- 博客(73)
- 收藏
- 关注
RSS订阅原创 昇思MindSpore 应用学习-MindNLP ChatGLM-6B StreamChat
【代码】昇思MindSpore 应用学习-MindNLP ChatGLM-6B StreamChat。
2024-08-01 20:57:04
392
原创 昇思MindSpore 应用学习-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。from mindnlp.utils import http_get # 导入http_get模块，用于下载数据集url = 'https://download.mindspore.cn/toolkits/mindnlp/dataset/text_generation/nlpcc2017/train_with_summ.txt' # 数据集的URL。
2024-07-30 21:21:39
844
原创 昇思MindSpore 应用学习-基于 MindSpore 实现 BERT 对话情绪识别
自己输入推理数据，展示模型的泛化能力。predict("家人们咱就是说一整个无语住了 绝绝子叠buff")
2024-07-30 21:18:57
873
原创 在Linux中处理目录的常用命令
最后我们设计一个预测函数，实现开头描述的效果，输入一句评价，获得评价的情感分类。将输入句子进行分词；使用词表获取对应的index id序列；index id序列转为Tensor；送入模型获得预测结果；打印输出预测结果。1: "Positive", # 定义情感得分为1时的标签为“Positive”0: "Negative" # 定义情感得分为0时的标签为“Negative”model.set_train(False) # 设置模型为评估模式，不进行训练。
2024-07-28 21:16:30
228
原创 昇思MindSpore 应用学习-RNN实现情感分类-CSDN
最后我们设计一个预测函数，实现开头描述的效果，输入一句评价，获得评价的情感分类。将输入句子进行分词；使用词表获取对应的index id序列；index id序列转为Tensor；送入模型获得预测结果；打印输出预测结果。1: "Positive", # 定义情感得分为1时的标签为“Positive”0: "Negative" # 定义情感得分为0时的标签为“Negative”model.set_train(False) # 设置模型为评估模式，不进行训练。
2024-07-28 21:12:29
448
原创 昇思MindSpore 应用学习-LSTM+CRF序列标注-CSDN
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。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。
2024-07-28 21:11:50
973
原创 昇思MindSpore 应用学习-Pix2Pix实现图像转换-CSDN
import mindspore # 导入MindSpore库import mindspore.nn as nn # 导入MindSpore的神经网络模块import mindspore.ops as ops # 导入MindSpore的操作模块# 定义U-Net跳跃连接块super(UNetSkipConnectionBlock, self).__init__() # 调用父类构造函数# 定义归一化层# 根据norm_mode决定归一化方式。
2024-07-25 16:55:19
1152
原创 昇思MindSpore 应用学习-GAN图像生成-CSDN
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。
2024-07-25 16:53:33
989
原创 昇思MindSpore 应用学习-Diffusion扩散模型-CSDN
如果将Diffusion与其他生成模型（如Normalizing Flows、GAN或VAE）进行比较，它并没有那么复杂，它们都将噪声从一些简单分布转换为数据样本，Diffusion也是从纯噪声开始通过一个神经网络学习逐步去噪，最终得到一个实际图像。我们选择的固定（或预定义）正向扩散过程 q𝑞 ：它逐渐将高斯噪声添加到图像中，直到最终得到纯噪声一个学习的反向去噪的扩散过程 pθ𝑝𝜃 ：通过训练神经网络从纯噪声开始逐渐对图像去噪，直到最终得到一个实际的图像。
2024-07-24 20:00:41
831
原创 昇思MindSpore 应用学习-DCGAN生成漫画头像-CSDN
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。
2024-07-24 19:57:57
2484
原创 昇思MindSpore 应用学习-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 Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks 。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。其实在 CycleGAN 之前，就已经
2024-07-23 16:27:43
304
原创 昇思MindSpore 应用学习-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。同时引入宽度系数 α和分辨率系数 β，使模型满足不同应用场景的需求。
2024-07-23 16:26:27
884
原创 昇思MindSpore 应用学习-K近邻算法实现红酒聚类-CSDN
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，是机器学习最基础的算法之一。它的基本思想是：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。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。距离度量。
