《昇思25天学习打卡营第25天|onereal》

最新推荐文章于 2025-04-11 14:55:24 发布
最新推荐文章于 2025-04-11 14:55:24 发布
阅读量296 收藏
点赞数 3
文章标签： 深度学习 机器学习 人工智能
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。
本文链接：https://blog.youkuaiyun.com/onereal/article/details/140532803
版权

初学入门/初学教程/08-模型训练.ipynb

模型训练

模型训练一般分为四个步骤：

  1. 构建数据集。
  2. 定义神经网络模型。
  3. 定义超参、损失函数及优化器。
  4. 输入数据集进行训练与评估。

现在我们有了数据集和模型后，可以进行模型的训练与评估。

构建数据集

首先从数据集 Dataset加载代码，构建数据集。

------------------------------------

训练结果：

昇思25天学习打卡营第21天|RNN实现情感分类
Wayne的优快云博客
07-22 705
MindSpore-RNN情感分类
昇思25天学习打卡营第19天|RNN实现情感分类
qq_34353583的博客
07-30 1026
情感分类是自然语言处理中的经典任务，是典型的分类问题。输入: This film is terrible正确标签: Negative预测标签: Negative输入: This film is great正确标签: Positive预测标签: Positive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。
思25天学习打卡营第8天|onereal
onereal的代码
07-01 453
与传统方法不同，MusicGen采用单个stage的Transformer LM结合高效的token交织模式，取消了多层级的多个模型结构，例如分层或上采样，这使得MusicGen能够生成单声道和立体声的高质量音乐样本，同时提供更好的生成输出控制。MusicGen不仅能够生成符合文本描述的音乐，还能够通过旋律条件控制生成的音调结构。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《
昇思25天学习打卡营第7天|onereal
onereal的代码
06-30 311
SSD，全称Single Shot MultiBox Detector，是Wei Liu在ECCV 2016上提出的一种目标检测算法。使用Nvidia Titan X在VOC 2007测试集上，SSD对于输入尺寸300x300的网络，达到74.3%mAP(mean Average Precision)以及59FPS；对于512x512的网络，达到了76.9%mAP ，超越当时最强的Faster RCNN(73.2%mAP)。具体可参考论文[1]。
昇思25天学习打卡营第19天|onereal
onereal的代码
07-12 312
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3天|onereal
onereal的代码
06-26 304
前几天不能运行代码，经过排查是因为我的浏览器是搜狗的，换成Chrome问题解决了。按照提示学习了《应用实践/计算机视觉/FCN图像语义分割.ipynb》并且尝试运行代码，开始训练，最后看到图片变化。
昇思25天学习打卡营第4天|onereal
onereal的代码
06-27 380
以下内容拷贝至教程，实话实话看不懂，迷迷糊糊都运行jupyter里的代码。走完程序，训练生成了一些图片。
《昇思25天学习打卡营第15天|onereal》
onereal的代码
07-08 914
MNIST手写数字数据集是NIST数据集的子集，共有70000张手写数字图片，包含60000张训练样本和10000张测试样本，数字图片为二进制文件，图片大小为28*28，单通道。图片已经预先进行了尺寸归一化和中心化处理。本案例将使用MNIST手写数字数据集来训练一个生成式对抗网络，使用该网络模拟生成手写数字图片。应用实践/生成式/GAN图像生成.ipynb以上是第15天学习内容简介。下面是训练和推理的结果。
《昇思25天学习打卡营第18天|onereal》
onereal的代码
07-11 593
情感分类是自然语言处理中的经典任务，是典型的分类问题。为了方便数据集和预训练词向量的下载，首先设计数据下载模块，实现可视化下载流程，并保存至指定路径。库对下载百分比进行可视化。此外针对下载安全性，使用IO的方式下载临时文件，而后保存至指定的路径并返回。此外，需要使用预训练词向量对自然语言单词进行编码，以获取文本的语义特征，本节选取。以上为今天学习内容简介，下面是运行代码训练的结果。词向量作为Embedding。本节使用情感分类的经典数据集。库进行http请求，并通过。
《昇思25天学习打卡营第10天|onereal》
