MegEngine 9-10 双月报:新版本发布,AI 生态升级,不容错过!

基于MegEngine的ATTS目标检测模型实战(ResNet50主干网络) 简介:本文介绍基于高效深度学习框架MegEngine实现的ATTS(Attention to the Surrounding)目标检测模型,采用ResNet50作为主干网络。ATTS通过引入对目标周围上下文信息的关注机制,显著提升了传统两阶段检测器在复杂场景下的检测精度。ResNet50凭借残差结构有效提取深层特征,结合FPN、锚框生成与分类回归分支,构建完整检测流程。 阅读详情

● v1.13.2 新版本发布
https://github.com/MegEngine/MegEngine/releases/tag/v1.13.2
● MegCC 新版本发布
https://github.com/MegEngine/MegCC/releases/tag/v0.1.6
● DataFunSummit2023:AI 基础软件架构峰会
《MegEngine 训练性能优化与 AI 编译实践》主题演讲
https://www.bilibili.com/video/BV1Ym4y1N7uh/
● MegEngine 开发者说-开源项目分享,实习宝典传授
https://www.bilibili.com/video/BV1U34y1K7Lc/

双月报模版v4.png

C#版OpenCV:OpenCVSharp 最详细最全面教程(万字详细总结) OpenCVSharp 是一个用于 .NET 环境的 OpenCV 包装库,它提供了一种简便的方法来利用 OpenCV 的功能进行图像和视频处理。OpenCV(Open Source Computer Vision Library)是一个开源计算机视觉和机器学习软件库,最初由 Intel 研发并发布。OpenCVSharp 让 C# 和其他 .NET 语言的开发者可以方便地访问 OpenCV 的强大功能。// 打印 OpenCV 版本信息Cv2。 阅读详情

相关推荐

长短期记忆网络(Long Short-Term Memory networks, LSTM)

如何简单的理解LSTM——其实没有那么复杂:

weixin_39910711的博客 2万+

MegEngine Meetup 首期回顾 | JIT in MegEngine

2021年2月25日,我们举办了第一期的 MegEngine Meetup 线上交流。在第一期中,旷厂框架部异构计算组工程师和大家聊了有关 MegEngine 中 JIT Fusion 优...

旷视开发者技术社区 442

Shader之——花草动画shader

今天 ,接到了个需求,花草的动画。谈到花草动画,立马就想到顶点动画,让顶点动起来就可以实现了。但是有个问题,所有的草都往一个方向运动,这个就麻烦了。因为在shader里没有随机这种概念,提到最多的是用一张噪声图来模拟。在网上搜索了一下,发现有更好的办法,就是用每个顶点到一个点的距离来控制动画的开始,毕竟每个顶点到同一个点的距离很少是一样的。 float dis = distance ...

baicaishisan的博客 2188

MegEngine最佳实践:从项目结构到代码规范的完整指南

MegEngine 是一个快速、可拓展、易于使用的深度学习框架,凭借其训练推理一体化的设计理念和超低硬件门槛要求,已成为AI开发者的重要工具。本文将为新手和普通用户提供从项目结构理解到代码规范遵循的完整指南,帮助您快速上手并高效使用这个强大的深度学习框架。 ## 🎯 MegEngine核心优势解析 **训练推理一体化设计**是MegEngine最大的亮点,它让模型训练和推理使用同一内核,确保

gitblog_00584的博客 950

lisp方格网法计算土方量_分享:两期土方工程量计算(方格网法)实例例题

最近遇到一个飞时达土方软件试用版客户,咨询怎么根据平整前的原始地形图和平整后的现状地形图来计算产生的土方工程量,也就是两期土方量,且需要用方格网法来计算,作为一个老道的工程设计人员,博主对这类的项目实例例题简直太熟悉了,用飞时达土方计算软件V13.0可以很方便的计算出来。 方格网法计算两期土方量流程 一、软件安装及注册 专业的飞时达土方计算软件FastTFT,请到飞时达软件官方网站去下载,注册完...

weixin_35131425的博客 1700

AWS-解析mysql binlog同步数据方案

虽然是公有云的鼻祖,AWS在某些产品的实现却太不给力;可能是习惯了阿里云喂到嘴边的感觉,AWS很多方案需要自己折腾,蛋疼!比如这里要讲的mysql数据同步方案。 阿里云产品DTS,点几下就OK了,AWS,只能通过插件安装、配置、调试、蹚坑……,具体就是用msk的debezium插件连接器。没见识过的一脸懵逼,下面说下配置步骤和一些注意的坑。

sdmei 1408

基于MegEngine实现图像分类【附部分源码及模型】

本文主要讲解基于megengine深度学习框架实现图像分类

ctu_sue的博客 1207

TWINCAT3保姆级教程:手把手教你给Ecat从站烧录EEPROM(含XML配置避坑指南)

