<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[BaldheadedM的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/BaldheadedM</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; BaldheadedM]]></copyright><item><title><![CDATA[体验DCGAN生成漫画头像]]></title><link>https://blog.youkuaiyun.com/BaldheadedM/article/details/128779714</link><guid>https://blog.youkuaiyun.com/BaldheadedM/article/details/128779714</guid><author>BaldheadedM</author><pubDate>Sat, 28 Jan 2023 16:45:40 +0800</pubDate><description><![CDATA[通俗来说就是老师和学生的关系，老师给学生出题，学生进行答题，一开始是简单的题目学生越做越熟练，准确率越来越高，老师发现难不住学生了，就开始提高教学的深度，给予更难做的题目，学生一开始被难住，但再通过逐步做题提升自己的能力，使自己在这个难度下又孰能生巧，老师和学生就在这种情况下相持，学生就是模型的准确度，在此期间不断提升。下面开始模型的构建与训练，按照DCGAN论文中的描述，所有模型权重均应从mean为0，sigma为0.02的正态分布中随机初始化。判别器是一个二分类网络模型，输出判定该图像为真实图的概率。]]></description><category></category></item><item><title><![CDATA[api_mapping映射问题检查工具]]></title><link>https://blog.youkuaiyun.com/BaldheadedM/article/details/128779696</link><guid>https://blog.youkuaiyun.com/BaldheadedM/article/details/128779696</guid><author>BaldheadedM</author><pubDate>Sat, 28 Jan 2023 16:43:30 +0800</pubDate><description><![CDATA[1、tensorflow_api_mapping和pytorch_api_mapping两篇文档包括torch api和mindspore api差异文件对比里的标题，类标题和链接标题的映射问题比较多。2、标题不对应，无法构建，一个个找过于繁琐，存在的问题也多种多样，无法适应文档更新，需要工具扫描。2、对比差异文件里的标题和总表里的标题名称是否一致。3、对比差异文件中标题，定义，链接名称是否一致。1、首先实现接口名和对应链接的名称是否一致。4、对比差异文件夹里有的文档，总表里是否有。]]></description><category></category></item><item><title><![CDATA[MindSpore网络迁移310推理的时候报out of memory的错误]]></title><link>https://blog.youkuaiyun.com/BaldheadedM/article/details/128779680</link><guid>https://blog.youkuaiyun.com/BaldheadedM/article/details/128779680</guid><author>BaldheadedM</author><pubDate>Sat, 28 Jan 2023 16:42:16 +0800</pubDate><description><![CDATA[我使用的模型总共使用了6层dprnn block，使用5层block可以训练出ckpt文件并export出mindir文件，310推理可以正常运行。后来又尝试了很多方法都解决不了这个问题，只能去gitee官网MindSpore项目下面提交issue，工程师说是因为模型过大就可能导致内存不足，建议看做没做8bit量化，如果是全卷机网络可以把输入大小减少些，后续将输入通道大小减少一半，在未影响精度的前提下310推理可以正常运行。检查了export代码以及310代码，并没有可以导致爆内存的操作。]]></description><category></category></item><item><title><![CDATA[MindSpore模型迁移bias参数设置]]></title><link>https://blog.youkuaiyun.com/BaldheadedM/article/details/128779667</link><guid>https://blog.youkuaiyun.com/BaldheadedM/article/details/128779667</guid><author>BaldheadedM</author><pubDate>Sat, 28 Jan 2023 16:41:25 +0800</pubDate><description><![CDATA[在网络模型迁移过程中，有一项工作非常重要，就是检查一下mindspore和torch对应算子之间的参数默认设置是否相同，如果不同的话，需要手动改成相同的，图中是我在精度调优期间发现的问题，mindspore算子与对应torch算子bias默认设置不同，如果bias设置不一致的话，就会导致算子输出产生很大区别。这大概是跟网络结构有关系。如果卷积层之后跟BatchNorm的话，bias可以不要，因为bias基本会被BatchNorm抹掉，其他的网络结构可以试一试。]]