2024-07-22 08:59:11
1076
原创 昇思MindSpore 应用学习-基于MindNLP+MusicGen生成自己的个性化音乐-CSDN
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。请注意，传递给 generate 方法的任何参数都将取代生成配置中的参数，因此在调用 generate 中设置 do_sample=False 将取代生成配置中 model.generation_config.do_sample 的设置。及其权重作为音频压缩模型。
2024-07-22 08:56:22
673
原创 昇思MindSpore 应用学习-Vision Transformer图像分类
本案例完成了一个ViT模型在ImageNet数据上进行训练，验证和推理的过程，其中，对关键的ViT模型结构和原理作了讲解。通过学习本案例，理解源码可以帮助用户掌握Multi-Head Attention，TransformerEncoder，pos_embedding等关键概念，如果要详细理解ViT的模型原理，建议基于源码更深层次的详细阅读。
2024-07-21 11:07:15
1046
原创 昇思MindSpore 应用学习-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]。通过算法产生候选框，然后再对这些候选框进行分类和回归。
2024-07-21 11:06:44
809
原创 昇思MindSpore 应用学习-ShuffleNet图像分类-CSDN
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。
2024-07-20 23:07:54
1047
原创 昇思MindSpore 应用学习-ResNet50图像分类-CSDN
图像分类是最基础的计算机视觉应用，属于有监督学习类别，如给定一张图像(猫、狗、飞机、汽车等等)，判断图像所属的类别。本章将介绍使用ResNet50网络对CIFAR-10数据集进行分类。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
2024-07-20 23:07:08
878
原创 昇思MindSpore 应用学习-ResNet50迁移学习-CSDN
这段代码通过从训练数据集中提取前4张图像及其标签，并进行反标准化处理后，使用matplotlib将图像显示出来，同时在每张图像上方显示对应的类别名称。这有助于可视化和验证数据预处理以及数据集加载是否正确。这段代码旨在为神经网络中的权重和BatchNorm层的γ参数提供初始化方法。通过使用MindSpore的Normal初始化器，可以确保权重和γ参数按照指定的正态分布进行初始化，从而有助于稳定和加速神经网络的训练过程。expansion: int = 1 # 最后一个卷积核数量与第一个卷积核数量相等。
2024-07-19 22:03:21
405
原创 昇思MindSpore 应用学习-FCN图像语义分割-CSDN
全卷积网络（Fully Convolutional Networks，FCN）是UC Berkeley的Jonathan Long等人于2015年在Fully Convolutional Networks for Semantic Segmentation[1]一文中提出的用于图像语义分割的一种框架。FCN是首个端到端（end to end）进行像素级（pixel level）预测的全卷积网络。在具体介绍FCN之前，首先介绍何为语义分割：图像语义分割（semantic segmentation）是图像
2024-07-19 22:02:21
1177
原创 昇思MindSpore 基础入门学习-使用静态图加速学习-CSDN
AI编译框架分为两种运行模式，分别是动态图模式以及静态图模式。MindSpore默认情况下是以动态图模式运行，但也支持手工切换为静态图模式。
2024-07-18 20:41:19
1267
原创 昇思MindSpore 基础入门学习-保存与加载代码学习-CSDN
上一章节主要介绍了如何调整超参数，并进行网络模型训练。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，本章节我们将介绍如何保存与加载模型。numpyndarraymindsporennConv2dMaxPool2dDenseTensormindsporenumpyndarray这段代码是在准备使用MindSpore框架进行深度学习模型开发的前期准备代码，通过导入必要的模块和类以便后续进行模型设计和数据操作。这段代码定义了一个函数。
2024-07-18 20:40:31
697
原创 批量小说下载器-JAVA
为实现从笔趣阁下载小说的目标，我们将采用以下策略：使用HTTP请求池进行批量检测和下载，结合线程池和异步写入，以提高效率和性能。以下是详细实现步骤和代码示例。解析说明：：指定POM模型的版本。：项目的组ID。：项目的artifact ID。：项目的版本号。构建属性：和：指定Java编译的源和目标版本。：定义源码的编码格式。依赖管理：各个依赖项添加了对应的库，如、、和。插件配置：：设置了编译器的源和目标版本。：配置了打包插件，生成包含所有依赖的jar文
2024-07-17 19:12:46
590
原创 BiliBili 阴阳师主题 前端技术展示
纯 Html + CSShttps://download.csdn.net/download/qq_43638033/89543490Index解析文档结构: 定义文档类型为HTML5。: 定义HTML文档的根元素，语言属性设置为英语。: 包含文档的元数据。: 设置文档字符编码为UTF-8。: 配置视口以适应不同设备的宽度，初始缩放比例为1.0。: 让IE浏览器使用最新的渲染模式。: 设置网页标题为“Document”。: 引入初始化样式表。: 引入头部样式表。: 引入主要内容的
2024-07-16 13:49:13
916
