littlesujin-优快云博客

原创昇思25天打卡营-mindspore-ML- Day25-基于MindNLP+MusicGen生成自己的个性化音乐

MusicGen模型采用Transformer结构，创新之处在于使用单个stage的Transformer LM结合高效的token交织模式，避免了传统分层或上采样方法，能够生成单声道和立体声的高质量音乐。个性化音乐生成算法基于MindNLP和MusicGen模型，由MetaAl的JadeCopet等人提出。该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。这个数据集通常用于音乐情绪识别任务，包含了不同情绪的音乐样本。错误，这通常是由于程序运行时间过长或资源不足导致的中断。，表明在请求数据集时超时。

2024-07-15 01:58:21 365

原创昇思25天打卡营-mindspore-ML- Day24-基于 MindSpore 实现 BERT 对话情绪识别

本文档给出了BERT模型的原理和应用，以及如何使用MindSpore框架实现对话情绪识别任务。从数据准备到模型训练、评估和推理，整个过程提供了一个完整的机器学习项目实践。

2024-07-14 00:46:10 697

原创昇思25天打卡营-mindspore-ML- Day23-应用实践-RNN实现情感分类

学习了关于 RNN 算法及其应用。RNN，即循环神经网络，是一种专门用于处理序列数据的神经网络。其基本原理是通过循环连接，让网络能够记住之前的输入信息，并将其用于后续的计算，从而捕捉序列数据中的时间依赖关系。在医学和医学影像领域，RNN 也有着广泛的应用前景。例如，RNN 可以用于心电信号 (ECG) 的分类，识别正常心跳、心律失常等异常情况。此外，RNN 还可以用于分析医学影像数据，例如识别病变区域、预测疾病进展等。

2024-07-13 00:28:07 460

原创昇思25天打卡营-mindspore-ML- Day22-应用实践-自然语言处理-LSTM+CRF序列标注

学习了 LSTM+CRF 序列标注方法，它是一种结合了循环神经网络（RNN）和条件随机场（CRF）的强大模型，用于处理序列标注问题，例如命名实体识别（NER）、词性标注等。

2024-07-11 23:44:52 560

原创昇思25天打卡营-mindspore-ML- Day21-应用实践-Pix2Pix实现图像转换

在本学习笔记中，选用的数据集是已经处理过的外墙（facades）数据集，这个数据集可以直接使用MindSpore框架的。Pix2Pix主要解决了图像到图像的转换问题，即将一种形式的图像转换成另一种形式，例如将。，由Phillip Isola等人在2017年的CVPR上提出。任务，如语义标签到真实图片、灰度图到彩色图等。与传统的图像转换方法不同，Pix2Pix使用统一的网络架构和目标函数，仅需在不同数据集上训练即可。【腾讯文档】Pix2Pix实现图像转换。Pix2Pix是一种。深度学习图像转换模型。

2024-07-10 19:13:28 429

原创昇思25天打卡营-mindspore-ML- Day20-应用实践-生成式-Diffusion扩散模型

今天学习了扩散模型（Diffusion Model），这是一种基于概率论的生成模型，通过不断添加噪声和去噪的过程，最终生成与真实数据分布相似的新数据样本。文档中提到了两个想象一下，我们想要生成新的猫猫图片。扩散模型会先随机选择一张真实的猫猫图片，然后逐步添加噪声，使其变得越来越模糊，直到完全变成一团噪声。接下来，模型会学习如何从这个噪声中恢复出猫猫图片的细节，最终生成一张新的猫猫图片，看起来就像是从真实数据中抽取的一样。

2024-07-09 01:44:11 934

原创昇思25天打卡营-mindspore-ML- Day19-应用实践-生成式-DCGAN生成漫画头像

生成器和判别器进行对抗训练，生成器不断生成更逼真的图片来欺骗判别器，而判别器则不断学习区分真实和假图片。最终，生成器能够生成与真实图片几乎无法区分的动漫头像。： DCGAN（深度卷积对抗生成网络）是一种基于GAN（生成对抗网络）的图像生成模型。：本次实验使用了70,171张96*96像素的动漫头像图片作为训练数据。简单总结，DCGAN模型通过对抗训练的方式，能够生成高质量的动漫头像图片。学习了如何使用DCGAN模型生成动漫头像。【腾讯文档】DCGAN生成漫画头像。

