- 博客(262)
- 资源 (5)
- 收藏
- 关注
RSS订阅原创 2024年6月京东睡眠呼吸暂停和低通气事件检测赛题-baseline
train_x训练数据集特征描述，其样本分布不均匀，0样本29808，1样本3221，2样本4520，共计37549条样本第一维度：60 位受试样本数总和第二维度：（血氧和心率）第三维度：180 秒时序特征train_y训练数据标签描述：标签值：0-无事件，1-呼吸暂停，2-低通气事件测试数据集描述：第一维度：20 位受试者的总样本数第二维度：（血氧和心率）第三维度：180 秒时序特征。
2024-06-28 12:53:05
489
2
原创 香橙派AI pro+内网云穿透
也可以实现虚拟化。容器是完全使用沙箱机制，相互之间不会有任何接口（类似 iPhone 的 app）而且更轻量级。在新主机上首次安装 Docker 引擎之前，需要设置 Docker 仓库。依次在终端执行下面的命令$($(&&echo将docker设置为自启动，如下图所示。
2024-04-14 15:27:25
1058
原创 Jupyterlab+内网云穿透傻瓜式教程
*它是Conda-forge社区的一个项目，Conda-forge是一个提供Conda可安装软件包的社区驱动的平台。，将其固定在任务栏后并打开，此时你会发现出现了一个和windows cmd一样的黑窗口，同时系统已经预装好了conda，python等一系列开发环境包，并默认进入了。将下面命令中的内网ip更改为本机查询到的实际内网ip，匿名隧道目前提供了上海和香港的两条隧道，任选其中一条执行即可。免费的匿名隧道只有2小时的使用时长，且一次连接，最多保持两小时有效，每次连接，网址和端口都不一样。
2024-04-06 16:51:02
1862
原创 开发板通过Ethernet（以太网口）与笔记本相连，并通过笔记本wifi连接手机热点来访问外网
命令查看当前的网络配置情况，确认是否已经获取到正确的IP地址和网关。同时，你也可以尝试通过SSH或其他网络服务访问外网资源，验证网络连接是否正常。使用命令行工具（如终端或控制台），配置开发板的Ethernet接口IP地址和网关。在笔记本上，你需要设置网络共享，使得开发板可以通过笔记本的WiFi连接上网。在开发板上，你需要配置网络，使其能够通过刚才设置的局域网IP地址访问外网。如果能够收到回应，说明开发板已经成功通过笔记本访问外网。是开发板上的Ethernet接口名称，是笔记本的局域网IP地址，即网关。
2024-04-03 21:13:57
657
原创 【2024第一期CANN训练营】Ascend C算子开发进阶篇
/ 获取Host侧传入的Tiling参数// 初始化算子类// 算子类的初始化函数// 完成算子实现的核心逻辑修改文件，定义Tiling参数。BEGIN_TILING_DATA_DEF(TilingData) // 注册一个tiling的类，以tiling的名字作为入参// 添加tiling字段，总计算数据量// 添加tiling字段，每个核上总计算数据分块个数// 注册算子tilingdata类到对应的AddCustom算子#endif。
2024-03-18 13:41:47
1492
原创 【2024第一期CANN训练营】Ascend C算子开发基础篇
*核函数（Kernel Function）是Ascend C算子设备侧实现的入口。**在核函数中，需要为在一个核上执行的代码规定要进行的数据访问和计算操作，当核函数被调用时，多个核都执行相同的核函数代码，具有相同的参数，并行执行。Ascend C允许用户使用核函数这种C/C++函数的语法扩展来管理设备端的运行代码，用户在核函数中进行算子类对象的创建和其成员函数的调用，由此实现该算子的所有功能。核函数是主机端和设备端连接的桥梁。// 核函数实现// 初始化函数，获取处理的输入输出地址，完成内存初始化。
2024-03-18 13:40:53
1777
原创 【2024第一期CANN训练营】4、AscendCL推理应用开发
