PaddlePaddle
文章平均质量分 94
Mr.郑先生_
越是不可能,越要创造无限可能
展开
-
【Pix2Pix】当生成式对抗神经网络遇到车道线检测
当生成式对抗神经网络遇到车道线检测一、数据集简介二、数据预处理三、模型组网1.生成器的搭建2.判别器的搭建3.测试生成器与判别器的输出四、模型训练定义优化器开始训练可视化训练过程五、效果展示六、总结与升华作者简介目前,卷积神经网络已经成功地应用于语义分割任务。然而,有许多问题本质上不是像素分类问题,但仍然经常被表述为语义分割,将像素概率图转换为最终所需的输出。以车道线检测为例,目前车道线检测的难点为寻找语义上的线,而不是局限于表观存在的线。但是生成对抗网络 (GAN) 可用于使语义分割网络的输出更真原创 2021-11-08 16:01:38 · 2710 阅读 · 5 评论 -
3D点云初探:基于全卷积神经网络实现3D物体识别
基于全卷积神经网络实现3D物体识别一、从2D图像识别到3D物体识别二、ModelNet10:3D CAD数据集1.存储格式2.读取方法3.点云可视化可视化工具plt可视化4.数据集定义三、模型组网与训练1.全卷积神经网络2.查看网络结构3.模型训练四、测试效果评估1.批量测试2.逐个测试五、总结与升华作者简介在当今的计算机视觉系统中,2D图像识别技术已经相对成熟,但3D物体识别依然是一个关键但未被充分利用的领域。本文将围绕3D点云的物体识别展开叙述。一、从2D图像识别到3D物体识别二维图像是由一个个像原创 2021-10-24 09:05:26 · 2706 阅读 · 0 评论 -
飞桨高阶使用教程:自定义CPU算子的实现和使用
自定义CPU算子的实现和使用一、底层原理二、C++自定义算子格式1.基本格式2.适配多种数据类型3.维度与类型的推导4.自定义算子注册三、动手实现CPU算子1.导入必要的头文件2.实现forward计算函数3.实现backward计算函数4.维度推导5.自定义算子注册四、自定义CPU算子的使用五、总结与升华作者简介算子(Operator,简称Op)是构建神经网络的基础组件。在网络模型中,算子对应层中的计算逻辑,例如:卷积层(Convolution Layer)是一个算子;全连接层(Fully-connec原创 2021-09-01 16:26:33 · 1216 阅读 · 0 评论 -
深度学习模型训练和关键参数调优详解
深度学习模型训练和关键参数调优详解一、模型选择1.回归任务人脸关键点检测2.分类任务图像分类3.场景任务目标检测人像分割文字识别二、模型训练1.基于高层API训练模型加载数据集模型封装训练参数配置模型训练2.使用PaddleX训练模型配置数据集初始化模型模型训练3.模型训练通用配置基本原则三、超参优化1.超参优化的基本概念参数超参数2.手动调整超参数的四大方法1)使用提前停止来确定训练的迭代次数分类准确率不再提升时loss降到一个想要的范围时2)让学习率从高逐渐降低3)宽泛策略通过简化网络来加速实验进行更有原创 2021-08-22 08:59:29 · 7807 阅读 · 1 评论 -
X2Paddle:手把手教你迁移代码——论文复现方法论
X2Paddle:手把手教你迁移代码——论文复现方法论一、通读论文二、原始代码解析三、代码转换1.模型前向对齐网络结构代码转换权重转换验证模型正确性2.数据IO转写3.优化器与学习率四、训练对齐五、排查问题六、基于X2Paddle快速实现代码转换第一步:转换前代码预处理第二步:转换第三步:转换后代码后处理七、总结与升华作者简介使用飞桨复现论文的基本方法以及基本步骤。本文是飞桨论文复现打卡营第3期课程第二天《飞桨论文复现方法论》的笔记,以AlexNet为例进行复现。一、通读论文要想复现论文,首先需要看懂原创 2021-08-12 21:51:26 · 1749 阅读 · 0 评论 -
