《昇思25天学习打卡营第25天|第21天》

最新推荐文章于 2024-10-02 23:04:10 发布
最新推荐文章于 2024-10-02 23:04:10 发布
阅读量325 收藏 6
点赞数 4
分类专栏： 昇思打卡 文章标签： 学习
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/weixin_46027901/article/details/140542890
版权

今天是打卡的第二十一天，今天学的是应用实践的自然语言处理的LSTM+CRF序列标注。

从序列标注的概述开始讲起，条件随机场(Conditional Random Field, CRF)，Score计算，Viterbi算法，CRF层，BiLSTM+CRF模型。

右牙缺角土豆头
关注
专栏目录
昇思25天学习打卡营第二十五天|SSD目标检测
weixin_42553583的博客
07-18 828
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]。
【昇思25天学习打卡营第21天 | Diffusion扩散模型】
imath60的博客
07-10 404
通过学习本文，我对Diffusion扩散模型有了更深入的理解。这种模型以其独特的去噪过程，在图像生成领域展现出了巨大的潜力。从理论上的正向噪声添加到实际的神经网络训练，再到最终的图像生成，Diffusion模型的每一步都充满了创新。尽管当前模型在生成图像时需要较多的计算资源，但随着研究的深入，未来有望实现更高效的图像生成方式。此外，Diffusion模型在图像合成上超越了GANs，预示着其在未来的广泛应用前景。学习这篇文档不仅提升了我的技术知识，也激发了我对深度学习领域的进一步探索兴趣。
昇思25天学习打卡营第二十一天|FCN图像语义分割
weixin_42553583的博客
07-14 611
FCN主要用于图像分割领域，是一种端到端的分割方法，是深度学习应用在图像语义分割的开山之作。通过进行像素级的预测直接得出与原图大小相等的label map。因FCN丢弃全连接层替换为全卷积层，网络所有层均为卷积层，故称为全卷积网络。全卷积神经网络主要使用以下三种技术：卷积化（Convolutional）使用VGG-16作为FCN的backbone。VGG-16的输入为224*224的RGB图像，输出为1000个预测值。VGG-16只能接受固定大小的输入，丢弃了空间坐标，产生非空间输出。
昇思25天学习打卡营第二十四天|ShuffleNet图像分类
weixin_42553583的博客
07-17 1168
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。
昇思25天学习打卡营第二十二天|ResNet50迁移学习
weixin_42553583的博客
07-15 910
提供免费算力支持，有交流群有值班教师答疑的华为昇思训练营进入第二十二天了。今天是第二十二天，从第十天开始，进入了应用实战阶段，前九天都是基础入门阶段，具体的学习内容可以看链接。
昇思25天学习打卡营第二十三天|ResNet50图像分类
weixin_42553583的博客
07-16 917
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，由图中数据可以看出，56层网络比20层网络训练误差和测试误差更大，随着网络的加深，其误差并没有如预想的一样减小。
昇思25天学习打卡营第十二天|Diffusion扩散模型
weixin_42553583的博客
07-05 701
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。Diffusion对于图像的处理包括以下两个过程：我们选择的固定（或预定义）正向扩散过程qqq：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pθp_\thetapθ​。
昇思25天学习打卡营第二十一天|GAN图像生成
2401_85826217的博客
07-28 335
最初，GAN在论文中首次进行了描述，其主要有两个不同的模型共同组成——生成器和判别器。生成器的任务是深沉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模型的核心在于提出了通过对抗过程来古籍生成模型这一全新框架，在这个框架中，将会同时训练两个模型——捕捉数据分布的生成模型G和估计样本是否来自训练数据的判别模型D。模型简介：GAN，生成式对抗网络，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式之一。
昇思25天学习打卡营第二十五天|基于MindSpore实现BERT对话情绪识别
2401_85826217的博客
07-30 603
BERT 全称是来自变换器的双向编码器征量，它是一种新型语言模型。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。这里提供一份已标注的，经过分词预处理的机器人聊天数据集。下面以一个文本情感分类任务为例子说明整个模型的运用过程。