可以使用ATC（Ascend Tensor Compiler）工具将开源框架的网络模型转换为适配昇腾AI处理器的离线模型（*.om文件）。执行以下命令，将ONNX模型转换为昇腾AI处理器能识别的*.om模型文件。如果想快速体验使用转换后的om离线模型文件进行推理，请准备好环境、om模型文件、符合模型输入要求的*.bin格式的输入数据，并参考。类型的模型描述信息，并释放模型运行所需的工作内存和权值内存。接口根据模型加载中返回的模型ID获取模型基本信息。接口及时释放描述模型输入、输出数据类型的数据。
2024-03-17 16:27:52
1131
原创 【2024第一期CANN训练营】3、AscendCL运行时管理
并从AscendCL的初始化与去初始化、运行管理资源的申请与释放、数据传输、Stream管理、多Device切换以及同步等待等关键步骤来展开内容。：在多Device环境中，每个Device都有一个Context。接口切换到相应的Context，从而在对应的Device上执行任务。在多线程环境下，每个线程可以创建自己的Stream来执行任务。：在每个Device上执行相应的任务，如模型推理或算子执行。在单线程环境下，可以创建一个Stream来管理任务的执行。：在需要等待特定Device上的任务完成时，使用。
2024-03-17 16:26:43
1006
原创 【2024第一期CANN训练营】2、AscendCL概述
*AscendCL是一套用于在昇腾平台上开发深度神经网络应用的C语言API库。**它提供运行资源管理、内存管理、模型加载与执行、算子加载与执行、媒体数据处理等API，实现利用昇腾硬件计算资源进行深度学习推理计算、图形图像预处理、单算子加速计算等能力。使用AscendCL接口开发AI应用的整体接口调用流程包括初始化AscendCL、申请运行管理资源、执行模型推理/单算子调用/媒体数据处理、释放运行管理资源和去初始化AscendCL。
2024-03-17 16:25:32
1018
原创 【2024第一期CANN训练营】1、AscendCL应用开发快速入门
使用ATC工具将ONNX模型转换为昇腾AI处理器可识别的.om格式，这里以。首先，下载并解压样例包MyFirstApp_ONNX.zip。各参数的解释如下，详细约束说明请参见《接下来，实现每个函数的具体操作。已在环境上部署昇腾AI软件栈。
2024-03-17 16:24:18
1164
原创 3分钟在趋动云上快速部署ChatGLM3-6B
执行如下命令，部署基于 gradio 的网页版对话demo，将运行后的 gradio 网址在浏览器中打开，即可体验ChatGLM3-6B的对话能力。打开趋动云算力平台注册链接：https://growthdata.virtaicloud.com/t/tA ，填写相关注册信息并进行注册。从gitee克隆ChatGLM3-6B，复制以下代码在终端中运行。体验完毕后记得及时关闭项目，防止算力资源的浪费。切换到自己刚刚创建账号后默认的那个用户空间。，选择对应的算力资源并开放web访问端口。
2024-03-06 15:44:59
766
原创 飞桨模型转ONNX模型教程
ONNX是一种开放的机器学习模型格式，允许不同框架间模型的互操作性。通过ONNX，可以在不同的深度学习框架之间迁移和部署模型。
2024-03-03 19:16:28
951
原创 梯度裁剪方式介绍
在深度学习模型训练过程中，梯度爆炸是一个常见问题，可能导致模型训练不稳定。梯度裁剪是一种常用的技术，用于限制梯度的值，防止训练过程中的不稳定性。飞桨提供了多种梯度裁剪方式，包括设置范围值裁剪、通过L2范数裁剪和通过全局L2范数裁剪。梯度裁剪是深度学习中处理梯度爆炸问题的重要技术。飞桨提供了灵活的梯度裁剪方法，用户可以根据实际需求选择合适的裁剪方式，以提高模型训练的稳定性和效果。
2024-03-03 19:15:33
639
原创 自定义Loss、Metric及Callback教程
