- 博客(34)
- 收藏
- 关注
RSS订阅原创 在大模型中进行参数高效微调的方法以及不同方法之间的差异
摘要：参数高效微调(PEFT)技术主要分为参数附加、参数选择和低秩适配三类。参数附加方法通过添加少量可训练模块(如AdapterTuning、PrefixTuning)实现任务适配，不改变原模型结构但会增加推理时间。参数选择方法(如BitFit、FishMask)通过筛选关键参数进行微调，平衡性能与效率。低秩适配方法(如LoRA、QLORA)使用低秩矩阵近似参数更新，兼顾性能与效率，是目前最广泛应用的技术，其中各类变体针对不同场景优化了计算效率和资源消耗。这些方法显著降低了大型模型的微调成本。
2025-12-08 11:45:50
408
原创 用 MindSpore 跑通前沿网络？3 个实战案例 + 避坑指南，新手也能快速上手
本文分享了使用华为MindSpore框架实现三个前沿AI模型的实战经验：1）ViT图像分类模型，展示MindSpore在简化注意力机制实现、硬件加速等方面的优势；2）ChatGLM-6B大语言模型，重点介绍其低显存部署和LoRA微调特性；3）U-Net++医学影像分割模型，突出小样本训练和可视化功能。文章通过完整代码示例和参数解读，揭示了MindSpore"开箱即用"的设计理念，包括模块化封装、多硬件适配等特点，为开发者提供了从实验到落地的实用指南，并附带避坑技巧和资源获取方式。
2025-11-21 16:37:05
139
原创 从经典到革新：Unet 及核心改进网络全解析（含论文 + 结构 + 场景）
Unet是图像分割领域的基准模型，采用"编码-解码+特征拼接"结构。Unet++通过密集融合和深度监督提升精度与部署灵活性，而CM-UNet结合CNN与Mamba架构，优化大场景分割效率。Unet适用于小数据验证，Unet++适合高精度需求，CM-UNet则针对大尺寸图像任务。三种模型形成完整的技术演进路线，满足不同应用场景需求。
2025-11-21 15:45:24
4233
原创 MindSpore 实现 U-Net：关键操作对应的 API 及使用指南
本文介绍了U-Net网络的核心操作及其在MindSpore框架中的实现方法。U-Net包含5类关键操作：3×3卷积+ReLU用于特征提取，最大池化实现下采样，转置卷积进行上采样，特征裁剪拼接用于跳跃连接，以及1×1卷积输出分割结果。文章详细说明了这些操作对应的MindSpore API及其使用方式，包括特征提取模块的组合实现、中心裁剪方法、池化和上采样操作等。这些API可以完整构建U-Net的编码-解码结构，实现从特征提取到最终分割输出的全过程，为医学图像分割等任务提供高效实现方案。
2025-11-18 16:03:49
388
原创 聊聊 AI 界的 “猫鼠游戏”：生成对抗网络（GAN）到底是啥？
生成对抗网络(GAN)是一种通过"造假者"与"鉴假师"相互对抗训练的AI技术。其中生成器负责创造假内容，判别器负责鉴别真假，二者通过损失函数衡量胜负，最终生成器能创造出以假乱真的内容。GAN已广泛应用于AI绘画、老照片修复、虚拟偶像等领域，甚至在医疗领域帮助医生进行影像增强和手术训练。这项技术正在悄然改变我们的生活，让许多看似神奇的AI应用成为现实。
2025-11-18 15:26:33
632
原创 拆解LSTM：告别梯度消失，解锁序列数据的深度学习利器
比如处理句子时，它会判断前一时刻的“主语”是否还需要保留（如“小明去了学校，他____”中，“小明”需要保留，而无关的修饰词可能被遗忘）。举个例子：用RNN分析“我上周买了一把伞，今天下雨了，所以____”，它可能因为“买伞”和“下雨”的时间间隔过长，无法关联两者的逻辑，而LSTM恰好解决了这个问题。LSTM的精髓在于引入了“记忆细胞”（Cell State）和三个可学习的“门控”，像一个精密的“数据筛选器”，能自主决定保留、更新或遗忘信息。例如用历史12个月的销售数据，预测未来3个月的销量。
