【打卡】昇思25天打卡营10号

最新推荐文章于 2025-12-23 12:24:01 发布
原创 最新推荐文章于 2025-12-23 12:24:01 发布 · 264 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#笔记

学习笔记5

神经网络模型是由神经网络层和Tensor操作构成的，mindspore.nn提供了常见神经网络层的实现，这里，Cell类是构建所有网络的基类，也是网络的基本单元。一个神经网络模型表示为一个Cell，它由不同的子Cell构成。
定义模型类，分别构建各模型层，调整模型参数。这里涉及到的模型层包括：nn.Flatten, nn.Dense, nn.ReLU, nn.SequentialCell, nn.Softmax
在这里插入图片描述

cosima0
关注
昇思25天学习打卡营第25天|GAN图像生成
数字人生
07-13 1186
生成式对抗网络(Generative Adversarial Networks，GAN)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法之一。GAN论文逐段精读【论文精读】_哔哩哔哩_bilibili最初，GAN由Ian J. Goodfellow于2014年发明，并在论文生成器的任务是生成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通过设计生成模型和判别模型这两个模块，使其互相博弈学习产生了相当好的输出。
昇思25天学习打卡营第10天|基于MindSpore的GPT2文本摘要
数字人生
06-28 1042
实验环境已经预装了mindspore==2.2.14，如需更换mindspore版本，可更改下面mindspore的版本号!!!# 该案例在 mindnlp 0.3.1 版本完成适配，如果发现案例跑不通，可以指定mindnlp版本，执行`!!
《昇思25天学习打卡营第1天|快速入门》
小郑
06-25 1326
昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景统一部署三大目标。其中，表现为API友好、调试难度低；包括计算效率、数据预处理效率和分布式训练效率；则指框架同时支持云、边缘以及端侧场景。昇腾计算，是基于昇腾系列处理器构建的全栈AI计算基础设施及应用，包括昇腾Ascend系列芯片、Atlas系列硬件、CANN芯片使能、MindSpore AI框架、ModelArts、MindX应用使能等。
昇思25天学习打卡营第10天|生成式
u013563715的博客
07-19 1100
输入是3x64x64的图像，输出是该图像为真图像的概率。在下面的教程中，我们将通过示例代码说明DCGAN网络如何设置网络、优化器、如何计算损失函数以及如何初始化模型权重。DCGAN论文提到，使用卷积而不是通过池化来进行下采样是一个好方法，因为它可以让网络学习自己的池化特征。循环训练网络，每经过50次迭代，就收集生成器和判别器的损失，以便于后面绘制训练过程中损失函数的图像。从上面的图像可以看出，随着训练次数的增多，图像质量也越来越好。在这两个部分中，分别获取训练过程中的损失，并在每个周期结束时进行统计，将。
昇思25天学习打卡营第1天|快速入门
weixin_56595425的博客
06-25 899
本章通过MindSpore的API来快速实现一个简单的深度学习模型。若想要深入了解MindSpore的快速使用方法。
昇思25天学习打卡营第02天|JPPeng
JPPengHnu的博客
07-01 826
本节通过MindSpore的API来快速实现一个简单的深度学习模型。若想要深入了解MindSpore的使用方法，请参阅各节最后提供的参考链接。
昇思25天学习打卡营第1天 |昇思MindSpore框架的快速入门
Mr_Orangechen的博客
06-30 686
指令/关键词参数作用提供数据集加载和处理功能。path加载MNIST数据集。rescale图像数据归一化，通常用于将像素值缩放到0-1范围。meanstd对图像数据进行标准化处理，减去均值并除以标准差。将图像数据从HWC格式转换为CHW格式。type将数据类型转换为指定类型。nn.Cell所有网络层的基类，用于构建自定义神经网络。nn.Flatten将多维输入展平为二维。*layers顺序容器，按顺序将层传递给输入。nn.Densehas_bias全连接层，具有输入通道数和输出通道数。nn.ReLU。
昇思25天学习打卡营第19天|计算机视觉
u013563715的博客
07-24 1129
近些年，随着基于自注意（Self-Attention）结构的模型的发展，特别是Transformer模型的提出，极大地促进了自然语言处理模型的发展。由于Transformers的计算效率和可扩展性，它已经能够训练具有超过100B参数的空前规模的模型。ViT则是自然语言处理和计算机视觉两个领域的融合结晶。在不依赖卷积操作的情况下，依然可以在图像分类任务上达到很好的效果。本案例完成了一个ViT模型在ImageNet数据上进行训练，验证和推理的过程，其中，对关键的ViT模型结构和原理作了讲解。
昇思25天学习打卡营第16天|计算机视觉
u013563715的博客
07-23 1376
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12天|生成式
u013563715的博客
07-21 817
Pix2Pix是基于条件生成对抗网络（cGAN, Condition Generative Adversarial Networks ）实现的一种深度学习图像转换模型，该模型是由Phillip Isola等作者在2017年CVPR上提出的，可以实现语义/标签到真实图片、灰度图到彩色图、航空图到地图、白天到黑夜、线稿图到实物图的转换。生成器和判别器。传统上，尽管此类任务的目标都是相同的从像素预测像素，但每项都是用单独的专用机器来处理的。