【BML全功能AI开发平台初体验】轻松实现高精度模型调优——模型超参搜索
基于BML平台实现模型超参搜索一、超参搜索基本概念参数超参数手动调整超参数的四大方法1.使用提前停止来确定训练的迭代次数分类准确率不再提升时loss降到一个想要的范围时2.让学习率从高逐渐降低3.宽泛策略通过简化网络来加速实验进行更有意义的学习通过更加频繁的监控验证准确率来获得反馈4.小批量数据(mini-batch)大小不必最优二、导入数据集最近在体验全功能AI开发平台BML(Baidu Machine Learning),一上手就停不下来那种,真的越用越喜欢!我的研究方向是自动机器学习,在深度学习建原创 2021-06-22 13:41:33 · 962 阅读 · 0 评论 -
从图像分类开始带你快速了解计算机视觉的目标检测任务
目标检测概述——YOLOv4详解一、回顾人工智能的基本概念机器学习与人工智能人工智能如何“学习”?寻解步骤二、初识目标检测从图像分类看目标检测目标检测算法概览三大算法流派双阶段目标检测Two Stagesfaster RCNN单阶段目标检测One StageSSD无锚框检测Anchor FreeCenterNet目标检测的应用三、YOLO V4详解网络结构算法原理InputBackboneNeckHead一、回顾人工智能的基本概念人工智能通过「归纳法」总结知识,它只关注“现象”,而不关心“为什么”机原创 2021-05-27 09:22:09 · 1296 阅读 · 0 评论 -
7天搞定生成对抗网络!百度高级工程师组队来袭
7天搞定生成对抗网络!百度高级工程师组队来袭原理+实战|7天学会GAN课程大纲讲师介绍学习收获万元奖品池等你来战开课时间免费报名方式深度学习中最有趣的方法是什么?GAN!最近最火的AI技术是什么?GAN!!你现在脑子里在想什么?搞定GAN!!!GAN真这么火?没听过不要紧,生成对抗、无中生有了解一下?老照片修复、名画动起来、视频超分、人像卡通化、表情动作迁移等等趣味应用都是GAN干的。无图无真相,废话不多说,上图!珍贵黑白老照片上色,GAN灿烂了回忆~(咳咳…)Super resolu原创 2021-04-07 22:20:12 · 236 阅读 · 0 评论 -
机器的思考故事——计算机能学会牛顿第二定律吗?
机器的思考故事——计算机能学会牛顿第二定律吗?本项目从“牛顿第二定律”入手,介绍机器学习的思考过程,以及在过程中如何确定模型参数,模型三个关键部分(假设、评价、优化)该如何应用。机器学习的方法论和人类科研的过程有异曲同工之妙,下面以“机器从牛顿第二定律实验中学习知识”为例,帮助读者更加深入理解机器学习(监督学习)的方法论本质。参考资料:我思故我在——从大数据深入学习机器如何思考使用线性回归预测波士顿房价原来飞桨还可以这么玩!当人工智能邂逅蓝桥杯算法题,会擦出怎样的火花?一、机器学习的方法论原创 2021-03-27 23:11:14 · 545 阅读 · 0 评论 -
PaddleHub“挑战”水城余哥跳舞,节奏感强全程不掉拍!
还记得前段时间泫雅的新专辑《I’m Not Cool》刚发,一众舞者紧接着就出了练习室教学版,引发一阵模仿浪潮。而最近一个走红网络的跳舞大神“水城余哥”却让大家犯了难,他变化莫测的动作让人捉摸不透、难以模仿。正当网友们一筹莫展之际,人工智能请求出战!一位AI开发者@无魂胜有魂 用各家AI技术对余哥的跳舞动作进行关键点检测,还原了灵魂舞步的关键动作。 其中,百度AI的表现着实优秀,通过计算机视觉任务中的人体关键点检测,整个过程中每个关键点都牢牢的“粘”在了“水城余哥”的身上,跟着这位灵魂舞者完成了舞原创 2021-03-24 19:12:16 · 1439 阅读 · 0 评论 -
原来飞桨还可以这么玩!当人工智能邂逅蓝桥杯算法题,会擦出怎样的火花?
