zbp_12138的博客

当生成式对抗神经网络遇到车道线检测一、数据集简介二、数据预处理三、模型组网1.生成器的搭建2.判别器的搭建3.测试生成器与判别器的输出四、模型训练定义优化器开始训练可视化训练过程五、效果展示六、总结与升华作者简介目前，卷积神经网络已经成功地应用于语义分割任务。然而，有许多问题本质上不是像素分类问题，但仍然经常被表述为语义分割，将像素概率图转换为最终所需的输出。以车道线检测为例，目前车道线检测的难点为寻找语义上的线，而不是局限于表观存在的线。但是生成对抗网络 (GAN) 可用于使语义分割网络的输出更真

基于全卷积神经网络实现3D物体识别一、从2D图像识别到3D物体识别二、ModelNet10：3D CAD数据集1.存储格式2.读取方法3.点云可视化可视化工具plt可视化4.数据集定义三、模型组网与训练1.全卷积神经网络2.查看网络结构3.模型训练四、测试效果评估1.批量测试2.逐个测试五、总结与升华作者简介在当今的计算机视觉系统中，2D图像识别技术已经相对成熟，但3D物体识别依然是一个关键但未被充分利用的领域。本文将围绕3D点云的物体识别展开叙述。一、从2D图像识别到3D物体识别二维图像是由一个个像

将训练和搜索过程解耦的神经架构搜索算法一、动机二、贡献三、方法搜索空间训练策略评估策略四、实验五、总结一、动机传统的神经网络要么手工设计，要么使用神经结构搜索(NAS)来找到一个效果优异的神经网络，然后针对不同的部署需求从头开始训练它，但这在计算上会消耗大量的资源（排放的CO2量将多达5辆汽车的寿命周期中排放的CO2量），因此无法大规模地实验。作者从降低碳排放的角度出发，但本质其实是为了降低成本。作者解决该问题的关键思想是将模型训练与架构搜索解耦，训练一个once-for-all的网络(OFA)，它

自定义CPU算子的实现和使用一、底层原理二、C++自定义算子格式1.基本格式2.适配多种数据类型3.维度与类型的推导4.自定义算子注册三、动手实现CPU算子1.导入必要的头文件2.实现forward计算函数3.实现backward计算函数4.维度推导5.自定义算子注册四、自定义CPU算子的使用五、总结与升华作者简介算子（Operator，简称Op）是构建神经网络的基础组件。在网络模型中，算子对应层中的计算逻辑，例如：卷积层（Convolution Layer）是一个算子；全连接层（Fully-connec

深度学习模型训练和关键参数调优详解一、模型选择1.回归任务人脸关键点检测2.分类任务图像分类3.场景任务目标检测人像分割文字识别二、模型训练1.基于高层API训练模型加载数据集模型封装训练参数配置模型训练2.使用PaddleX训练模型配置数据集初始化模型模型训练3.模型训练通用配置基本原则三、超参优化1.超参优化的基本概念参数超参数2.手动调整超参数的四大方法1）使用提前停止来确定训练的迭代次数分类准确率不再提升时loss降到一个想要的范围时2）让学习率从高逐渐降低3）宽泛策略通过简化网络来加速实验进行更有

基于LabVIEW实现的隐马尔可夫模型摘要关键词一、介绍二、方法和LabVIEW实现2.1 实验数据的类型2.2 数据处理与离散化2.3 隐马尔可夫模型2.4 学习2.5 结论2.6 模型的性能评估三、图形用户界面四、验证和讨论五、总结参考文献译文作者简介摘要识别房屋内人类日常生活活动是建立房屋耗电模型的有效工具，也是监测居民健康状况的良好指标。智能家居中的活动识别问题已经在一些研究中得到了广泛的解决。本文基于机器学习隐马尔可夫模型，提出了一种在LabVIEW环境下开发的交互式工具，该工具具有图形化用户

基于BML平台实现模型超参搜索一、超参搜索基本概念参数超参数手动调整超参数的四大方法1.使用提前停止来确定训练的迭代次数分类准确率不再提升时loss降到一个想要的范围时2.让学习率从高逐渐降低3.宽泛策略通过简化网络来加速实验进行更有意义的学习通过更加频繁的监控验证准确率来获得反馈4.小批量数据(mini-batch)大小不必最优二、导入数据集最近在体验全功能AI开发平台BML（Baidu Machine Learning），一上手就停不下来那种，真的越用越喜欢！我的研究方向是自动机器学习，在深度学习建

基于BML平台实现数据集自动增强一、新建图像分类数据集二、新建计算机视觉模型三、数据集自动增强对比实验1.不使用数据自动增强导入数据集配置数据增强策略X轴剪切Y轴剪切X轴平移Y轴平移旋转角度配置网络配置超参数配置资源2.使用数据自动增强最近发现了一个用于开发人工智能模型的宝藏平台——全功能AI开发平台BML（Baidu Machine Learning），这是一个面向企业和个人开发者的机器学习集成开发环境，为经典机器学习和深度学习提供了从数据处理、模型训练、模型管理到模型推理的全生命周期管理服务。我们