在深度学习中，自定义Loss、Metric和Callback是高级功能，允许用户根据特定需求调整模型训练和评估过程。以下是如何在飞桨中实现这些自定义功能的步骤。损失函数用于衡量模型预测与真实标签之间的差距。创建一个继承自的类。在构造函数__init__中定义参数。在前向计算函数forward中实现损失计算。# 实现自定义损失计算评估指标用于衡量模型性能。创建一个继承自的类。实现name方法，返回评估指标名称。实现update方法，用于单个batch的评估指标计算。实现。
2024-03-03 19:14:17
433
原创 使用`paddle.nn.Layer`自定义网络教程
飞桨提供了接口，允许用户轻松定义专属的深度学习模型。本教程将引导您如何使用来构建网络，并展示如何进行层的查看、修改等操作。模型：由一系列层组成，包含输入到输出的映射和实时更新的参数变量。层：模型的基础逻辑执行单元，包含算子和计算所需的变量。：飞桨所有神经网络模块的基类，代表所有可以用层表示的网络结构。本文介绍了如何使用来构造深度学习网络模型，并展示了如何进行层的查看、修改等操作。的功能远不止于此，还可以进行更多高级操作，如子层访问、层的成员变量操作、模型存储等。
2024-03-03 19:12:43
582
原创 飞桨自动微分机制介绍和使用教程
飞桨的自动微分机制是深度学习训练中的核心功能，它允许用户专注于神经网络的构建，而无需手动实现复杂的反向传播算法。本教程将介绍如何使用飞桨的自动微分功能，并解释其背后的运行机制。本文介绍了如何使用飞桨的自动微分功能，以及其背后的运行机制。通过自动微分，用户可以更高效地进行模型训练和优化。更多关于自动微分的详细信息和高级用法，可以参考飞桨的官方文档。
2024-03-03 19:11:40
713
原创 使用VisualDL进行模型训练和数据可视化
通过以上步骤，您可以使用VisualDL来辅助网络模型的训练，并通过丰富的图表来监控训练过程中的各种数据。这有助于更清晰地理解模型的训练状态，进而进行有效的模型优化。更多关于VisualDL的写入接口和功能，可以参考VisualDL的官方文档。
2024-03-03 19:10:48
1191
原创 飞桨（PaddlePaddle）快速上手教程
使用飞桨内置的MNIST数据集进行训练和测试。通过以上步骤，您已经完成了一个深度学习任务，从数据加载到模型训练、评估和推理。飞桨提供了丰富的API来支持更复杂的任务和模型开发。您可以访问飞桨官网获取更多教程和案例，深入探索深度学习的世界。
2024-03-03 19:06:04
1282
原创 飞桨（PaddlePaddle）模型保存与加载教程
训练调优场景：在训练过程中定期保存模型，或在训练结束后保存模型以便于评估或微调。推理部署场景：将训练好的模型部署到不同的硬件环境中，如服务器、移动端或边缘设备。和：用于保存和加载模型参数。和：用于保存和加载动态图模型。和：高层API，用于保存和加载模型。飞桨支持动态图和静态图模型的保存与加载。对于训练调优场景，可以使用和。对于推理部署场景，推荐将动态图模型转换为静态图模型后再进行保存和加载。飞桨的高层API也提供了相应的方法来简化这些操作。
2024-03-03 19:00:36
1533
原创 飞桨（PaddlePaddle）模型训练、评估与推理教程
本教程介绍了如何使用飞桨的高层API和基础API进行模型的训练、评估和推理。在实际应用中，可以根据需求选择合适的API。飞桨的灵活性允许开发者根据具体情况进行算法迭代和模型优化。
2024-03-03 18:59:50
2189
原创 飞桨（PaddlePaddle）模型组网教程
本教程介绍了如何在飞桨中使用内置模型、和来构建神经网络。这些方法提供了不同层次的灵活性，可以根据你的需求选择合适的组网方式。在实际应用中，你可能需要根据你的任务需求调整网络结构，例如添加正则化层、改变卷积层的参数等。通过这些基本的组网方法，你可以开始构建自己的深度学习模型。
2024-03-03 18:58:35
995
原创 飞桨（PaddlePaddle）数据预处理教程