当人工智能邂逅蓝桥杯算法题,会擦出怎样的火花?一、实现原理1.从最简单的神经网路开始2.神经网络工作原理概述3.使用多个输入进行预测4.只用一个输入做出多个输出5.基于多个输入得到多个输出6.用预测结果进一步预测二、拟合斐波那契数列1.问题描述输入格式输出格式2.生成数据3.构建线性回归模型4.构建优化器和损失函数5.模型训练6.模型验证三、大等于n的最小完全平方数1.问题描述输入格式输出格式2.生成数据3.构建线性回归模型4.构建优化器和损失函数5.模型训练6.模型验证四、总结与升华个人简介假如人工智能原创 2021-03-22 22:36:08 · 168 阅读 · 0 评论 -
放开那个水果!让我来!使用飞桨高层API轻松实现智能果蔬分类系统
基于飞桨高层API实现水果131分类一、飞桨框架API简介1.初始飞桨API2.高层API的特点3.高层API全景图二、数据加载1.数据集介绍2.解压数据集3.数据预处理4.自定义数据集加载5.数据可视化三、模型组建四、模型训练五、模型测试六、模型解析1.导入必要的库2.加载模型参数3.基于输入特征解析模型七、总结与升华个人介绍基于Fruits-360数据集构建神经网络进行水果识别参考资料:Fruit recognition from images using deep learning基于空间注原创 2021-03-20 22:01:40 · 1171 阅读 · 1 评论 -
【PaddleHub模型贡献】一行代码实现海洋生物识别
海洋生物识别一、实现原理1.卷积层2.激活层3.池化层4.批归一化层二、数据集简介三、模型开发1.划分数据集2.数据预处理3.模型训练4.查看模型预测效果四、将模型封装成PaddleHub的Module1.导出inference模型2.模型转换五、模型预测1.通过API的方式调用2.将模型部署至服务器六、总结与升华个人简介海洋中的鱼类资源不仅有一定的食用价值,而且有很高的药用价值,近年来,世界各国对于海洋鱼类资源的重视程度与日俱增。在鱼类资源的开发利用中,必须对鱼类进行识别,从而了解其分布情况。但是由于鱼原创 2021-03-17 13:35:50 · 1806 阅读 · 0 评论 -
什么?“黑盒”再也不“黑”了!飞桨可解释性算法库InterpretDL带你解析人脸识别模型
使用飞桨可解释性算法库InterpretDL解析人脸识别模型一、效果展示二、数据预处理1.统一命名与存储2.获取图片路径3.划分训练集和验证集4.定义数据集三、解析训练数据1.初始化配置模型组网优化器数据加载器Forgetting Events算法2.运行解析程序3.展示解析结果四、模型组网经典的ResNet18带有注意力机制CBAM的ResNet18注意力机制CBAM五、模型训练1.模型封装2.训练参数配置3.模型训练4.训练日志可视化六、使用InterpretDL深度解析模型1.导入必要的库2.加载模型原创 2021-03-15 14:05:27 · 2446 阅读 · 2 评论 -
【PaddleHub模型贡献】一行代码实现驾驶员状态识别
驾驶员状态识别一、工具简介PaddleXPaddleHub二、数据集介绍三、模型开发1.安装PaddleX2.定义数据加载器3.模型训练4.导出预测模型5.评估模型性能四、模型转换五、模型预测六、总结与升华个人简介一般来讲,人在疲劳的时候会有比较典型的面部表情或动作特征,如较长的眨眼持续时间、较慢的眼睑运动、点头、打哈欠等。基于摄像头的驾驶员监测方案正是利用这一点:首先挖掘出人在疲劳状态下的表情特征,然后将这些定性的表情特征进行量化,提取出面部特征点及特征指标作为判断依据,再结合实验数据总结出基于这些参原创 2021-03-13 12:37:50 · 1509 阅读 · 1 评论 -
【PaddleHub模型贡献】一行代码实现蛇种识别