2025-11-14 17:46:10
414
原创 从像素到语义：图像分割的技术演进与产业落地全景
图像分割技术已从传统像素聚类演进到深度学习驱动的语义理解，实现医疗诊断、自动驾驶和工业质检等领域的突破性应用。该技术正朝着轻量化模型、多模态融合和自监督学习三大方向发展，解决边缘设备部署、复杂场景鲁棒性和数据标注稀缺等核心挑战。作为连接图像感知与智能决策的枢纽，图像分割正在推动计算机视觉从"感知"迈向"认知"，成为产业智能化的重要支柱。
2025-11-13 10:51:30
469
原创 图像分割技术全解析：从传统算法到深度学习的视觉分割革命
图像分割技术经历了从传统方法到深度学习的演进，正推动计算机视觉领域的变革。传统算法包括阈值分割、边缘检测、区域生长和聚类等方法，基于灰度或颜色特征实现分割。深度学习带来了FCN、U-Net、DeepLab等创新模型，通过端到端训练和高层语义特征提取显著提升了分割精度。当前技术正朝着轻量化、多模态融合和小样本学习方向发展，在医疗影像、自动驾驶和工业质检等领域实现广泛应用。图像分割作为连接感知与理解的关键技术，未来将在更多场景展现价值。
2025-11-13 10:49:56
1285
1
原创 卷积神经网络经典架构全景解析：从 ILSVRC 竞赛到视觉技术的生态级演进
本文梳理了ImageNet竞赛中推动计算机视觉发展的关键CNN架构。AlexNet通过ReLU激活、Dropout等技术开启深度学习视觉时代；VGGNet以3×3小卷积核实现高效特征提取；GoogLeNet提出Inception模块进行多尺度融合；ResNet通过残差连接解决深度网络训练难题。这些创新架构不仅提升了竞赛性能，还广泛应用于医疗影像、自动驾驶等领域。未来CNN将向超深层网络、多任务通用模型发展，与Transformer等技术深度融合，推动视觉智能向更高层次演进。
2025-11-13 10:47:34
621
原创 卷积神经网络训练与参数调节全攻略：从数据到模型的实战优化
本文系统阐述了卷积神经网络（CNN）训练与参数调节的关键方法，从数据处理、模型优化到训练策略三个维度展开分析。在数据层面，重点探讨了数据清洗、增强技术和类别均衡策略；在模型层面，对比了经典CNN架构，并介绍了组件优化方法；在训练层面，详细讲解了微调策略、欠/过拟合的解决方案，以及优化器选择、学习率调整等实用技巧。通过数据质量提升、模型结构调整和训练参数优化三个维度的协同配合，可有效提升CNN模型在视觉任务中的性能表现。文章提供了MindSpore框架下的具体代码实现，为开发者提供了从理论到实践的完整指导。
2025-11-12 09:29:06
1446
原创 零基础入门卷积与卷积神经网络：从原理到实践，一步步搞懂 AI 图像识别核心
本文用通俗易懂的比喻为初学者讲解卷积神经网络(CNN)的工作原理。首先通过"侦探放大镜"的比喻解释卷积运算如何提取特征，从一维信号处理过渡到二维图像分析。接着将CNN比作"侦探团队"，详细说明其三大组件：卷积层(前线侦探)、池化层(线索筛选)、全连接层(最终判决)。文章重点阐述了CNN的三大核心思想：局部感知、参数共享和层级特征提取，并通过LeNet-5手写数字识别实例演示CNN的实际工作流程。最后总结出学习CNN的"三步走"策略，帮助零基础读者快
2025-11-11 14:39:27
1058
原创 C++ 在 AI 时代的核心角色：从系统底座到支撑 LLM 的技术基石