onereal的代码
07-03 650
K近邻算法（K-Nearest-Neighbor, KNN）是一种用于分类和回归的非参数统计方法，最初由 Cover和Hart于1968年提出(Cover等人,1967)，是机器学习最基础的算法之一。它正是基于以上思想：要确定一个样本的类别，可以计算它与所有训练样本的距离，然后找出和该样本最接近的k个样本，统计出这些样本的类别并进行投票，票数最多的那个类就是分类的结果。KNN的三个基本要素：K值，一个样本的分类是由K个邻居的“多数表决”确定的。K值越小，容易受噪声影响，反之，会使类别之间的界限变得模糊。
昇思25天学习打卡营第2天|onereal》
onereal的代码
06-25 417
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。华为Atlas人工智能计算解决方案，是基于昇腾系列AI处理器，通过模块、板卡、小站、服务器、集群等丰富的产品形态，打造面向“端、边、云”的全场景AI基础设施方案，涵盖数据中心解决方案、智能边缘解决方案，覆盖深度学习领域推理和训练全流程。昇腾AI全栈如下图所示：昇腾应用使能。
昇思25天学习打卡营第18天|RNN实现情感分类
weixin_52919639的博客
08-01 742
情感分类是自然语言处理中的经典任务，是典型的分类问题。输入: This film is terrible正确标签: Negative预测标签: Negative输入: This film is great正确标签: Positive预测标签: Positive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。
昇思25天学习打卡营第12天|RNN实现情感分类
weixin_45169752的博客
07-05 961
mindspore昇思学习笔记|RNN实现情感分类
NLP实战(2)：RNN和RNN Cell的序列处理
Henry的博客
04-10 478
全连接神经网络也叫做Dense神经网络，利用线性层对特征进行变换例如，如果想要做预测是否下雨的系统，传统的DNN都是利用当天的数据特征进行预测但这样其实是没有用的，因为预测都是提前的，换句话说，我们需要利用前面的数据预测下一次的天气那么想要预测第四天的天气，需要前面三天的输入作为特征，假设每天都有三个特征的话，那么输入就是9个如果说利用DNN网络的话，需要把三天的特征展平、拼接成9维度的这样其实计算是很复杂的，因为DNN的网络参数非常多。因为CNN使用了权重共享RNN专门用来处理这种带有。
卷积神经网络(CNN)可视化网站汇总
二爷的博客
04-11 706
汇总几个卷积神经网络（CNN）动画和可视化的网址：https://poloclub.github.io/cnn-explainer/直观的交互式工具，解释卷积神经网络的基本原理。https://playground.tensorflow.org/谷歌推出的深度学习交互式平台，虽然主要是全连接网络，但适合学习基础概念。http://cs.stanford.edu/people/karpathy/convnetjs/在线训练CNN模型，并实时可视化卷积、池化等过程。https://www.cs.ryerson.
Named Entity Recognition with Bidirectional LSTM-CNNs（于双向LSTM神经网络的命名实体识别）论文阅读
weixin_45403853的博客
04-11 128
Named Entity Recognition with Bidirectional LSTM-CNNs（于双向LSTM神经网络的命名实体识别）论文阅读简报
神经网络与深度学习：案例与实践——第三章（2）
2301_79679684的博客
04-05 679
Logistic回归可以有效地解决二分类问题，但在分类任务中，还有一类多分类问题，即类别数C大于2 的分类问题。Softmax回归就是Logistic回归在多分类问题上的推广。使用Softmax回归模型对一个简单的数据集进行多分类实验。
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
2401_89571885的博客
04-07 1024
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
[WIP] einops版GQA MSA
最新发布
taoqick的专栏
04-11 56
【代码】[WIP] einops版GQA MSA。
AI打卡训练营7天总结：从格式化输出到选手识别
本资源总结了百度AI-7Days-打卡集训营的学习内容，涵盖了格式化输出、os库应用、爬虫技术、数据分析、选手识别等多个方面的知识点。 1. 格式化输出： 在Day1的第一次作业中，要求输出9*9乘法口诀表，并且注意格式...
评论
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