一行代码实现蛇种识别一、模型开发1.安装必要的资源库2.数据预处理2.1解压数据集2.2划分训练集3.模型训练3.1设置使用0号GPU卡3.2图像预处理+数据增强3.3数据迭代器的定义3.4开始炼丹4.查看模型预测效果二、封装Module1.导出inference模型2.模型转换3.模型安装4.模型预测预测单张图片预测多张图片三、在GitHub上提pr1.Fork PaddleHub2.上传Module3.Pull Request四、总结与升华个人简介毒蛇伤人事件在全世界范围内已造成相当一部分的死亡和受伤原创 2021-03-12 11:41:19 · 2369 阅读 · 0 评论 -
【PaddleHub模型贡献】一行代码实现水表的数字表盘分割
水表的数字表盘分割一、安装必要的库二、模型训练1.准备表盘数据集2. 模型训练2.1 配置GPU2.2 定义图像预处理流程transforms2.3 定义数据集Dataset2.4 模型开始训练3.模型导出三、封装Module1.模型转换2.补充代码3.模型测试四、总结与升华个人简介教你将对水表进行语义分割的模型贡献到PaddleHub前不久,飞桨官方在AI Studio上挑选了45个优质项目,优质项目链接:https://shimo.im/sheets/CqQvXq3JhGqCxdXv/MODOC开原创 2021-03-11 17:53:48 · 2192 阅读 · 0 评论 -
使用量桨PaddleQuantum实现有效压缩量子数据的量子自动编码器
使用量桨PaddleQuantum实现有效压缩量子数据的量子自动编码器一、前置基础知识——量子世界的测量1.我们看到的世界就是真实的世界吗?2.叠加态3.量子力学逻辑基础二、量子自动编码器的实现原理四、训练数据说明三、使用PaddleQuantum实现1.安装量桨PaddleQuantum2.导入必要的package3.生成初始态4.搭建量子神经网络5.配置模型6.模型训练7.模型效果训练量子自动编码器以压缩特定的量子态数据集,以较小的尺寸表示数据,从而有效地压缩输入。参考资料:Quantum au原创 2021-03-10 14:20:26 · 1273 阅读 · 0 评论 -
走进量子计算的大门——使用量桨PaddleQuantum创建单量子比特门
使用量桨PaddleQuantum创建单量子比特门一、量子计算概述量子计算机为什么能同时存储0和1?如何测量量子计算的结果量子计算背后的哲学原理二、量子计算的数学基础1.量子比特2.量子态纯态混态3.计算基4.希尔伯特空间5.张量积6.布洛赫球面三、走进量子计算的大门——量子门1.酉矩阵2.非门3.泡利矩阵4.单比特旋转门5.哈达玛门四、安装量桨PaddleQuantum1.安装飞桨PaddlePaddle2.Git指令下载PaddleQuantum五、使用量桨创建单量子比特门非门/泡利矩阵X泡利矩阵Y哈达原创 2021-03-08 12:14:21 · 1971 阅读 · 1 评论 -
【AI创造营】基于PaddleHub与Jetson Nano的智能宠物看护助手
基于PaddleHub与Jetson Nano的智能宠物看护助手一、效果展示二、实现思路1.训练一个适用于该需求的模型2.使用PaddleHub预训练模型三、数据采集硬件部分代码部分四、数据处理1.解压数据集2.统一存储3.划分训练集和验证集4.定义数据集五、模型组网1.使用resnet搭建PetsNet2.查看模型结构3.模型配置六、训练及评估1.模型训练2.全流程评估3.模型保存七、将模型部署到Jetson Nano1.安装PaddleHub2.下载模型3.获取实时视频流4.模型预测5.回传照片6.客户原创 2021-03-06 12:58:11 · 5683 阅读 · 0 评论 -
【AI创造营】是极客就坚持一百秒?