在 AI 与 LLM 的技术浪潮中，C++ 或许不是最 “光鲜” 的语言，却始终是性能、底层控制、系统级协同的 “压舱石”。它支撑着从框架研发到模型部署的全流程，既是 AI 创新的 “幕后英雄”，也是开发者在追求极致性能时的 “终极武器”。对于每一位 AI 从业者或爱好者，理解 C++ 在 AI 系统中的角色，不仅能帮你更深入地掌握技术本质，更能在大模型时代的技术竞争中，找到差异化的突破点 —— 毕竟，能把 “快” 做到极致的语言，永远不会被时代淘汰。
2025-11-10 10:36:11
845
原创 香橙派 Alpro 开发板零基础入门指南：从开箱到第一个项目实战
香橙派Alpro开发板是一款高性价比的嵌入式开发平台，适合初学者和开发者。它配备多核处理器，支持Linux/Android系统，提供丰富的GPIO、I2C、SPI等接口。文章详细介绍了从开箱组装、系统烧录到开发环境搭建的全流程，并以LED闪烁控制为例演示了基础开发。该开发板可应用于物联网、AI边缘计算、工业控制等多种场景，是探索嵌入式开发的理想选择。
2025-11-10 10:30:40
1551
原创 探索Ai:开启全新的科技之旅
本文探讨了人工智能（AI）的定义、发展历程及其在医疗、交通、金融等领域的革命性应用。AI通过智能诊断、自动驾驶等技术显著提升行业效率，但也带来就业替代、伦理隐私等挑战。联想等企业正积极研发AI产品，如智能助手等，推动产业升级。文章指出，尽管AI发展面临问题，但其提高生产效率、创造新机会的优势将引领社会迈向智能化未来。
2025-11-08 22:12:54
444
原创 哈尔特征：计算机视觉中的经典特征提取范式与现代延伸
哈尔特征是计算机视觉领域的经典方法，通过矩形区域灰度差捕捉图像结构。其核心技术包括三类基础特征、积分图加速计算以及AdaBoost级联分类器优化检测效率。在人脸检测等应用中表现优异，OpenCV中预训练模型可实现实时检测。尽管深度学习兴起，哈尔特征仍通过与深度特征融合持续创新，如跨库表情识别研究。作为轻量级方案，它在边缘计算等场景仍具独特价值，展现了传统算法与深度学习结合的潜力。
2025-11-07 14:18:14
890
原创 详解 LBP 局部二值模式：从原理到应用，带你吃透这一经典计算机视觉算法
LBP（局部二值模式）是一种高效的纹理特征提取方法，通过比较像素邻域灰度值生成二进制编码来描述局部纹理。本文详细介绍了LBP的核心原理、进阶变种（包括圆形邻域、旋转不变和均匀模式LBP）及其在纹理分类、人脸识别和目标检测等领域的应用。文章还提供了Python实现示例和实战优化技巧，如多尺度特征融合和预处理方法。LBP以其计算高效、光照鲁棒等特点，在计算机视觉领域持续发挥作用，未来将与深度学习进一步融合拓展应用场景。
2025-11-06 09:26:21
1394
原创 详解 HOG 方向梯度直方图：计算机视觉中的特征提取利器
HOG（方向梯度直方图）是计算机视觉中经典的特征提取技术，通过统计图像局部区域的梯度方向分布来描述纹理和形状特征。其核心流程包括图像归一化、梯度计算、分块直方图统计、块归一化和特征拼接五个步骤。HOG在行人检测、工业缺陷识别等领域表现突出，尤其适合轻量化场景。虽然深度学习兴起，但HOG仍因其计算高效、原理简明而保持价值，还可与深度学习结合使用。本文系统讲解了HOG的原理、实现方法和应用场景，帮助读者掌握这一基础而实用的视觉特征提取技术。
2025-11-05 10:04:20
2338
原创 深入浅出 SIFT 尺度不变特征变换：计算机视觉的 “特征提取利器”