2024-07-07 18:01:06 276

原创昇思25天打卡营-mindspore-ML- Day18-应用实践-生成式-cyclegan图像风格迁移互换

CycleGAN 是一种强大的图像风格迁移模型，可以在没有成对数据的情况下实现图像风格迁移。通过学习，我掌握了 CycleGAN 模型的原理和实现方法，并能够使用 MindSpore 进行模型训练和推理。

2024-07-06 15:23:39 564

原创昇思25天打卡营-mindspore-ML- Day17-GAN图像生成

今天学习了生成式对抗网络 (GAN) 图像生成，并使用 MindSpore 框架实现了基于 MNIST 手写数字数据集的 GAN 模型。GAN 模型的原理和实现，通过 MNIST 手写数字数据集进行实践。MNIST 数据集包含 7 万张手写数字图片。GAN 由生成器 (Generator) 和判别器 (Discriminator) 两个模型组成，它们相互博弈，共同训练。生成器的目标是生成与真实数据分布相似的假数据，而判别器的目标是区分真数据和假数据。

2024-07-05 09:29:56 357

原创昇思25天打卡营-mindspore-ML- Day16-基于MobileNetv2的垃圾分类

MobileNetV2 是一种。

2024-07-05 08:38:37 324

原创昇思25天打卡营-mindspore-ML- Day15-K近邻算法实现红酒分类

K近邻算法（KNN）是一种用于分类和回归的非参数统计方法，其基本思想是通过计算样本与所有训练样本的距离，找出最接近的k个样本，根据这些样本的类别进行投票，票数最多的类就是分类结果。在分类问题中，预测算法的流程是先找出距离待测样本最近的k个样本，统计每个类别的样本个数，最终分类结果为样本个数最多的类。在回归问题中，对样本的回归预测输出值为所有邻居的标签均值或带样本权重的均值。选用了Wine数据集，该数据集是对来自意大利同一地区但来自三个不同品种的葡萄酒进行化学分析的结果，包含了13种属性和178个样本。

2024-07-03 18:39:16 342

原创昇思25天打卡营-mindspore-ML- Day14-VisionTransformer图像分类

今天学习了Vision Transformer图像分类，这是一种基于Transformer模型的图像分类方法，它不依赖卷积操作，而是通过自注意力机制捕捉图像块之间的空间关系，从而实现图像分类。

2024-07-02 10:45:46 1745

原创昇思25天打卡营-mindspore-ML- Day13-SSD目标检测

SSD (Single Shot MultiBox Detector) 是一种单阶段目标检测算法，它能够在单个网络评估过程中直接预测类别和位置，无需像RCNN系列算法那样先生成候选框。SSD在VOC 2007数据集上取得了优异的性能，mAP 达到 74.3%，并且速度达到了 59FPS，在当时是非常出色的。

2024-07-01 18:55:48 506

原创昇思25天打卡营-mindspore-ML- Day12-ShuffleNet图像分类

ShuffleNet是一种轻量级深度学习模型，专门为移动端和嵌入式设备设计，旨在在有限的计算资源下实现高精度的图像分类任务。它通过引入和两种操作，有效地降低了模型的计算量和参数量，同时保持了较高的准确率。ShuffleNet 的核心优势轻量化： ShuffleNet 通过分组卷积和通道重排技术，大幅减少了模型的参数量和计算量，使其更适合在移动端和嵌入式设备上运行。高效性：尽管模型轻量化，但 ShuffleNet 仍然能够保持较高的准确率，这得益于其精心设计的网络结构。灵活性。

2024-07-01 08:59:43 808

原创昇思25天打卡营-mindspore-ML- Day11-ResNet50图像分类

学习了 ResNet50 网络的原理和应用，代码展示了如何使用 MindSpore 实现 ResNet50 模型的构建、训练和预测。这个东西可以帮助更好地理解 ResNet50 网络的特点和应用，并将其应用于实际的图像分类任务中