因为项目需要用到摄像头和显示效果,所以无法在aistudio上直接运行,Fork项目后可见可运行文件,下面直接上效果 【AI创造营】是极客就坚持100秒 参赛作品名是男人就坚持100秒(DodgeFace)作品简介和传统的《是男人就坚持X秒》一样,只不过这次你需要让你的脸来躲避那些飞来的小球使用方式> 保证你的脸在摄像头可以拍摄的范围内,运行程序python Dodge转载 2021-03-05 15:16:15 · 2299 阅读 · 1 评论 -
从零开始将情感倾向性分析模型部署至华为云服务器
将情感倾向性分析模型部署至华为云服务器一、前言二、云服务器基本介绍三、购买云服务器1.登陆控制台2.配置计费模式3.选择镜像4.创建磁盘5.配置网络6.选择登录方式7.确认配置并购买8.查看购买成功的云服务器四、登陆云服务器五、在云服务器上部署情感分析模型1.安装必要的资源库2.情感分析模型简介3.情感分析模型服务部署第一步:启动PaddleHub Serving第二步:发送预测请求六、写在最后一、前言未来已来,如今,很多高校都开设了人工智能相关课程,本科生甚至高中生也可以自己开发一些机器学习模型,但原创 2021-03-03 17:20:19 · 6156 阅读 · 3 评论 -
使用飞桨PaddlePaddle复现用于图像光源处理的深度重照明网络(DRN)
使用飞桨PaddlePaddle复现用于图像光源处理的深度重照明网络(DRN)一、效果展示二、实现思路冠军模型:Wavelet Decomposed RelightNet (WDRN)经典模型:Norm-Relighting-U-Net (NRUNet)本次项目:Deep Relighting Network (DRN)三、模型结构复现1.DRN的大架构2.场景再转换网络卷积块反卷积块下采样模块残差块上采样模块将上述模块组装成场景再转换网络查看场景再转换网络结构3.阴影先验估计网络查看阴影先验估计网络结构4原创 2021-02-18 22:55:02 · 7571 阅读 · 0 评论 -
基于空间注意力机制SAM的GoogLeNet实现人脸关键点检测并自动添加表情贴纸
基于空间注意力机制SAM的GoogLeNet实现人脸关键点检测并自动添加表情贴纸一、效果展示二、数据准备1.解压数据集2.数据集介绍查看图像3.数据集定义4.训练集可视化5.图像预处理6.使用数据预处理的方式完成数据定义三、模型组网1.网络介绍2.Inception模块3.空间注意力模块4.搭建SAM-GoogLeNet-BN5.网络结构可视化四、模型训练1.模型配置2.自定义评估指标3.模型训练4.模型保存五、模型预测六、趣味应用1.使用自己训练的模型2.使用PaddleHub内置模型个人简介使用神经网原创 2021-02-09 21:43:54 · 4639 阅读 · 3 评论 -
新年美食鉴赏——基于注意力机制CBAM的美食101分类
新年美食鉴赏——基于注意力机制CBAM的美食101分类一、数据预处理1.数据集介绍2.读取标签3.统一命名4.整理图片路径5.划分训练集与验证集6.定义美食数据集二、注意力机制1.简介2.卷积块注意力网络——CBAM通道注意力模块CAM空间注意力模块SAM3.将通道、空间注意力模块合并三、基于卷积块注意力模块的ResNet-CBAM1.代码实现2.模型测试3.查看网络结构4.模型训练5.模型预测四、总结与升华个人简介春节是一年当中最隆重、最盛大的节日,吃得最好的一餐可能就是年夜饭了,想想就很激动呢!随着新原创 2021-02-08 11:14:59 · 14593 阅读 · 0 评论 -
基于PaddlePaddle2.0实现门控循环单元GRU组件