本文提供TWINCAT3环境下Ecat从站EEPROM烧录的完整教程,涵盖XML配置避坑指南。详细讲解环境准备、设备扫描、XML文件配置、EEPROM烧录流程及故障排查,帮助工程师高效解决设备识别问题,提升产线调试效率。

weixin_30693683的博客 518

天元MegEngine深度学习框架:工业级深度学习框架助力技术快速落地 | 百万人学AI评选

2020 无疑是特殊的一年,而 AI 在开年的这场”战疫“中表现出了惊人的力量。站在“新十年”的起点上,优快云【百万人学AI】评选活动正式启动。本届评选活动在前两届的基础上再度升级,设立了「AI优秀案例奖Top 30」、「AI新锐公司奖Top 10」、「AI开源贡献奖Top 5」三大奖项。我们相信,榜样的力量将成为促进AI行业不断发展的重要基石,而优快云将与这些榜样一起,助力AI时代的”新基建“。 活动官网:https://bss.youkuaiyun.com/m/topic/ai_selection/in...

weixin_37986590的博客 1024

《QT+PCL》点云配准进阶——GROR配准

GROR点云配准

阁楼 1318

DICOM医学影像开发者必备工具清单

PyDicom 是一个纯 Python 实现的 DICOM 文件解析库,允许开发者读取、修改和写入 DICOM 文件。它无需依赖外部库,易于集成到现有的 Python 项目中,非常适合快速开发和原型设计。DCMTK(DICOM Toolkit)是一个由OFFIS开发的开源C++库,提供了一整套DICOM标准的实现,包括文件操作、网络通信和图像处理等功能。它是开发高性能DICOM应用的理想选择。MicroDICOM 是一款免费的DICOM查看器,适用于Windows平台。

编程技术探索者,分享C/C++、C#、Java、数据库等开发经验,聚焦实战技巧与AI兴趣,助力编程爱好者成长。 577

AI行业态势感知(第二期)

导读 为了帮助飞桨内部同学更好地了解人工智能领域的最新资讯,每周二更新《AI行业态势感知》,从学术(论文和新思想、学术会议等),行业和政策(技术产业政策、项目基金申请、技术投融资等),人物(学者的人事变动和获奖情况)、数据(数据集),工具(新工具和应用推荐)等诸多角度,鸟瞰过去一周人工智能领域值得关注的动态。 过去一周(2020/09/14~2020/09/20),值得关注的内容有以下3方面: 1.优图实验室在9月11日发布TNN新版本——v0.2版本。TNN新版本在...

Hunt Counter 1653

【数据集】CMIP6气候模式数据下载

简介CMIP6及其气候模式数据下载

WW、forever的博客 9361

Hinton等谈深度学习十年;PyTorch落地Linux基金会的影响;机器学习界的“GitHub”|AI系统前沿动态

GPU显存的组成与CPU的内存架构类似,但为了满足并行化运算GPU的显存做了特殊设计,与之相关的概念很多如host memory、device memory、L1/L2 cache、register、texture、constant、shared memory、global memory等,还会涉及一些硬件概念DRAM、On/Off chip memory,还涉及到一些操作如pin memory,zero copy等。Meta表示,PyTorch成功背后的驱动力,是开源社区充满活力的持续增长。

fzlhz的博客 175

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain&#39;s apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath(&#39;DeepLearnToolbox&#39;));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand(&#39;state&#39;,0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = &#39;sigm&#39;;%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, &#39;Too big error&#39;);```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, &#39;Too big error&#39;);```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

总奖金近9万!视频超分辨率大赛等你来战!

还记得第一次配眼镜时的感受吗?那种世界突然高清的体验相信大家多少都记忆犹新,即便知道其中的原理,也会忍不住感叹技术给生活带来的神奇体验。 类似的事情也发生在当...

旷视开发者技术社区 9479

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

基于MegEngine实现语义分割【附部分源码及模型】

本文主要讲解基于megengine深度学习框架实现目标检测

ctu_sue的博客 702

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

极客日报第6期:天猫京东双十一总交易额7697亿元,你贡献了多少?.NET 5.0 正式版发布!

