手撕CLIP -- Day2 -- dataset

最新推荐文章于 2025-04-03 20:03:59 发布

小菜鸟博士

最新推荐文章于 2025-04-03 20:03:59 发布

阅读量493

点赞数 15

分类专栏：手撕CLIP 文章标签：深度学习人工智能算法学习

本文链接：https://blog.youkuaiyun.com/m0_62030579/article/details/145430581

版权

手撕CLIP – Day2 – dataset

Contrastive Language-Image Pre-Training (CLIP) 模型原理

CLIP 网络结构图

在这里插入图片描述

CLIP 网络结构

Dataset代码 - 利用Mnist数据集做分类

Dataset代码

Part1 库函数

# 该模块主要为了实现CLIP的Mnist数据集的实现
'''
# Part1 引入相关的库函数
'''
import torch
from torch.utils import data
import torchvision

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

小菜鸟博士

关注关注

15
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

手撕CLIP -- Day5 -- train.py

m0_62030579的博客

02-05

446

手撕CLIP -- Day5 -- train.py

rand-terrorism-dataset.txt

06-01

nlp常用工具包实战（4）spacy工具包，第五点，即第二个案例分析所用资源 111111111 vhbjnkl,/,nbvcx

参与评论您还未登录，请先登录后发表或查看评论

中文实体关系抽取数据集 Chinese-Literature-NER-RE-Dataset

10-05

基于几个可用的NER和RE数据集定义了7个实体标签和9个关系标签。实体(Entity)：每个实体都由带有多个属性的T标签标识。关系(Relation):每个关系由R标签标识，该标签可以具有多个属性。

手撕VAE(变分自编码器) -- Day1 -- dataset

m0_62030579的博客

02-08

998

手撕VAE(变分自编码器) – Day1 – dataset

基于卷积神经网络CNN实现电力负荷多变量时序预测(PyTorch版)

时序笔记

04-03

349

随着智能电网的发展，精准的电力负荷预测对能源调度和电网稳定具有重要意义。本文基于PyTorch框架，提出一种基于卷积神经网络（CNN）的多变量时间序列预测模型，用于电力负荷的短期预测。

深度学习四大核心架构：神经网络（NN）、卷积神经网络（CNN）、循环神经网络（RNN）与Transformer全概述

gorgor在码农

03-26

1589

NN → 类比：盲人摸象，每个神经元独立感知全局特征 → 局限：输入图像需展平为向量，丢失空间信息（如将28x28图片变成784维向量）CNN → 类比：人类视觉系统，先识别边缘→形状→物体 → 实战：用3x3卷积核扫描猫的图片，提取耳朵、胡须等局部特征RNN → 类比：阅读理解，需记住前文才能理解后文 → 痛点：输入句子“The cat sat on the mat”，到第6个单词时可能已遗忘“cat”Transformer → 类比：团队协作，每个单词直接关注全局上下文 → 优势：处理句

深度学习处理文本（9）

yyc的博客

04-03

1055

比如在机器翻译中，查询是目标序列，键和值则都是源序列：对于目标序列中的每个元素（如“tiempo”），你都希望回到源序列（“How’s the weather today?当然，如果你只做序列分类，那么查询、键和值这三者是相同的：将一个序列与自身进行对比，用整个序列的上下文来丰富每个词元的表示。“多头”是指：自注意力层的输出空间被分解为一组独立的子空间，对这些子空间分别进行学习，也就是说，初始的查询、键和值分别通过3组独立的密集投影，生成3个独立的向量。搜索引擎会将你的查询和数据库中的键进行对比。

深度学习-152-综述之大模型蒸馏技术的简介

qq_20466211的博客

03-31

知识蒸馏(Knowledge Distillation，简称KD)是由AI领域的三位大佬Geoffrey Hinton、Oriol Vinyals和Jeff Dean在2015年提出的技术，旨在通过将复杂教师模型的知识迁移到较简单的学生模型中，使学生模型在保持高性能的同时，能够实现更小的模型规模和更快的推理速度。