摘要：SIFT(尺度不变特征变换)是一种经典计算机视觉算法，具有尺度、旋转和光照不变性。其核心步骤包括构建高斯金字塔检测极值点、精确定位关键点并生成128维特征描述子。SIFT广泛应用于图像匹配、目标识别和三维重建等领域，但也存在计算复杂度高的局限性。虽然后续出现了SURF、ORB等改进算法，SIFT仍作为特征提取的里程碑算法，其思想对理解图像特征表达具有重要意义。
2025-11-04 13:42:58
1255
原创 图像滤波介绍
图像滤波是图像处理中的基础技术，主要用于去除噪声并保留有用细节。常见方法分为线性滤波(均值、高斯滤波)和非线性滤波(中值、双边滤波)。线性滤波通过固定模板计算像素加权平均值，适合高斯噪声；非线性滤波则根据局部特征动态处理，能更好保留边缘并去除椒盐噪声。实践建议根据噪声类型选择算法：椒盐噪声用中值滤波，高斯噪声用高斯滤波，需保边时选双边滤波。OpenCV等工具可快速实现这些算法。滤波选择应匹配实际场景，而非越复杂越好，掌握这四种基础方法可应对大多数图像处理需求。
2025-11-03 09:26:25
1446
原创 形态学处理深度解析：从基础操作到实战应用，玩转图像 “像素塑形”
本文系统介绍了图像形态学处理技术，重点解析了腐蚀、膨胀等核心操作的原理与应用。形态学处理通过结构元素与图像形状特征的交互，实现噪声去除、特征提取等功能。腐蚀可消除细碎噪声但会使目标缩小，膨胀能填补缺口但会扩大目标，二者需配合使用。进阶操作包括开运算（去噪保形）、闭运算（补洞不扩边）以及形态学梯度（边缘提取）等。结构元素的选择（形状、尺寸）直接影响处理效果。该技术广泛应用于工业检测、医学影像、OCR预处理等领域，具有高效、鲁棒的特点。使用时需注意避免结构元素选择不当、操作顺序错误等常见误区。
2025-11-02 20:45:40
550
原创 计算机视觉几何变换：从原理到实战（含进阶用法）
文章摘要：几何变换是计算机视觉中的核心技术，通过改变像素坐标位置实现图像调整。核心包括变换矩阵计算和插值填充两步，支持平移、缩放、旋转、仿射和透视变换等操作。OpenCV提供简单API实现各种变换，关键要掌握插值算法选择（最近邻/双线性/双三次）和对应点选取技巧。实战应用广泛，包括图像预处理、文档矫正、视频处理等场景。进阶应用可结合OCR实现自动文档矫正，或应用于实时视频流处理。几何变换作为基础工具链，为后续图像分析和识别奠定了重要基础。
2025-11-01 20:51:08
1139
原创 大模型落地实践：从提示词工程到企业级多模态解决方案，重塑行业服务格局
摘要：大模型技术正通过提示词工程、多模态应用和企业级解决方案三大核心路径实现行业落地。提示词工程通过结构化指令设计提升大模型输出精准度，如在电商客服中实现秒级响应；多模态能力突破单一信息处理限制，赋能医疗影像诊断等场景实现跨模态分析；企业级解决方案则构建全链路智能化服务，如金融投研全流程优化和政务"一次办"改革。这些应用显著提升行业效率与服务体验，展现出大模型作为产业变革引擎的巨大潜力，未来随着技术迭代将释放更大价值。
2025-10-31 16:43:32
660
原创 图像灰度变换：从原理到实战，让图像 “整容级” 焕新的核心技术
灰度变换是数字图像处理中提升图像质量的高效技术，通过对像素明暗值进行函数映射（0-255范围）实现对比度增强和细节优化。主要包括三类方法：1）线性变换通过斜率截距调整整体明暗；2）分段线性变换针对不同灰度区间精细调控；3）非线性变换（对数/伽马）解决复杂光照问题，如对数变换凸显暗部、伽马变换定向调节亮度。该技术广泛应用于医学影像、工业检测等领域，配合OpenCV等工具可快速实现"一键焕新"效果，是图像增强的基础核心技术。
2025-10-31 16:37:45
759
原创 数字图像基础深度解析：从获取到特征提取的全面探究