基于PaddlePaddle2.0实现门控循环单元GRU组件一、门控循环单元GRU简介1.重置门和更新门2.候选隐藏状态3.隐藏状态二、门控循环单元GRU的由来1.传统的神经网络NN2.循环神经网络RNNRNN的学习过程3.长短时记忆神经网络LSTM4.门控逻辑单元GRU三、深入理解门控循环单元GRU的工作方式双曲正切tanhS型函数SigmoidRNN的深入理解LSTM的深入理解遗忘门输入门细胞状态输出门GRU的深入理解重置门更新门四、使用Paddle2.0完成GRU组网组网用到的基础APIpaddle.原创 2021-02-05 11:25:35 · 18926 阅读 · 0 评论 -
我思故我在——从大数据深入学习机器如何思考
从人类诞生的那天起,我们就开始思考这个世界,如今,学会使用工具的我们尝试让机器学会思考,但机器真的会思考吗?机器怎么思考?看完这篇文章后,相信你会对这些问题会有更深入的认知。从大数据深入学习机器如何思考一、大数据与机器学习1.大数据的价值2.机器能像人一样学习吗?统计学习的两大哲学原理1.人既要尽人事,又要听天命。2.观测样本决定人生观统计学习真的可靠吗?基于概率的信任——抽样统计值与真实世界间存在一种数学关系大数定律背后的人生感悟3.机器怎么学习?机器学习的方法论确定模型参数模型结构介绍二、深入理解机原创 2021-01-15 15:45:38 · 10521 阅读 · 2 评论 -
使用螺旋桨PaddleHelix完成RNA结构预测竞赛的前置基础知识整理
基于PaddleHelix完成RNA结构预测竞赛的前置基础知识一、化学与遗传学——从孟德尔的豌豆说起显性基因与隐性基因弱化学键弱键和强键决定大分子的结构核酸承载遗传信息——肺炎双球菌的转化实验二、RNA——初识核糖核酸RNA的结构特征RNA与DNA的不同之处RNA的生物学功能RNA的结构基础——碱基碱基的配对——一个碱基只能与另一个碱基配对RNA的表示结构三、RNA的二级结构——RNA链自身折叠形成类似A-DNA的局部双螺旋假结Stem Loops (Hairpins)Bulge LoopsInterior原创 2020-12-26 10:51:02 · 14879 阅读 · 2 评论 -
真香!使用飞桨PaddlePaddle2.0高层API高效完成基于VGG16的图像分类任务
使用PaddlePaddle2.0高层API完成基于VGG16的图像分类任务一、PaddlePaddle2.0新亮点——高层API助力开发者快速上手深度学习1.模型组网更简单2.模型训练更简单二、使用飞桨快速加载VGG网络并查看模型结构1.查看飞桨框架内置模型2.一行代码加载VGG163.查看VGG16的网络结构及参数三、使用飞桨框架API加载数据集1.快速加载数据集2.对训练数据做数据增强四、使用高层API进行模型训练、验证与测试1.调用fit()接口来启动训练过程2.调用evaluate()在测试集上对原创 2020-12-22 04:49:13 · 3107 阅读 · 1 评论 -
基于飞桨PaddlePaddle实现素描线稿提取——仅需一行代码即可实现模型调用
一行代码实现从彩色图提取素描线稿一、前言:初识PaddleHub预训练模型(Pre-Trained Models)二、构建Module的大框架1.将模型文件存放在infer_model下2.创建必要的文件__init__.py3.创建必要的文件module.py导入必要的包填写module的基本信息实现预测功能实现命令行调用的接口三、测试及调用1.安装并查看Module基本信息2.通过API的方式调用3.通过命令行的方式调用——一行代码实现从彩色图提取素描线稿四、个人介绍PaddleHub是飞桨预训练模型原创 2020-12-08 03:18:13 · 1641 阅读 · 11 评论 -