></description><category></category></item><item><title><![CDATA[MindSpore实验环境创建]]></title><link>https://blog.youkuaiyun.com/BaldheadedM/article/details/128779639</link><guid>https://blog.youkuaiyun.com/BaldheadedM/article/details/128779639</guid><author>BaldheadedM</author><pubDate>Sat, 28 Jan 2023 16:40:02 +0800</pubDate><description><![CDATA[Jupyter Notebook开发环境，软件环境numpy、mindspore 1.7.0、python 3.7.5、matplotlib。2.在案例文件所在目录下启动jupyter notebook。1 安装Anaconda或者Miniconda。3.将ipython内核换称刚才创建ms1.7。步骤2 配置Jupyter notebook。1.将notebook实验案例下载到本地。步骤3 打开本实验案例。步骤1 创建软件环境。]]></description><category></category></item><item><title><![CDATA[昇思MindSpore NLP模型迁移之LUKE模型——阅读理解任务]]></title><link>https://blog.youkuaiyun.com/BaldheadedM/article/details/128779614</link><guid>https://blog.youkuaiyun.com/BaldheadedM/article/details/128779614</guid><author>BaldheadedM</author><pubDate>Sat, 28 Jan 2023 16:38:41 +0800</pubDate><description><![CDATA[本文环境：系统：ubuntu18GPU：3090MindSpore版本：1.3数据集：SQuAD1.1（阅读理解任务）阅读理解任务定义：机器阅读理解为QA问答技术中的全新领域，允许用户输入非结构化文本以及问题，机器在阅读理解基础上，从文本中寻找答案回答用户问题。01 数据处理先参考源码将数据处理为模型需要的Mindrecord文件。先参考源码使用roberta_tokenizer将文本转化为token，得到word_ids,word_segment_ids等多个字段。]]></description><category></category></item><item><title><![CDATA[Ascend print数据落盘使用]]></title><link>https://blog.youkuaiyun.com/BaldheadedM/article/details/128779586</link><guid>https://blog.youkuaiyun.com/BaldheadedM/article/details/128779586</guid><author>BaldheadedM</author><pubDate>Sat, 28 Jan 2023 16:36:34 +0800</pubDate><description><![CDATA[关键的代码为：context.set_context(print_file_path=print_file)也可以保存在文件中，通过 context 设置 print_file_path 参数。mindspore的Print算子有两种模式，一种是直接打屏，还有一种是数据落盘，保存到二进制文件中。两个不能放在同一个文件中执行，若是放在一个文件中执行，读取的时候会报错，说没有数据。可以从代码中看到，保存的有三个数据，一个字符串，两个Tensor。2. 通过parse_print接口，读取保存的数据。]]></description><category></category></item><item><title><![CDATA[Asttokens版本稳定性性的问题]]></title><link>https://blog.youkuaiyun.com/BaldheadedM/article/details/128779566</link><guid>https://blog.youkuaiyun.com/BaldheadedM/article/details/128779566</guid><author>BaldheadedM</author><pubDate>Sat, 28 Jan 2023 16:35:12 +0800</pubDate><description><![CDATA[Asttokens版本稳定性性的问题，2.0.4版本会出现以下的报错信息，需要退回到版本2.0.0后解决报错问题。当把numpy中的方法替换成mindspore.numpy后静态图模式下可以正常运行。]]></description><category></category></item><item><title><![CDATA[paramiko 执行多条语句时，get_pty=True参数的使用]]></title><link>https://blog.youkuaiyun.com/BaldheadedM/article/details/128779541</link><guid>https://blog.youkuaiyun.com/BaldheadedM/article/details/128779541</guid><author>BaldheadedM</author><pubDate>Sat, 28 Jan 2023 16:33:53 +0800</pubDate><description><![CDATA[这个命令单执行的时候，文件解压会需要很长的时间。原因是由于如果直接写的话在每条命令后加分号执行时会报错，如果不加分号，分一条命令一条命令地执行，起不到作用，如切换路径等。经过百度，我在ssh的时候添加了look_for_keys=True和调用exec_command的时候加了get_pty=True就可以以成功执行所有命令了。