使用卷积神经网络识别MNIST数据集

m0_49586319的博客

03-31

350

Pytorch构建CNN模型，识别MNIST数据集

【Deepseek、ChatGPT】智能气候前沿：AI Agent结合机器学习与深度学习在全球气候变化驱动因素预测中的应用

JNLWLAQ的博客

04-01

1427

【Deepseek、ChatGPT】智能气候前沿：AI Agent结合机器学习与深度学习在全球气候变化驱动因素预测中的应用

RNN模型与NLP应用——（7/9）机器翻译与Seq2Seq模型

yjc060228的博客

03-31

1149

机器翻译——Sequence to Sequence模型介绍，详细讲解Seq2Seq模型底层逻辑，以及实现过程

研究下适合部署在jeston上的深度学习类单目标跟踪算法

weixin_43745234的博客

04-03

500

单目标跟踪（Single Object Tracking, SOT）是计算机视觉中的核心任务，主要用于无人机、自动驾驶、智能监控等领域。✅ 适用于目标外观变化较大的场景，如光照变化、形变等。✅ 强大的目标建模能力，适用于长时间跟踪任务。✅ 适用于复杂环境，如低光照、背景干扰等情况。✅ 兼顾高精度与计算效率，适用于资源受限设备。✅ 适用于嵌入式部署，如 Jetson 平台。✅ 具有较好的自适应能力，适合复杂跟踪任务。✅ 目标定位精度较高，适用于小目标跟踪。✅ 适用于长时间跟踪任务，鲁棒性强。

# 使用 Dlib 和 OpenCV 实现基于深度学习的人脸检测

最新发布

www_pp_的博客

04-03

769

本文介绍了如何使用Dlib的CNN人脸检测器结合OpenCV实现高效准确的人脸检测。通过加载预训练的模型文件，可以轻松地在图像中检测到人脸，并使用OpenCV进行可视化。这种方法在实际应用中具有很高的实用性和准确性，特别适用于需要高精度人脸检测的场景。如果你对人脸检测或深度学习感兴趣，欢迎继续探索Dlib和OpenCV的更多功能，或者尝试使用其他深度学习框架（如TensorFlow或PyTorch）实现更复杂的人脸检测和识别任务。

VectorBT：使用PyTorch+LSTM训练和回测股票模型进阶四

船长@Quant的博客

03-30

1402

本方案设计了一个基于PyTorch和LSTM的短期交易模型，支持多股票增量数据训练和单股数据回测。该模型利用了时间序列预测、特征工程、超参数优化以及回测等技术手段，以实现高效的交易策略生成和评估。

一种用于扩散磁共振成像（MRI）中多纤维参数估计和不确定性量化的深度学习方法|文献速递-深度学习医疗AI最新文献

weixin_38594676的博客

04-03

580

Title题目A deep learning approach to multi-fiber parameter estimation and uncertainty quantification in diffusion MRI一种用于扩散磁共振成像（MRI）中多纤维参数估计和不确定性量化的深度学习方法01文献速递介绍扩散磁共振成像（dMRI）是一种广泛用于在体内研究大脑结构的成像方式（巴塞尔和皮耶波利，1996）。在扩散磁共振成像中，脉冲梯度自旋回波序列用于使成像信号对水分子的局部扩散敏感。由于局部神经

深度学习基础

weixin_42672331的博客

04-03

628

如果所有权重初始化为相同值，神经元会学习相同的特征，降低模型表达能力。：初始值过大或过小会导致梯度在反向传播时指数级衰减或增长。隐藏层：神经网络中位于输入层和输出层之间的一层或多层。为什么ReLU不是全程可微|可导也能用于基于梯度的学习？：合理的初始化使损失函数处于易于优化的区域。关于L1正则化为何会倾向于产生稀疏权重？关于L2正则化为何会倾向于小而分散的值？Dropout和Bagging的区别。

关于深度学习中内部协变量偏移问题小记

qq_45670407的博客

04-03

416

什么是神经网络中存在的内部协变量偏移问题

AI智能纹理填充软件：基于深度学习的高精度图像处理技术

weixin_44603934的博客

04-03

576

在数字图像处理领域，纹理填充一直是极具挑战性的任务。传统方法（如PatchMatch算法）虽然取得了一定成果，但在处理复杂自然纹理时仍存在明显局限。根据Adobe研究院2023年的报告，传统方法的用户满意度仅为68%，主要问题集中在边缘 artifacts 和纹理不一致。

各类神经网络学习：（七）GRU 门控循环单元（上集），详细结构说明

qq_51409113的博客

03-31

1184

详细解释了GRU的模型结构

Python大数据处理实战：使用dataset-master数据集

而“dataset-master”正是为学习者提供了一个这样的平台。它汇集了各种类型的数据集，从基础的鸢尾花分类数据集到复杂的航班数据集，再到具体的社会科学领域的地震统计数据集等等。数据集的多样性为学习者提供了广泛...