图神经网络之图卷积网络——GCN
图卷积网络——GCN一、前置基础知识回顾图的基本概念构造图神经网络的目的训练方式二、回顾卷积神经网络在图像及文本上的发展图像上的卷积网络文本上的卷积网络图卷积网络的必要性三、图卷积网络从图像卷积类比到图结构卷积图卷积网络的计算公式邻接矩阵度矩阵理解计算公式用消息传递的方式实现图卷积网络消息传递的步骤1. 边上的源节点,往目标节点发送特征——Send2. 目标节点对收到的特征进行聚合——Recv一个例子理解消息传递的作用深入理解AH(l)AH^{(l)}AH(l)图卷积网络在 PGL 的实现用多层图网络完成节原创 2020-11-27 22:37:01 · 7208 阅读 · 3 评论 -
图神经网络基础知识——初识图学习
初识图学习一、简单的图基础什么是图?生活中的图图的分类同构图、异构图举例图的度和邻居图的表示邻接矩阵邻接表边集图的特征二、图学习初印象图学习的应用节点级别任务金融诈骗检测自动驾驶边级别任务推荐系统图级别任务气味识别图学习算法分类图游走类算法图神经网络算法三、PGL 图学习库初体验1. 环境安装2. 使用 PGL 来创建一张图3. 定义图模型4. 模型定义5. 训练前准备6. 开始训练7. 模型测试一、简单的图基础在上一篇文章中,我整理了数据结构与算法中的图,讲解了与图有关的基本概念。这里再做一个小小的原创 2020-11-25 22:07:21 · 5329 阅读 · 5 评论 -
【PaddleHub模型贡献】如何将飞桨PaddlePaddle模型收录至PaddleHub
将训练保存的模型转化为PaddleHub Module并完成一键加载一、训练鲜花识别模型1. 解压鲜花数据集及预训练参数2. 数据预处理3. 模型训练二、整理成PaddleHub Module格式1. 必要的目录与文件2.infer_model3. vocab.txt4. __ init__.py5. processor.py6.net.py7. data_feed.py8. module.py引入必要的头文件填写模型基本信息实现逻辑预测三、 测试Module1. 通过hub.Module(name=...原创 2020-11-25 17:46:39 · 975 阅读 · 0 评论 -
基于PaddleSeg的眼底血管分割——使用飞桨助力医学影像分析
基于PaddleSeg的眼底血管分割——使用飞桨助力医学影像分析一、项目背景研究表明,各类眼科疾病以及心脑血管疾病会对视网膜血管造成形变、出血等不同程度的影响。随着生活水平的提高,这类疾病的发病率呈现逐年增长的趋势。临床上,医疗人员能够从检眼镜采集的彩色眼底图像中提取视网膜血管,然后通过对血管形态状况的分析达到诊断这类疾病的目的。但是,由于受眼底图像采集技术的限制,图像中往往存在大量噪声,再加之视网膜血管自身结构复杂多变,使得视网膜血管的分割变得困难重重。传统方法中依靠人工手动分割视网膜血管,不仅工原创 2020-10-24 16:39:15 · 2230 阅读 · 0 评论 -
基于PaddleRec的用户点击率预测
基于PaddleRec的用户点击率预测一、前言推荐系统的痛点二、推荐系统的数据获取获取数据的三种方法1.使用现成的数据集2.网络爬虫3.调查问卷三、数据处理PaddleRec推荐数据集格式1.slot:value的格式说明2.只有value的输入数据格式四、完成点击率预测的具体实现1.首先安装PaddleRec及相关依赖2.参数配置data——存放数据集config.yaml——配置训练参数sparse_slots——稀疏参数dense_slots——稠密参数model.py——网络结构3.模型训练4.测试原创 2020-10-24 09:20:34 · 1337 阅读 · 0 评论 -