get_pty（bool类型）：实际在远程执行sudo命令时，一般主机都会需要通过tty才能执行，通过把get_pty值设置为True，可以模拟tty；]]></description><category></category></item><item><title><![CDATA[使用MindRecord数据格式简化图文案例的内容]]></title><link>https://blog.youkuaiyun.com/BaldheadedM/article/details/128779515</link><guid>https://blog.youkuaiyun.com/BaldheadedM/article/details/128779515</guid><author>BaldheadedM</author><pubDate>Sat, 28 Jan 2023 16:32:23 +0800</pubDate><description><![CDATA[背景：官网的应用案例教程力求简洁，主要描述模型结构和训练验证推理过程，其他部分可尽量简洁或者略去。]]></description><category></category></item><item><title><![CDATA[MindSpore【课程作业经验】基于TextCNN文本情感分类]]></title><link>https://blog.youkuaiyun.com/BaldheadedM/article/details/126297149</link><guid>https://blog.youkuaiyun.com/BaldheadedM/article/details/126297149</guid><author>BaldheadedM</author><pubDate>Fri, 12 Aug 2022 09:12:48 +0800</pubDate><description><![CDATA[基于TextCNN文本情感分类在本次实验中我们用mindspore实现TextCNN的针对aclImdb情感分类任务。]]></description><category></category></item><item><title><![CDATA[【课程作业经验】基于MindSpore疫苗接种数据预测]]></title><link>https://blog.youkuaiyun.com/BaldheadedM/article/details/126297132</link><guid>https://blog.youkuaiyun.com/BaldheadedM/article/details/126297132</guid><author>BaldheadedM</author><pubDate>Fri, 12 Aug 2022 09:11:57 +0800</pubDate><description><![CDATA[基于机器学习实践课程完成的相关使用mindspore深度学习框架完成的任务，写一些分享心得。]]></description><category></category></item><item><title><![CDATA[【课程作业经验】基于MindSpore的梯度下降实验]]></title><link>https://blog.youkuaiyun.com/BaldheadedM/article/details/126297111</link><guid>https://blog.youkuaiyun.com/BaldheadedM/article/details/126297111</guid><author>BaldheadedM</author><pubDate>Fri, 12 Aug 2022 09:11:04 +0800</pubDate><description><![CDATA[基于机器学习实践课程完成的相关使用mindspore深度学习框架完成的任务，写一些分享心得。]]></description><category></category></item><item><title><![CDATA[基于MindSpore Serving部署推理服务]]></title><link>https://blog.youkuaiyun.com/BaldheadedM/article/details/126297086</link><guid>https://blog.youkuaiyun.com/BaldheadedM/article/details/126297086</guid><author>BaldheadedM</author><pubDate>Fri, 12 Aug 2022 09:10:13 +0800</pubDate><description><![CDATA[今天要分享的是服务化部署框架（MindSpore Serving）具体要实现的就是一个可以在线识图的页面。]]></description><category></category></item><item><title><![CDATA[MindSpore：YOLOv3人体目标检测模型实现（一）]]></title><link>https://blog.youkuaiyun.com/BaldheadedM/article/details/126297058</link><guid>https://blog.youkuaiyun.com/BaldheadedM/article/details/126297058</guid><author>BaldheadedM</author><pubDate>Fri, 12 Aug 2022 09:09:01 +0800</pubDate><description><![CDATA[本项目利用MindSpore框架搭建YOLOv3目标检测模型，从PASCAL VOC 2012数据集中提取出的人体目标检测数据进行模型训练，得到一个人体目标检测模型。期望通过本次项目为MindSpore生态尽自己的一份绵薄之力。...]]