架OpenMMlab课程01计算机视觉与OpenMMLab概述通用视觉框架OpenMMlab课程01计算机视觉与Open...
交大PPT通用视觉框架OpenMMlab课程02图像分类与MMClassification
11-27
【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大...
OpenAI 闭门讨论会V3纪要GPT-4
05-11
OpenAI 闭门讨论会V3纪要【GPT-4】 海外的业内人士对 OpenAI、ChatGPT、GPT-4、大模型的思考，以及对未来技术、商业、创业、机遇的研究预判。 海外独角兽在社群内组织的 OpenAI 闭门讨论会的纪要，共45页，详细记录...
万门大学-人工智能实战与应用学习笔记.zip
03-09
万门大学-人工智能实战与应用学习笔记
Perfectly Clear Workbench for mac/win：让图像清晰不再是难题
2401_82627223的博客
04-27 380
Perfectly Clear Workbench是一款功能强大、操作简便的图像清晰处理软件。它不仅能够满足专业摄影师的高标准需求，也能让业余爱好者轻松提升作品质量。
【炼金术士】BatchSize对网络训练的影响
kabuto_hui的博客
04-25 1362
首先我们设置一个非常小的初始学习率，比如1e-5，然后在每个batch之后都更新网络，同时增加学习率，统计每个batch计算出的loss。最后我们可以描绘出学习的变化曲线和loss的变化曲线，从中就能够发现最好的学习率。针对BatchSize越大，网络训练速度快这条很好理解，在相同的单位时间内，一次训练的数据越多，网络训练的速度也就越快。初始的学习率肯定是有一个最优值的，过大则导致模型不收敛，过小则导致模型收敛特别慢或者无法学习，下图展示了不同大小的学习率下模型收敛情况的可能性。
linux 编译opencv遇到问题
123
04-26 688
linux 编译opencv遇到问题
铝型材表面瑕疵识别-Are you OK?队-1-解决方案
最新发布
gangyikeji的博客
04-28 1090
本次大赛分为初赛、复赛和决赛三个阶段（9月17日-11月22日），初赛是分类任务，复赛是检测任务，决赛是现场答辩。经过2个多月的算法角逐和决赛答辩，我们团队（Are you OK?这里着重介绍下复赛的答辩方案，对初赛感兴趣的同学可以参照我们的开源代码。[初赛开源代码1](https://github.com/herbert-chen/tianchi_lvcai)[初赛开源代码2](https://github.com/OdingdongO/pytorch_classification)
TR6 - Transformer实战 单词预测
Loser
04-26 1359
实验做的还是比较简单的，Transformer模型中的编码器直接使用的是pytorch框架预定义好的模块，但是对于理解整个模型的训练过程还是非常有帮助的。在实验的过程中，发现torchtext模块也已经不在维护了，和计算机视觉不同，自然语言处理的模型的输入格式灵活多变，经常需要自己写代码调整，比如上面的data_process函数。
探索AI时代的新天地：LLAMA3引领人工智能革命
✈
04-24 1801
AI_Academic能够帮助您更高效地进行论文写作、润色，还能帮您解析各种编程语言的源码。AI_Academic页面分为三部分：左侧为系统输出区，右侧为用户操作区，包括输入框（输入文字指令、待操作的文本或代码段等）、操作按钮以及左上方模型切换、界面设置等功能。新版本中左下角新增二次元人物想象，陪伴用户让学术研究不孤单。功能描述英语学术润色输入英文文本，一键润色中文学术润色输入中文文本，一键润色查找语法错误输入文件，一键查找语法错误中译英输入中文文本，一键翻译为英文学术中英互译。
知识在人工智能中的核心作用：连接主义与符号主义的交融
笔者从事电信媒体开发多年，愿意将多年的开发经验分享给同行
04-27 953
在人工智能（AI）的浩瀚海洋中，连接主义和符号主义是两股不可忽视的潮流。这两大流派在AI的发展历程中起到了举足轻重的推动作用。连接主义，深受人脑神经网络启发，致力于模仿其结构与功能；而符号主义则侧重于利用符号与规则来构建和处理知识。本文旨在深入探讨知识在AI领域的多维作用，特别是连接主义如何借助深度学习技术实现知识的捕获、转化与运用。
集成学习算法学习笔记
m0_46521579的博客
04-27 394
三个臭皮匠顶一个诸葛亮集成学习会考虑多个评估器的建模结果，汇总后得到一个综合的结果，以此来获取比单个模型更好的回归或分类表现。很多独立的机器学习算法：决策树、神经网络、支持向量机集成学习构建了一组基学习器，并将它们综合起来作为最终的模型。在很多集成学习模型中，对基学习器的要求很低。集成学习适用于机器学习的几乎所有领域：回归、分类、推荐和排序。相同的多个基学习器不会带来任何提升，不同的模型取长补短，每个基学习器都会犯不同的错误，综合起来犯错的可能性不大。
【AI】一文介绍索引增强生成RAG的原理和结构
每日出拳老爷子的博客
04-26 425
今天向大家介绍一下关于RAG的一些知识和经验。这里说的RAG可以理解为目前针对企业知识库问答等AI应用场景的解决方案，这个场景就是利用自然语言大模型LLM与用户自有的文件进行对话的能力。
openAI spinningup笔记
07-25
回答: OpenAI Spinning Up是一个教学工具，旨在帮助我们在确保人工智能的安全发展和广泛分发AI的好处方面取得进展。\[1\]如果你按照之前提到的方法在主目录中执行代码时遇到错误，可能会导致报错。你可以参考一些...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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
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