对于自定义数据集，你可以在__init__方法中定义预处理方法，并在import os# 使用自定义数据集])通过本教程，你学会了如何在飞桨中使用数据预处理方法，以及如何在数据集中应用这些方法。这些技能对于构建和训练深度学习模型至关重要。现在，你可以开始准备你的数据集，以便进行模型训练了！记得在实际应用中，你可能需要根据你的数据集和任务需求调整数据预处理步骤。
2024-03-03 18:52:02
1298
原创 飞桨（PaddlePaddle）数据加载教程
在飞桨中，你可以使用来定义数据集。飞桨还内置了一些经典数据集，可以直接调用。如果你有自己的数据集，可以使用import os# 使用自定义数据集在DataLoader中，你可以使用不同的采样器来定义数据的采样行为。# 使用BatchSampler# 使用其他采样器...通过本教程，你学会了如何在飞桨中定义和加载数据集，以及如何使用DataLoader来迭代读取数据。这些技能是构建和训练深度学习模型的基础。现在，你可以开始你的模型训练之旅了！
2024-03-03 18:49:29
1852
原创 飞桨（PaddlePaddle）Tensor使用教程
通过本教程，你已经学会了如何在飞桨中创建Tensor、访问其属性、执行基本操作以及进行Tensor与Numpy数组之间的转换。Tensor有多个属性，如形状（shape）、数据类型（dtype）、设备位置（place）等。在飞桨中，Tensor是神经网络中数据的基本表示形式。首先，确保你已经安装了飞桨。在进行运算时，飞桨支持广播机制，允许形状不同的Tensor进行计算。Tensor支持多种操作，包括数学运算、逻辑运算和线性代数运算。飞桨支持Tensor与Numpy数组之间的相互转换。
2024-03-03 18:46:50
1061
原创 机器无root权限源码安装zsh
很多情况下我们可能无法获取 机器的 root 超级用户权限，为了使用 zsh，我们可以自己独立使用源码编译安装并配置，只在自己的账号下使用，也不会影响其他用户。zsh 在编译时依赖了 ncurses，如果机器上没有该依赖，需要编译安装。ncurses 就已经安装在了主目录下的.ncurses 下。zsh 将会被安装在主目录下的 .zsh 下。在 .bashrc 中添加以下代码。
2024-02-21 20:32:22
395
原创 第六课：Prompt
Fine-tuning 指的是在一个已经预训练好的模型基础上，使用特定任务的数据进行额外的训练，以使模型适应该任务。Fine-tuning 的优点是能够在已有知识的基础上，更好地适应特定任务，提高性能。缺点可能包括过度拟合（Overfitting）：模型在训练数据上表现很好，但在新数据上的泛化能力较差。Prompt learning 涉及使用自然语言提示（prompt）来引导模型执行特定任务。这种方法通常用于零样本学习，其中模型需要在没有大量示例的情况下执行任务。
2024-01-23 02:12:17
1359
原创 第五课：MindSpore自动并行
每一张卡上放置相同的模型参数、梯度、优化器状态不同的卡送入不同的数据训练反向传播获得梯度后，进行AllReduce要求单卡可以放下模型.多卡训练时内存冗余。
2024-01-22 12:05:09
1134
原创 初识HarmonyOS
HarmonyOS小场景 - 导航信息流转HarmonyOS与地图应用深度融合，实现手机+手表的无缝导航信息流转。讨论：场景中需要实现哪些功能点？信息的传递协议： Wi-Fi、蓝牙、移动网络等；信息的精准传递： 设备绑定、信息认证等；场景切换的判断： 是否流转的判定条件；HarmonyOS是全场景分布式智慧系统HarmonyOS是一款面向万物互联时代的、全新的分布式操作系统。
2024-01-21 12:23:56
1206
原创 第四课：GPT2
任务调节（Task Conditioning）就是GPT-2模型在学习多个任务时如何修改学习目标在普通的语言模型中，学习目标通常被表示为 P(output|input)，即在给定输入（input）的情况下，模型要学习生成正确的输出（output）。这是一种无监督学习的形式。GPT-2学习多任务的目标：GPT-2的目标是通过同一个无监督模型学习多个任务。为了实现这一目标，学习目标需要进行修改。