本文系统阐述了数字图像处理的关键技术环节。第一部分详述图像获取过程，分析CCD/CMOS传感器技术差异及新型传感器特点，介绍成像系统组件；第二部分解析图像表示方法，包括灰度/彩色图像的存储格式、色彩模型及分辨率计算；第三部分探讨特征提取技术，涵盖颜色、纹理、形状特征的算法原理与应用场景。文章指出当前技术正朝着高精度、多模态、智能化方向发展，为数字图像处理的理论研究和实际应用提供了系统参考。
2025-10-31 14:08:24
928
原创 从像素到色彩：一文搞懂计算机视觉中的RGB与HSV转换
若用HSV处理：只需设定H的范围（如170°-10°，覆盖红色区间）、S的范围（如0.3-1，过滤浅红/灰色）、V的范围（如0.2-1，过滤过暗/过亮区域），即可精准提取苹果，且对光照变化的容忍度更高。1. 预处理H：将H除以60°，得到 h ，计算 h mod 6 得到 h_i （整数，0-5，用于判断颜色所属区间），再计算 f=h - h_i （小数，0-1，用于插值计算）。- H（色相）：决定“是什么颜色”，如红、黄、蓝，取值范围0°-360°（0°=红色，120°=绿色，240°=蓝色）。
2025-10-30 23:44:37
847
原创 计算机视觉：让机器看懂世界的神奇技术
简单来说，计算机视觉（Computer Vision, CV）是人工智能（AI）的一个重要分支，它的核心目标是让计算机具备处理、分析和理解图像或视频的能力，最终实现对现实世界的 “认知”。如果把人类的视觉系统比作一套精密的 “设备”，那么计算机视觉就是在模拟这套设备的工作原理：首先通过摄像头、传感器等 “硬件” 获取图像数据（相当于人类的眼睛接收光线），然后通过算法模型对数据进行处理和分析（相当于人类的大脑处理视觉信号），最后输出对图像内容的理解结果（比如识别出物体类别、判断物体位置、分析场景动态等）。
2025-10-29 09:36:00
1778
原创 中文文本分类保姆级教程：从 0 到 1 实现商品评论情感分析（附完整代码 + 避坑指南）
本文介绍了中文文本分类的全流程实践，以京东商品评论情感分析为例。首先说明了文本分类在电商、社交等领域的应用价值，详细讲解了数据获取方法（ModelScope平台的DAMO_NLP数据集）和环境搭建步骤（Python+jieba+scikit-learn）。重点演示了数据处理（分词、向量化）、模型训练（逻辑回归）和评估的全过程，并提供了测试样例验证模型效果。最后总结了核心收获、常见避坑点（如数据类型转换）和进阶方向（模型优化、特征工程升级）。该教程适合NLP初学者快速掌握中文文本分类的完整实现流程。
2025-10-23 10:55:43
1174
原创 深度拆解 “加载预训练词向量” 模块：从原理到工程化实现
本文详细解析了预训练词向量在NLP任务中的技术原理和工程实现。重点介绍了GloVe词向量的加载过程，包括文件解压、词向量解析、特殊符号扩展和词汇表构建四个关键阶段。通过Python代码示例展示了如何将文本转换为词向量矩阵，并说明了该模块在文本分类等任务中的应用方法。文章还探讨了模块的可扩展性，如支持不同维度的词向量和自定义特殊符号。预训练词向量作为NLP领域的基础设施，能有效提升模型的语义理解能力。
2025-10-17 16:32:36
763
原创 极致详解 LSTM 计算过程：从门控机制到符号定义，一文吃透序列记忆的底层逻辑
本文深入解析了LSTM（长短期记忆网络）的核心计算过程。通过五个关键步骤详细拆解：遗忘门筛选历史记忆、输入门选择新信息、生成候选细胞状态、更新细胞状态、以及输出门产生隐藏状态。文章采用符号化表述，清晰定义了各参数矩阵和激活函数的作用，揭示了LSTM通过门控机制实现长期依赖的独特优势。最后指出LSTM在自然语言处理、时间序列预测等领域的广泛应用价值，并建议通过对比GRU结构或代码实践来深化理解。全文为读者提供了显微镜级的LSTM工作机制剖析。