昇思25天学习打卡营第十一天|DCGAN生成漫画头像
weixin_42553583的博客
07-04 782
随着训练次数的增多，图像质量也越来越好。如果增大训练周期数，当num_epochs达到50以上时，生成的动漫头像图片与数据集中的较为相似。
昇思25天学习打卡营第23天|K近邻算法实现红酒聚类
数字人生
07-11 955
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。
昇思25天学习打卡营第12天|MindSpore-基于MobileNetv2的垃圾分类
pblh123的专栏
07-05 927
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。
粤嵌学习打卡第21天（基于SAX方式解析、生成XML文档）
qq_41986840的博客
03-09 157
今天我们来聊聊SAX方式解析、生成XML文档 SAX介绍： 1、SAX方式解析XML 1、具体流程 2、实现思路 3、要解析的acc.xml <?xml version="1.0" encoding="UTF-8" standalone="no"?> <accounts> <account age="25" bankNo="acc1003"> ...
人工智能之python打卡学习100天计划-day11
weixin_41047266的博客
04-01 1714
面向对象，面向对象进阶，面向对象应用(扑克游戏，工资计算系统)
动手学深度学习第一次打卡
l852131652的博客
02-14 969
今年才开始接触深度学习，基本上是小白的状态，希望能利用疫情放假的这些日子好好学习一下深度学习。第一次打卡分成Task01和Task02两天的内容，首先进行Task01的学习打卡。Task01的学习任务包括线性回归、Softmax与分类模型与多层感知机。 Task01 1.线性回归 主要内容包括：①线性回归的基本要素②线性回归模型从零开始的实现③线性回归模型使用pytorch的简洁实现 首先提出要解...
10.2学习
2401_87363162的博客
10-02 1142
​ Spring AOP就是基于动态代理的，如果要代理的对象，实现了某个接⼝，那么Spring AOP会使⽤JDKProxy，去创建代理对象，⽽对于没有实现接⼝的对象，就⽆法使⽤ JDK Proxy 去进⾏代理了，这时候Spring AOP会使⽤基于asm框架字节流的Cglib动态代理 ，这时候Spring AOP会使⽤ Cglib ⽣成⼀个被代理对象的⼦类来作为代理。每个线程中都有一个自己的ThreadLocalMap类对象，可以将线程自己的对象保持到其中，各管各的，线程可以正确的访问到自己的对象。
Go基础学习10-原子并发包sync.atomic的使用：CSA、Swap、atomic.Value......
最新发布
FLJS_T的博客
10-02 967
原子操作sync.atomic以及原子变量atomic.Value详细介绍。go中原生的支持原子操作的函数支持的变量类型int32、int64、uint32、uint64、uintptr，以及unsafe包中的Pointer。对于上述原子操作类型中的每一个，可以支持的数据类型有：==int32、int64、uint32、uint64、uintptr，以及unsafe包中的Pointer。但是否sync.Mutex变量能够保证操作的原子性。atomic.Value类型是开箱即用的，我们声明一个该类型的变量
6.824 Lab 2C 学习记录
kingsill的博客
09-29 327
最后10s，开始的时候，恢复网络，插入一个数据，等待这个数据被提交，如果超过这10s就报错。2C的test中的unreliable figure8算是给博主的迎头一棒，需要根据raft论文的figure8进行解决，leader。根据前任及博主自己的经验，unreliable figure8的除了上述这一点以外，需要对。博主由于之前的不严谨，给自己留下了很大的改进困难，最后不得不重构代码。进行一定的设计，可以参考课程里老师提出的意见。一下为博主的github仓库，需要的可以参考。有一定的考验，那么就需要对。
【DirectX sdk 学习使用】
qq_41610493的博客
10-01 372
设置包含目录：打开你的项目属性，导航到VC++目录，然后在包含目录中添加DirectX SDK的Include文件夹路径。设置库目录：同样在VC++目录中，在库目录中添加DirectX SDK的Lib文件夹路径。运行安装程序：下载完成后，找到下载的安装程序（通常是一个.exe文件），双击运行。选择安装路径：选择你希望安装DirectX SDK的路径，或者使用默认路径。如果你有任何问题或需要进一步的指导，请随时告诉我。接受许可协议：在安装向导中，阅读并接受许可协议。完成安装：点击“安装”按钮，等待安装完成。
评论
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