2024-01-21 12:14:48
942
原创 第二课：BERT
虽然目前decoder only的模型是业界主流，但是encoder 的模型bert规模较小，更适合新手作为第一个上手的大模型，这样后面学习其他的大模型就不会感觉到过于困难。Decoder only模型当道： GPT3、Bloom、LLAMA、GLMTransformer Encoder结构在生成式任务上的缺陷BERT模型规模小Pretrain-Fintune范式的落寞2022年以前，学术界还是在倒腾BERTFinetune更容易针对单领域任务训练。
2024-01-20 19:27:24
1180
原创 第一课：Transformer
从科学上给语言这个东西给个定义。实际上有两种思路，一种是集合的定义，把语言里面所有能够说出来的句子和在这个语言里面可以理解的句子都定义为一个合法的句子，这些句子组成了一个有限的集合；另一种是用概率的定义方法，即把一个语言理解成为这个语言里面能够所有说的那些句子的一个概率分布。
2024-01-04 21:28:01
967
原创 linux之美
Linux和Windows是两个不同的操作系统。Linux是一个开源操作系统，而Windows是一个商业操作系统。Linux可以访问源代码并根据用户的需求进行修改，而Windows无法访问源代码。Linux是免费的，而Windows是商业操作系统。Linux是可定制的，用户可以修改代码并更改其外观和感觉。Windows不可定制。Windows系统经常受到病毒和其他恶意软件的威胁，而Linux系统很少受到攻击。Linux通常运行得非常快，而Windows则因使用时间越长而变慢。
2023-09-30 00:53:40
298
原创 使用GTK创建简易计算器
通过这个简单的计算器示例，你学习了如何使用GTK创建基本的图形用户界面。GTK提供了丰富的功能和组件，可用于开发各种类型的应用程序。希望这个例子能够帮助你入门GTK开发，并为你构建更复杂的应用程序打下基础。你可以在GTK官方文档中找到更多关于GTK的详细信息和示例代码。祝你在GTK项目中取得成功！
2023-07-07 16:02:06
439
原创 7.2-C 标准库的实现
Freestanding 环境下也可以使用的定义stddef.hsize_tstdint.hint32_tuint64_tstdbool.hbooltruefalsefloat.hlimits.hstdarg.hsyscall 就用到了 (但 syscall0, syscall1, … 更高效)inttypes.h回答了你多年来的疑问！在你读过了小白阶段以后，就真的是 friendly manual 了本次课回答的问题Q: 如何在系统调用之上构建程序能够普遍受惠的标准库？libc。
2023-02-18 10:00:00
299
原创 7.1-系统调用和 UNIX Shell
本次课回答的问题Q: 我们作为用户，到底怎么 “使用” 操作系统？一个功能完整的 Shell 使用的操作系统对象和 API文件描述符：open, close, pipe, dup, read, write状态机管理：fork, execve, exit, wait, signal, kill, setpgid, getpgid, …随着 “零依赖” 的sh-xv6.c，操作系统的神秘感逐渐消失(下次课拆开库函数)
2023-02-17 10:00:00
326
原创 6.2-进程的地址空间
本次课回答的问题Q: 进程的地址空间是如何创建、如何更改的？进程的地址空间能文件关联的、带有访问权限的连续内存段进程地址空间的管理 APImmap。
2023-02-16 10:00:00
171
day3-数据准备与特征工程：思维导图！！！
2022-05-23
HarmonyOS移动应用开发
2022-04-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人