入门PaddlePaddle的编程实践
本项目主要用于学习和了解飞桨框架的使用方法,从实践体会飞桨框架正确的"打开方式"在Fluid中,所有对数据的操作都由Operator表示。为了便于用户使用,在Python端,Fluid中的Operator被一步封装入paddle.fluid.layers,paddle.fluid.nets 等模块。这是因为一些常见的对Tensor的操作可能是由更多基础操作构成,为了提高使用的便利性,框架内部对基础 Operator 进行了一些封装,包括创建 Operator 依赖可学习参数,可学习参数的初始化细节等,原创 2020-10-24 09:12:00 · 527 阅读 · 0 评论 -
一文搞懂飞桨静态图与动态图(从API分清描述式编程与命令式编程的区别)
写在前面PaddlePaddle即飞桨,我在学习这个框架的过程中,其实是很迷的,迷惑的地方就在它的静态图与动态图。于是,我打算好好整理整理,把两者的特点给大家解析一下,让新入门的开发者少走弯路。关于飞桨的版本静态图动态图1. 关于飞桨的版本我查阅了飞桨的文档,PaddlePaddle1.3版本是没有动态图这个概念的,从PaddlePaddle1.4才开始出现动态图:因此,要使用飞桨的动态图,或者说命令式编程时,飞桨的版本一定要在1.4以上在开始之前,我再多提一句:静态图: 描述(声原创 2020-08-10 10:21:01 · 4161 阅读 · 0 评论 -
淦?GAN!一文搞懂生成对抗网络的思想(文末附基于PaddlePaddle的手写数字生成案例)
最参加了百度顶会论文复现营,经过一个星期的学习,我学到了很多知识,因此我打算把学到的内容好好整理整理,也就有了这篇文章。点击链接加入课程:https://aistudio.baidu.com/aistudio/education/group/info/1340什么是GAN?GAN的基本原理GAN的应用场景基于飞桨的手写数字生成案例1. 什么是GAN?GAN的全拼是GenerativeAdversarialNetworks,翻译过来就是生成对抗网络换句话说就是通过对抗的方式去学习.原创 2020-08-06 00:10:38 · 1110 阅读 · 0 评论 -
从代码到论文理解并复现MADDPG算法(基于飞桨的强化学习套件PARL)
MADDPG算法是强化学习的进阶算法,在读对应论文Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments的过程中,往往会遇到很多不是很好理解的数学公式,这篇文章旨在帮助读者翻过数学这座大山,从PARL的代码理解MADDPG算法。把MADDPG拆分成多个算法什么是多智能体?有哪些环境?从PARL的代码解读MADDPG复现“老鹰捉小鸡”的游戏环境回归论文1. 把MADDPG拆分成多个算法MADDPG的全称是原创 2020-07-19 09:56:37 · 28333 阅读 · 17 评论 -
从Paddle Fluid架构重新学习PaddlePaddle
我接触飞桨框架是在2019年年底左右,到现在已经有大半年了,这段时间里,我通过飞桨框架学习了很多关于机器学习的理论和方法,也跑过不少项目了。但是,在往更深的领域去做时,我发现越来越吃力了,其实问题就在于基础不够扎实,我在找解决办法的时候,翻阅了AI Studio社区里很多大佬的文章。在翻阅这些文章的过程中,我发现我对飞桨确实不够了解,并且飞桨是2016年开源的,有些文章的内容稍微有一点点过时的,所以借此机会,我打算重新开始学习飞桨框架:关于PaddlePaddle的版本Fluid的核心思想开发机器学原创 2020-07-10 16:06:45 · 2607 阅读 · 1 评论