2024-06-29 23:01:22 900

原创昇思25天打卡营-mindspore-ML- Day10-ResNet50迁移学习

学习了如何在 MindSpore 平台上使用迁移学习的方法，利用 ResNet50 模型对狼和狗的图像进行分类。先从几个问题出发，了解这一方法。为什么要用迁移学习这种方法？迁移学习是一种利用已有知识解决新问题的学习方法。它的核心思想是，将一个在大型数据集上训练好的模型应用于一个新的、相关的任务，从而提高新任务的训练效率和性能。迁移学习的基本原理是什么预训练模型：在一个大型数据集上训练一个模型，例如 ImageNet 数据集。特征提取。

2024-06-29 01:38:46 1746

原创昇思25天打卡营-mindspore-ML- Day9-FCN图像语义分割

图像语义分割是将图像中的每个像素点分配到一个语义类别。与传统的图像分类任务不同，语义分割需要对图像中的每个像素进行精细的分类，而不是只识别图像中包含的物体类别。语义分割的特点像素级预测: 语义分割任务需要输出与输入图像大小相同的分割图，其中每个像素都对应一个类别标签。类别层次结构: 语义分割通常涉及多个类别，例如天空、树木、道路、汽车、行人等，这些类别可能具有层次结构。局部和全局信息: 语义分割需要同时利用图像的局部特征和全局信息，例如物体的形状、纹理和上下文关系。语义分割的应用自动驾驶。

2024-06-28 00:00:54 1881

原创昇思25天打卡营-mindspore-ML- Day8-保存和加载模型以及静态图加速

nn.Dense(512, 10)：这是最后一个全连接层，它接受来自前一个层的512个输入，并输出10个值，这通常代表10个类别的概率分布（在MNIST数据集中，就是0到9的数字）。jit的使用示例：需要对Tensor的某些运算进行编译加速时，可以在其定义的函数上使用jit修饰器，在调用该函数时，该模块自动被编译为静态图。第二个nn.Dense(512, 512)和nn.ReLU()：这是第二个全连接层和其后的ReLU激活函数，它们进一步处理数据。静态图的特点是将计算图的构建和实际计算分开。

2024-06-27 08:36:49 476

原创昇思25天打卡营-mindspore-ML- Day7-模型训练

记录了使用MindSpore框架进行模型训练的全过程，包括数据集构建、网络定义、超参数设置、训练与评估等步骤。

2024-06-26 08:42:01 794

原创昇思25天打卡营-mindspore-ML- Day6-函数式自动微分

导入库：`numpy`, `mindspore`, `nn`, `ops`, `Tensor`, `Parameter`。## 接下来是求导过程的了解，调用mindspore.grad得到function的微分函数。## 如果要得到微分函数的所有输出项对参数的导数，同时实现对某个输出项的梯度截断、- 自动微分：计算可导函数在某点处导数值的方法，是实现反向传播的关键技术。- `value_and_grad`：同时获取函数值和梯度的接口。- `value_and_grad`接口：获取微分函数并计算梯度。

2024-06-25 07:55:45 563

原创昇思25天打卡营-mindspore-ML- Day5网络构建

dense_relu_sequential.0.weight：这是一个大小为 (512, 784) 的权重矩阵，包含了 512 行和 784 列的数值，用于神经网络中该层的计算。dense_relu_sequential.0.bias：大小为 (512,) 的偏置向量，每个元素的值均为 0，用于该层的计算。dense_relu_sequential.2.weight：大小为 (512, 512) 的权重矩阵，用于该层的计算。注意，一个Net表示为一个Cell，且由不同的“子Cell”构成。

2024-06-24 07:43:53 463

原创昇思25天打卡营-mindspore-ML- Day4预处理

学习了数据的变换，背景是，原始数据给到神经网络时往往需要进行归一化等处理，这里给出了详细的预处理方式。

2024-06-23 08:51:09 191

原创昇思25天打卡营-mindspore-ML- Day3数据集以及在机器学习中的用法

# 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。# 这里主要学习不同数据集的加载方式，常见操作，自定义数据集的方法。# mindspore.dataset提供数据集加载。# 这部分内容是了解数据集以及在机器学习中的用法。

2024-06-22 08:40:27 242