昇思
文章平均质量分 76
UnseenMe
这个作者很懒,什么都没留下…
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
【学习笔记】昇思25天学习打卡(D17)NLP02-RNN实现情感分类.ipynb
最后我们设计一个预测函数,实现开头描述的效果,输入一句评价,获得评价的情感分类。将输入句子进行分词;使用词表获取对应的index id序列;index id序列转为Tensor;送入模型获得预测结果;打印输出预测结果。最后我们预测开头的样例,可以看到模型可以很好地将评价语句的情感进行分类。原创 2024-07-31 05:43:37 · 1119 阅读 · 0 评论 -
【学习笔记】昇思25天学习打卡(D16)NLP01-LSTM+CRF序列标注.ipynb
序列标注原创 2024-07-31 05:19:03 · 944 阅读 · 0 评论 -
【学习笔记】昇思25天学习打卡(D15)CV06-Vision Transformer图像分类.ipynb
vit原创 2024-07-30 23:38:23 · 692 阅读 · 0 评论 -
【学习笔记】昇思25天学习打卡(D14)CV05-SSD目标检测.ipynb
SSD,全称Single Shot MultiBox Detector。原创 2024-07-16 21:37:26 · 1043 阅读 · 0 评论 -
【学习笔记】昇思25天学习打卡(D13)CV04-Shufflenet图像分类.ipynb
ShuffleNetV1是旷视科技提出的一种计算高效的CNN模型,和MobileNet, SqueezeNet等一样主要应用在移动端,所以模型的设计目标就是利用有限的计算资源来达到最好的模型精度。ShuffleNetV1的设计核心是引入了两种操作:Pointwise Group Convolution和Channel Shuffle,这在保持精度的同时大大降低了模型的计算量。因此,ShuffleNetV1和MobileNet类似,都是通过设计更高效的网络结构来实现模型的压缩和加速。原创 2024-07-06 09:20:30 · 691 阅读 · 0 评论 -
【学习笔记】昇思25天学习打卡(D12)CV03-ResNet50迁移学习.ipynb
在实际应用场景中,由于训练数据集不足,所以很少有人会从头开始训练整个网络。普遍的做法是,在一个非常大的基础数据集上训练得到一个预训练模型,然后使用该模型来初始化网络的权重参数或作为固定特征提取器应用于特定的任务中。本章将使用迁移学习的方法对ImageNet数据集中的狼和狗图像进行分类。原创 2024-07-05 07:38:22 · 706 阅读 · 0 评论 -
【学习笔记】昇思25天学习打卡(D11)CV02-ResNet50图像分类.ipynb
ResNet50原创 2024-07-04 06:38:48 · 970 阅读 · 0 评论 -
【学习笔记】昇思25天学习打卡(D10)CV01-FCN图像语义分割.ipynb
FCN主要用于图像分割领域,是一种端到端的分割方法,是深度学习应用在图像语义分割的开山之作。原创 2024-07-02 22:39:09 · 811 阅读 · 0 评论 -
【学习笔记】昇思25天学习打卡(D09)初学10-使用静态图加速.ipynb
AI编译框架分为两种运行模式,分别是动态图模式以及静态图模式。MindSpore默认情况下是以动态图模式运行,但也支持手工切换为静态图模式。原创 2024-07-01 22:24:31 · 1063 阅读 · 0 评论 -
【学习笔记】昇思25天学习打卡(D08)初学09-保存与加载.ipynb
保存与加载模型原创 2024-06-27 05:54:45 · 330 阅读 · 0 评论 -
【学习笔记】昇思25天学习打卡(D07)初学08-模型训练.ipynb
构建数据集。定义神经网络模型。定义超参、损失函数及优化器。输入数据集进行训练与评估。原创 2024-06-26 06:37:26 · 791 阅读 · 0 评论 -
【学习笔记】昇思25天学习打卡(D06)初学07-函数式自动微分.ipynb
自动微分原创 2024-06-25 07:34:24 · 987 阅读 · 0 评论 -
【学习笔记】昇思25天学习打卡(D05)初学06-网络构建.ipynb
定义神经网络原创 2024-06-24 05:57:11 · 424 阅读 · 0 评论 -
【学习笔记】昇思25天学习打卡(D04)初学05-数据变换Transforms.ipynb
在机器学习和深度学习中,数据预处理是一个至关重要的步骤。通常情况下,原始数据并不能直接用于模型训练,需要进行一系列的转换和处理。MindSpore框架提供了多种数据变换(Transforms)工具,配合数据处理流水线(Pipeline),可以高效地实现数据预处理。MindSpore的dataset模块提供了面向图像、文本、音频等不同数据类型的Transforms,同时也支持使用Lambda函数进行自定义处理。这些Transforms可以通过map方法应用到指定的数据列上。原创 2024-06-23 08:55:53 · 430 阅读 · 0 评论 -
【学习笔记】昇思25天学习打卡(D03)初学04-数据集Dataset.ipynb
MindSpore提供基于Pipeline的数据引擎,通过Dataset和Transforms实现高效的数据预处理。原创 2024-06-22 08:25:34 · 279 阅读 · 0 评论 -
【学习笔记】昇思25天学习打卡(D02)初学03-张量Tensor.ipynb
这次的内容围绕 mindspore.Tensor展开。原创 2024-06-21 08:05:36 · 283 阅读 · 0 评论 -
【学习笔记】昇思25天学习打卡(D01)初学02-快速入门.ipynb
这次学习了如何使用 MindSpore 来实现手写数字识别任务。原创 2024-06-20 08:53:39 · 286 阅读 · 0 评论 -
【开发手记】泛化MindSpore的HwcToChw算子,使其支持多通道输入
泛化算子,使其支持维度不为3的输入。原创 2021-12-26 23:11:42 · 2710 阅读 · 0 评论 -
【炼丹手记】在ModelArts上使用AI芯片Ascend训练基于MindSpore的图神经网络BGCF,并发布到AI Callery
论文贝叶斯图协同过滤(BGCF)论文原文如下https://dl.acm.org/doi/pdf/10.1145/3394486.3403254数据集amazonsh-4.4$git clone -b r1.5 --depth=1 https://gitee.com/mindspore/models.gitCloning into 'models'...remote: Enumerating objects: 7254, done.remote: Counting objects: 100原创 2021-12-26 22:57:13 · 1107 阅读 · 0 评论 -
【炼丹手记】在ModelArts上使用AI芯片Ascend训练基于MindSpore的DeepFM
论文DeepFM: A Factorization-Machine based Neural Network for CTR Predictionhttps://arxiv.org/abs/1703.04247CTR预估是目前推荐系统的核心技术,其目标是预估用户点击推荐内容的概率。在CTR预估任务中,特征非常重要。这篇论文提出的DeepFM模型是一种可以从原始特征中抽取到各种复杂度特征的端到端模型,可以有效避免人工特征工程的困扰。数据集criteo是非常经典的点击率预估比赛数据集。下载地址如原创 2021-12-26 22:42:02 · 1325 阅读 · 0 评论
分享