2025-10-15 11:58:47
1198
原创 从“识图”到“创作”：深度学习如何重塑我们理解世界的方式
比如AI判断一个人“不适合贷款”，但工程师也没法精准解释是“因为他上个月消费太少”还是“因为他换了工作”——这种“不透明”，在医疗、司法等需要“可解释性”的领域，就会带来风险。不用把深度学习当成“遥远的高科技”，也不用害怕它“会取代人类”——它更像一个“超级工具”，就像当初的电脑、互联网一样，正在改变我们的生活方式，但最终的“使用者”和“决策者”还是人类。- 语言：输入法的“智能联想”（你打“今天天气”，它跳出“真好”），微信的“语音转文字”，甚至论文写作时的“语法纠错”，都依赖深度学习对文字规律的理解。
2025-10-14 12:42:26
514
原创 从“瞎猜”到“精准打击”：AlexNet如何开启CNN的黄金时代
这哥们当年一出手，就把ImageNet竞赛的错误率直接腰斩，相当于在篮球场上投进了一个超远绝杀，从此，卷积神经网络（CNN）就再也不是实验室里的小透明了。AlexNet的伟大，不在于它现在依然是最先进的（早就被ResNet、ViT等后辈超越了），而在于它证明了深度卷积网络的可行性，为后来的所有CNN架构指明了方向。全连接层的参数太多，网络很容易“死记硬背”训练数据（过拟合）。卷积层是CNN的核心，相当于给网络装上了一层层放大镜，专门用来找图像里的关键特征——从边缘、纹理，到后来的眼睛、鼻子。
2025-10-04 10:31:47
399
原创 MindSpore 模型训练与评估流程关键 API 解析
本文介绍了MindSpore框架中用于模型训练与评估的关键API及其使用方法。主要包括误差计算API（MAE、MSE）、自定义评估单元EvalCell、张量操作（Softmax、Tensor）、误差统计管理（clear/update/eval方法）以及数据处理API（asnumpy、DataFrame）。这些API构成了从数据预处理、模型计算到结果分析的完整流程，帮助开发者高效完成深度学习任务。通过示例代码展示了每个API的具体应用场景，为MindSpore使用者提供了实用的技术参考。
2025-09-28 10:38:44
314
原创 机器学习的介绍
机器学习（Machine Learning，简称 ML）是人工智能（Artificial Intelligence，简称 AI）的一个重要分支，它致力于让计算机通过学习数据来自动改进性能，而无需明确编程。简单来说，机器学习的核心思想是 “从数据中学习”。例如，当我们使用电子邮件时，垃圾邮件过滤器就是一个典型的机器学习应用。它通过分析大量已标记的垃圾邮件和正常邮件数据，学习垃圾邮件的特征（如特定关键词、发送地址等），从而能够自动识别新收到的邮件是否为垃圾邮件。
2025-09-25 09:04:14
804
原创 机器学习KNN算法
摘要： KNN（K近邻）是一种基于“少数服从多数”原理的监督学习算法，通过计算样本与最近K个邻居的距离进行分类。核心要素包括：距离度量（欧氏、曼哈顿、余弦相似度）、K值选择（需平衡异常值与多数类影响）和特征标准化（避免尺度差异）。适用于小数据集、低维特征且需可解释性的场景，但高维数据或实时性要求高的任务表现不佳。优化技巧包括网格搜索调参、加权距离和降维处理。KNN简单透明，常作为基线模型，适合机器学习入门和实践初探。
2025-09-22 16:47:21
800
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人