- 博客(10)
- 收藏
- 关注
RSS订阅原创 Flask实用小工具制作——局域网内，手机（电脑）传输文件到电脑
利用flask制作了一款实用小工具，可在局域网内，将手机（电脑）传输文件到电脑。
2024-10-11 22:01:49
255
原创 昇思25天学习打卡营第9天|基于MindSpore Quantum的Grover搜索算法和龙算法
Grover搜索算法的基本原理：首先通过 Hadamard 门产生均匀叠加态，然后反复调用Grover迭代（或称为 𝐺 算子），以放大目标项的概率振幅同时抑制非目标项的概率振幅（该方法称之为振幅放大），最后对末态进行测量，那么就能以极大的概率得到目标态 |𝜔⟩。Grover搜索算法被公认为是继Shor算法后的第二大量子算法，也是第一个被完整的实验实现的量子算法，它解决的是无序数据库搜索问题。此外，Grover搜索算法中用到的振幅扩大技巧，对许多启发式的经典搜索算法可以实现加速，因而具有广泛的应用。
2024-07-03 12:18:33
701
原创 昇思25天学习打卡营第8天|保存与加载--使用静态图加速
在训练网络模型的过程中，实际上我们希望保存中间和最后的结果，用于微调（fine-tune）和后续的模型推理与部署。保存和加载模型权重保存模型使用save_checkpoint接口，传入网络和指定的保存路径。保存和加载MindIR除Checkpoint外，MindSpore提供了云侧（训练）和端侧（推理）统一的中间表示（Intermediate Representation，IR）。可使用export接口直接将模型保存为MindIR。
2024-07-02 12:17:19
240
原创 昇思25天学习打卡营第7天|模型训练
批次大小（batch size）：数据集进行分批读取训练，设定每个批次数据的大小。batch size过大，不同batch的梯度方向没有任何变化，容易陷入局部极小值，因此需要选择合适的batch size，可以有效提高模型精度、全局收敛。学习率（learning rate）：如果学习率偏小，会导致收敛的速度变慢，如果学习率偏大，则可能会导致训练不收敛等不可预测的结果。超参（Hyperparameters）是可以调整的参数，可以控制模型训练优化的过程，不同的超参数值可能会影响模型训练和收敛速度。
2024-07-01 13:12:54
187
原创 昇思25天学习打卡营第6天|函数式自动微分
神经网络的训练主要使用反向传播算法，模型预测值（logits）与正确标签（label）送入损失函数（loss function）获得loss，然后进行反向传播计算，求得梯度（gradients），最终更新至模型参数（parameters）。自动微分能够计算可导函数在某点处的导数值，是反向传播算法的一般化。𝑥 为输入，𝑦为正确值，𝑤和𝑏是我们需要优化的参数。
2024-06-30 12:37:54
455
原创 昇思25天学习打卡营第5天| 网络构建
网络内部神经网络层具有权重参数和偏置参数（如nn.Dense），这些参数会在训练过程中不断进行优化，可通过 model.parameters_and_names() 来获取参数名及对应的参数详情。
2024-06-29 09:52:15
199
原创 昇思25天学习打卡营第4天| 数据变换 Transforms
mindspore.dataset.vision模块提供一系列针对图像数据的Transforms。在Mnist数据处理过程中，使用了Rescale、Normalize和HWC2CHW变换。Rescale变换用于调整图像像素值的大小.。Normalize变换用于对输入图像的归一化。HWC2CHW变换用于转换图像格式。mindspore.dataset.text模块提供一系列针对文本数据的Transforms。与图像数据不同，文本数据需要有分词（Tokenize）、构建词表、Token转Index等操作。分
2024-06-28 22:44:58
881
原创 昇思25天学习打卡营第3天|数据集 Dataset
是数据预处理的关键操作，可以针对数据集指定列（column）添加数据变换（Transforms），将数据变换应用于该列数据的每个元素，并返回包含变换后元素的新数据集。将数据集打包为固定大小的batch是在有限硬件资源下使用梯度下降进行模型优化的折中方法，可以保证梯度下降的随机性和优化计算量。
2024-06-27 13:14:54
119
原创 昇思25天学习打卡营第1天|MindSpore快速入门
通过MindSpore的API来快速实现一个简单的深度学习模型MindSpore快速入门。
2024-06-25 13:46:21
234
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人