文章目录互联网快讯程序员专区Github每日精选优快云社区优质博文精选 互联网快讯 1、神州数码回应:未与华为就荣耀出售达成任何协议 10日,有媒体称华为出售荣耀手机股权一事,将取得明确进展。该媒体称,从多位知情人士处获悉,华为计划将荣耀手机业务整体打包出售,荣耀管理层等将在这家新公司中持股。交易价格根据去年荣耀60亿元利润、16倍PE来定,约为1000亿人民币,收购方包括神州数码、三家国资机构,以及TCL等公司组成的小股东阵营。11月11日早间,神州数码公告:与华为未就荣耀出售一事达成任何协议。 2、.

极客日报 1万+

MegEngine入门学习资料汇总 - 快速、可拓展、易于使用的深度学习框架

MegEngine是由旷视科技开发的一个快速、可拓展、易于使用且支持自动求导的深度学习框架。统一的训练和推理框架极低的硬件要求在各种平台上高效推理MegEngine支持Linux、Windows、iOS、Android等多种平台,可以满足各种深度学习应用场景的需求。MegEngine作为一个强大而灵活的深度学习框架,为AI开发者提供了丰富的工具和资源。通过本文提供的学习资料,相信你能够快速入门并在实际项目中应用MegEngine。祝你在深度学习的道路上取得成功!

helloaiworld的博客 488

35 万行代码,旷视重磅开源天元深度学习框架 ,四大特性实现简单开发

【导读】2020 年 3 月 25 日,人工智能企业旷视科技举办线上发布会,旷视联合创始人兼 CTO 唐文斌宣布正式开源其 AI 生产力平台 Bra...

优快云资讯 3615

开源项目分享,实习宝典传授,直播课程报名开启!

「MegEngine 开发者说」是由旷视天元(MegEngine)官方推出的线上课程,由不同行业领域、不同 AI 工龄的优秀开源项目开发者进行前沿技术、项目经验分享,更有实习、找工作、保研、比赛等满满干货,助力正处于不同阶段的开发者学习技术、升学、升职!

MegEngine_Bot的博客 128

菜菜包:赛场荣耀的背后,刻着 0 到 1 的执着

Awesome MegEngineer,Awesome Story。今天的男主角在又干掉一场比赛后带着比赛神器走来咯(此处有掌声,听懂响起来)。陈昱翔,23岁,电子科技大学计算机视觉专业研二生,江湖人称菜菜包。没错,陈昱翔就是菜菜包,菜菜包就是陈昱翔。不过在比赛面前,菜菜包是菜菜包,比赛是比赛,选手是选手。带上 MegEngine,拿下每一次比赛菜菜包与旷视的缘分早在本科...

旷视开发者技术社区 372

哀悼!旷视首席科学家孙剑博士突然离世,终年45岁

????????关注后回复“进群”,拉你进程序员交流群????????来源丨新智元https://mp.weixin.qq.com/s/mFVrM7w2W0zzuKiVY9zaPQ新智元报道编辑:编辑部【新智元导读】6月14日凌晨,旷视首席科学家、旷视研究院院长孙剑博士突发疾病去世,享年45岁。6月14日凌晨,一位AI巨星陨落。刚刚,旷视研究院发文,旷视首席科学家、旷视研究院院长孙剑...

<sdffdsfsdfdfs>sfsfsfsdfsdffds</sdfsDS>Fsd 462

qt开源和商业版差异_旷视研究院田忠博:中国缺少重量级的开源项目,国产开源需要更加自信 | 开源三十人...

作者 | 刘燕 InfoQ 特别面向新一代信息技术领域技术中坚群体正式推出的「中国技术力量」之「中国新基建 50 人」栏目持续进行中,本期嘉宾是旷视研究院高级技术总监,深度学习框架天元 (MegEngine) 项目负责人田忠博。更多「中国新基建 50 人」报道,点击这里查看。也欢迎申请免费采访报道名额:>> [中国新基建 50 人] 开源对旷视来说是非常需要勇气...

weixin_39565021的博客 293

探索编译软件栈新范式;高端GPU禁售的影响;陈天奇DL系统免费课程|AI系统前沿动态

AI系统前沿动态第49期。

OneFlow深度学习框架 4392

免费模型装进桌面端:dsh-our-free-model 启动不白屏

插件文件放齐了、bundles 也登记了,DSHEAC AIO 桌面端一启动却甩出 `PROFILE_UPGRADE_REQUIRED: offline dependency migration is not yet available`,白屏。dsh-our-free-model 是 dsh 的免费模型插件:装上后不用登录、不用注册、不填 API Key,DeepSeek V4.1 Flash、

gitblog_00882的博客 964
上一篇: MegEngine 7-8 双月报来啦:新版本发布,开发者福利课程,干货满满
下一篇: CPU 程序性能优化
MegEngine_Bot
博客等级 码龄3年 169粉丝 19原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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