昇思25天学习打卡营第2天|初学入门
u013563715的博客
07-03 1022
当我们定义神经网络时，可以继承nn.Cell类，在__init__方法中进行子Cell的实例化和状态管理，在construct方法中实现Tensor操作。construct意为神经网络（计算图）构建，相关内容详见使用静态图加速。nn.ReLU(),nn.ReLU(),构建完成后，实例化Network对象，并查看其结构。结果输出：Network
《昇思25天学习打卡营第10天|基于Mindspore实现 BERT对话情绪识别》
u010185392的博客
07-04 1856
BERT全称是来自变换器的双向编码器表征量（Bidirectional Encoder Representations from Transformers），它是Google于2018年末开发并发布的一种新型语言模型。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，因此一定要熟练掌握Transformer的Encoder的结构。
昇思25天学习打卡营第10天 | 基于MindNLP+MusicGen生成自己的个性化音乐
cftang9999的专栏
06-28 939
MusicGen是来自Meta AI的Jade Copet等人提出的基于单个语言模型（LM）的音乐生成模型，能够根据文本描述或音频提示生成高质量的音乐样本，相关研究成果参考论文《MusicGen直接使用谷歌的及其权重作为文本编码器模型，并使用及其权重作为音频压缩模型。MusicGen解码器是一个语言模型架构，针对音乐生成任务从零开始进行训练。MusicGen 模型的新颖之处在于音频代码的预测方式。
Javaweb 学习笔记——html+css
hssfscv的博客
12-18 923
以上是Javaweb中关于前端html和css的相关内容，主要制作了两个页面，了解了如何使用AI生成我们需要的内容，有利于了解前端知识，接下来将进行剩余前端知识的学习
【学习笔记】安全模型
tpriwwq的专栏
12-22 690
安全模型是指描述安全重要方面（机密性，完整性等）及其与系统行为的关系（允许/拒绝访问、加密/解密数据等）的框架。
大模型微调（学习笔记一）
最新发布
weixin_51590845的博客
12-23 321
指的在已有的大规模预训练模型基础上，通过对标注数据进行训练，进一步优化模型的表现，以适应特定任务或场景的需求。我们必须小心谨慎的设计模型微调数据集和微调训练流程，并经过反复多次训练验证，得到一个最佳模型。参数高效微调 (PEFT, Parameter-Efficient Fine-tuning)尽管模型微调能够通过修改模型参数的方式，永久的修改模型的能力，但这其实是。第一类方法:借助OpenAI提供的在线微调工具进行微调;（提前安装好hugging face包），如果处理不当，很可能造成模型原始能力的。
【算法笔记】AC自动机
u012559967的专栏
12-19 731
AC自动机: AC自动机是一种高效的多模式字符串匹配算法，它巧妙地将 Trie树的字典结构与 KMP算法的失配指针思想相结合，能同时在一段文本中查找多个模式串的所有出现位置，广泛应用于敏感词过滤、生物信息学序列分析等领域。在字符串匹配领域，我们会遇到两类问题：单模式匹配：给定一个文本字符串和一个模式字符串，判断模式字符串是否出现在文本字符串中。《【算法笔记】KMP算法》多模式匹配：给定一个文本字符串和多个模式字符串，判断所有模式字符串是否出现在文本字符串中。解决方案：AC自动机算法。
第四节：Cmake常用语法核心笔记
m0_70403090的博客
12-23 154
本文总结了CMake常用语法的核心知识点，包括6大板块：1)打印调试message命令的使用；2)变量系统(set)及其作用域规则；3)逻辑判断if语句的多种用法；4)循环结构foreach的常见模式；5)列表操作list命令；6)函数function定义与返回值处理。重点解析了变量作用域、缓存变量、函数返回值PARENT_SCOPE等易错点，并提供了避坑指南，如分号分隔符、变量引用规范等。全文通过代码示例和对比表格，帮助开发者快速掌握CMake脚本编写技巧。
MySQL 学习笔记（进阶篇2）
2302_79807388的博客
12-20 848
(1) 视图(View)是一种虚拟存在的表。视图中的数据并不在数据库中实际存在，行和列数据来自定义视图的查询中使用的表，并且是在使用视图时动态生成的。(2) 通俗的讲，视图只保存了查询的SQL逻辑，不保存查询结果。所以我们在创建视图的时候，主要的工作就落在创建这条SQL查询语句上。① 没有：不会检查当前视图的WHERE条件，即使数据不满足该条件，也能成功存入基表；但后续查询该视图时，这条不满足条件的数据不会在视图结果中显示② 有 check option：会按LOCALCASCADED。
2025年暑假二升三语文每日生字打卡计划
资源摘要信息:该文件标题为“二升三语文暑假同步生字每日打卡20250703.pdf”，描述为“二升三语文暑假同步生字每日打卡20250703”。从标题和描述中，我们可以推断出以下知识点： 1. 教育阶段与学科：文件是关于...
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
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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