></description><category></category></item><item><title><![CDATA[MindSpore： YOLOv3人体目标检测模型实现（二）]]></title><link>https://blog.youkuaiyun.com/BaldheadedM/article/details/126297015</link><guid>https://blog.youkuaiyun.com/BaldheadedM/article/details/126297015</guid><author>BaldheadedM</author><pubDate>Fri, 12 Aug 2022 09:06:12 +0800</pubDate><description><![CDATA[为了节省篇幅，这一节只挑部分贴代码，更多的代码和包的导入请参考 附件\model\yolo.py。（未完，请见下一篇 YOLOv3人体目标检测模型实现（三））损失函数的实现可见 附件\model\loss.py。]]></description><category></category></item><item><title><![CDATA[【MindSpore报错解决地图】常见报错问题分类（持续更新）]]></title><link>https://blog.youkuaiyun.com/BaldheadedM/article/details/126296999</link><guid>https://blog.youkuaiyun.com/BaldheadedM/article/details/126296999</guid><author>BaldheadedM</author><pubDate>Fri, 12 Aug 2022 09:05:07 +0800</pubDate><description><![CDATA[MindSpore常见问题主要包括数据加载与处理问题、网络构建与训练问题以及分布式并行配置问题等。MindSpore在不同场景下，积累了大量常见的问题案例。以下是对应的案例列表。]]></description><category></category></item><item><title><![CDATA[MindSpore：YOLOv3人体目标检测模型实现（三）]]></title><link>https://blog.youkuaiyun.com/BaldheadedM/article/details/126296981</link><guid>https://blog.youkuaiyun.com/BaldheadedM/article/details/126296981</guid><author>BaldheadedM</author><pubDate>Fri, 12 Aug 2022 09:04:05 +0800</pubDate><description><![CDATA[MindSpore的模型参数采用的是字典格式存储，键是字符串，其命名为你的模型class中的 字段.下一级字段...，若迁移时系统提示冲突，可以根据自己的模型字段重新建一个新字典加载。这里主要是设置保存模型的间隔（config.ckpt_interval 在配置中本来保存的是多少 epoch 保存一下模型文件，这里乘以每个epoch的训练代数，得出每隔多少代保存模型），以及保存模型的路径（config.save_ckpt_path）和保存的文件名前缀。config.eta_min：学习率最小值。...]]></description><category></category></item><item><title><![CDATA[MindSpore:YOLOv3人体目标检测模型实现（四）]]></title><link>https://blog.youkuaiyun.com/BaldheadedM/article/details/126296953</link><guid>https://blog.youkuaiyun.com/BaldheadedM/article/details/126296953</guid><author>BaldheadedM</author><pubDate>Fri, 12 Aug 2022 09:02:46 +0800</pubDate><description><![CDATA[DetectionEngine类主要处理模型前向传播后的输出，包括置信度阈值筛选、NMS算法去除重叠等等工作，最后计算AP的工作也是它完成，对这些计算感兴趣的朋友可以看 附件\utils\utils_yolov3.py 以及 附件\utils\eval_utils.py。这里我们不需要损失函数，所以只用了网络结构YOLOV3DarkNet53，然后用load_yolov3将前面训练好的模型加载进来。...]]></description><category></category></item><item><title><![CDATA[MindSpore:MindScience之MindElec 电磁仿真结果可视化]]></title><link>https://blog.youkuaiyun.com/BaldheadedM/article/details/126288242</link><guid>https://blog.youkuaiyun.com/BaldheadedM/article/details/126288242</guid><author>BaldheadedM</author><pubDate>Thu, 11 Aug 2022 16:33:09 +0800</pubDate><description><![CDATA[执行训练：python train.py --epoch 10 --device_target "Ascend" --device_num 0 --checkpoint_dir './ckpt/'eh_tensor为生成的电磁场三维网格文件， shape是(dim_t, dim_x, dim_y, dim_z, 6)电磁仿真的结果一般包含仿真区域内的电磁场、S参数等物理量，因此仿真结果的可视化是非常重要的，它能够直观反映。电磁仿真就是对物体的电磁性能进行仿真模拟，以代替昂贵的原形，并改进设计。...]]></description><category></category></item></channel></rss>