原创 《昇思25天学习打卡营第07天|qingyun201003》
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。目前深度学习模型多采用批量随机梯度下降算法进行优化，随机梯度下降算法的原理如下：公式中，n𝑛是批量大小（batch size），ηη是学习率（learning rate）。另外，wt𝑤𝑡为训练轮次t𝑡中的权重参数，∇l∇𝑙为损失函数的导数。除了梯度本身，这两个因子直接决定了模型的权重更新，从优化本身来看，它们是影响模型性能收敛最重要的参数。训练轮次（epoch）
2024-07-16 13:46:30
1050
原创 《昇思25天学习打卡营第06天|qingyun201003》
什么是函数式自动微分，在日常的模型训练中，涉及到复杂的数学公式如何转换为机械语言，通过本次的学习，使我了解到了如何去做梯度计算，通过梯度计算，设计损失函数，有一步步优化代码。
2024-07-15 13:22:19
783
原创 《昇思25天学习打卡营第05天|qingyun201003》
当我们定义神经网络时，可以继承nn.Cell类，在__init__方法中进行子Cell的实例化和状态管理，在construct方法中实现Tensor操作。construct意为神经网络（计算图）构建，相关内容详见使用静态图加速。nn.ReLU(),nn.ReLU(),定义了一个名为Network的类，继承自nn.Cell。在 MindSpore 中，nn.Cell是构建神经网络的基本单元。初始化方法，定义了网络的结构。：调用父类nn.Cell的初始化方法。：创建一个nn.Flatten。
2024-07-14 22:17:58
713
原创 《昇思25天学习打卡营第04天|qingyun201003》
通过这段代码，你可以对训练数据集中的图像进行一系列的数据增强操作，并获取处理后的图像及其形状信息，并打印出来。同时对于数据转换的代码有了深层次的理解。通过这段代码，你可以将单通道图像转换为HWC格式，然后进一步转换为CHW格式，并打印出两种格式的图像形状。通过这段代码，你可以生成一个随机图像，并将其转换为PIL图像对象，同时打印出图像的NumPy数组表示。的数据集，应用映射操作将每个数据乘以 2，然后打印映射后的数据。如果你的图像是多通道的（例如RGB图像），你需要为每个通道提供相应的均值和标准差。
2024-07-14 22:08:32
1056
原创 openssh升级openssh9.3p2-CSDN
2.查看openssl版本（1.0.x >= 1.0.1 or 1.1.0 >= 1.1.0g or any 1.1.1）处理方法：查找一下libssl.so.1.1与libcrypto.so.1.1的位置，然后做软连接即可。“”“如不满⾜要求，则须先分别到zlib和openssl官⽹更新满⾜要求的版本并升级”“”可能之前升级过⼿动编辑版本openssh，这个命令执⾏是没有包可删除的。**3.2 修改pam.d配置 ****2.1 解压并编译安装 ****3.4 验证ssh版本 **
2024-07-12 20:37:13
532
原创 《昇思25天学习打卡营第03天|qingyun201003》
数据是深度学习的基础，高质量的数据输入将在整个深度神经网络中起到积极作用。MindSpore提供基于Pipeline的数据引擎，通过数据集（Dataset）和数据变换（Transforms）实现高效的数据预处理。其中Dataset是Pipeline的起始，用于加载原始数据。mindspore.dataset提供了内置的文本、图像、音频等数据集加载接口，并提供了自定义数据集加载接口。mindspore.dataset模块提供了一些常用的公开数据集和标准格式数据集的加载API。
2024-07-12 20:27:43
1293
原创 《昇思25天学习打卡营第02天|qingyun201003》
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 n𝑛 维空间内，有 nr𝑛𝑟 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。r𝑟 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（Tensor）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。
2024-07-11 16:07:00
1295
原创 《昇思25天学习打卡营第01天|qingyun201003》
从中可以意识到，平常使用的模型，都是训练模型完成之后的模型。本次的学习是在于模型前的训练和处理模型应用。forward_fn函数接收数据和标签，通过模型计算出预测的logits，并计算损失。train_step函数接收数据和标签，计算损失和梯度，并使用优化器更新模型参数。>7f>3d>3dtrain函数接收模型和数据集，设置模型为训练模式，遍历数据集的每个批次，执行单步训练，并每隔100个批次打印一次损失。
2024-07-10 20:49:23
2927
原创 Gridea + SFTP +Docker + Nginx 配置博客-CSDN
主要是 使用docker 需要查看docker容器是否挂载成功。挂载成功 ，使用对应的域名或者IP应该都可以。
2024-07-09 20:35:33
387
原创 Linux 用户管理-CSDN
Linux系统是一个多用户多任务的分时操作系统，任何一个要使用系统资源的用户，都必须首先向系统管理员申请一个账号，然后以这个账号的身份进入系统。用户的账号一方面可以帮助系统管理员对使用系统的用户进行跟踪，并控制他们对系统资源的访问；另一方面也可以帮助用户组织文件，并为用户提供安全性保护。每个用户账号都拥有一个唯一的用户名和各自的口令。用户在登录时键入正确的用户名和口令后，就能够进入系统和自己的主目录。
2024-07-08 22:44:35
509
BiliBili 阴阳师主题
2024-07-15
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人