基于BML平台快速标注文本数据集一、数据集介绍二、文本智能标注原理1.基于预训练模型生成「教师模型」2.将「教师模型」的能力教给「学生模型」三、启动智能标注获得智能标注数据1.准备工作2.创建文本智能标注任务3.完成标注并查看标注数据4.优化智能标注5.再次启动智能标注四、总结与升华昨晚看到GT_老张发的一篇博客——BML全功能AI开发平台完成昆虫目标检测模型的全流程笔记，拜读全文之后，我发现老张用的BML（Baidu Machine Learning）平台是最近新出的平台，看起来功能很强大（实际上确实也

基于BML平台实现情感分析一、新建数据集二、新建一个项目三、导入数据集四、配置网络五、配置资源六、模型校验七、模型部署八、总结最近发现了一个全功能AI开发平台，叫做BML（Baidu Machine Learning），这是一个面向企业和个人开发者的机器学习集成开发环境，为经典机器学习和深度学习提供了从数据处理、模型训练、模型管理到模型推理的全生命周期管理服务。BML全功能AI开发平台官网链接：https://ai.baidu.com/bml/好不好用要用了才知道，最近刚好有一个项目要用到文本情

架构拓扑和尺寸的NAS算法基准测试摘要关键字一、介绍二、相关的工作1.NAS基准2.超参数优化（HPO）基准三、NATS-BENCH1.搜索空间中的架构2.数据集3.结构性能4.诊断信息5.什么/谁可以从NATS-Bench中获益？四、NATS-BENCH分析1.体系结构性能概述2.基于三个数据集的体系结构排名五、比较基准1.背景2.实验设置3.实验结果基于多试验的方法基于权重共享的方法两种方法的比较总结与升华译文作者简介摘要近几年来，神经结构搜索（NAS）已经引起了人们的广泛关注，并在大量的应用中取得

目标检测概述——YOLOv4详解一、回顾人工智能的基本概念机器学习与人工智能人工智能如何“学习”？寻解步骤二、初识目标检测从图像分类看目标检测目标检测算法概览三大算法流派双阶段目标检测Two Stagesfaster RCNN单阶段目标检测One StageSSD无锚框检测Anchor FreeCenterNet目标检测的应用三、YOLO V4详解网络结构算法原理InputBackboneNeckHead一、回顾人工智能的基本概念人工智能通过「归纳法」总结知识，它只关注“现象”，而不关心“为什么”机

7天搞定生成对抗网络！百度高级工程师组队来袭原理+实战｜7天学会GAN课程大纲讲师介绍学习收获万元奖品池等你来战开课时间免费报名方式深度学习中最有趣的方法是什么？GAN！最近最火的AI技术是什么？GAN！！你现在脑子里在想什么？搞定GAN！！！GAN真这么火？没听过不要紧，生成对抗、无中生有了解一下？老照片修复、名画动起来、视频超分、人像卡通化、表情动作迁移等等趣味应用都是GAN干的。无图无真相，废话不多说，上图！珍贵黑白老照片上色，GAN灿烂了回忆～（咳咳…)Super resolu

机器的思考故事——计算机能学会牛顿第二定律吗？本项目从“牛顿第二定律”入手，介绍机器学习的思考过程，以及在过程中如何确定模型参数，模型三个关键部分（假设、评价、优化）该如何应用。机器学习的方法论和人类科研的过程有异曲同工之妙，下面以“机器从牛顿第二定律实验中学习知识”为例，帮助读者更加深入理解机器学习（监督学习）的方法论本质。参考资料：我思故我在——从大数据深入学习机器如何思考使用线性回归预测波士顿房价原来飞桨还可以这么玩！当人工智能邂逅蓝桥杯算法题，会擦出怎样的火花？一、机器学习的方法论

  还记得前段时间泫雅的新专辑《I’m Not Cool》刚发，一众舞者紧接着就出了练习室教学版，引发一阵模仿浪潮。而最近一个走红网络的跳舞大神“水城余哥”却让大家犯了难，他变化莫测的动作让人捉摸不透、难以模仿。正当网友们一筹莫展之际，人工智能请求出战！一位AI开发者@无魂胜有魂 用各家AI技术对余哥的跳舞动作进行关键点检测，还原了灵魂舞步的关键动作。  其中，百度AI的表现着实优秀，通过计算机视觉任务中的人体关键点检测，整个过程中每个关键点都牢牢的“粘”在了“水城余哥”的身上，跟着这位灵魂舞者完成了舞

基于飞桨高层API实现水果131分类一、飞桨框架API简介1.初始飞桨API2.高层API的特点3.高层API全景图二、数据加载1.数据集介绍2.解压数据集3.数据预处理4.自定义数据集加载5.数据可视化三、模型组建四、模型训练五、模型测试六、模型解析1.导入必要的库2.加载模型参数3.基于输入特征解析模型七、总结与升华个人介绍基于Fruits-360数据集构建神经网络进行水果识别参考资料：Fruit recognition from images using deep learning基于空间注

海洋生物识别一、实现原理1.卷积层2.激活层3.池化层4.批归一化层二、数据集简介三、模型开发1.划分数据集2.数据预处理3.模型训练4.查看模型预测效果四、将模型封装成PaddleHub的Module1.导出inference模型2.模型转换五、模型预测1.通过API的方式调用2.将模型部署至服务器六、总结与升华个人简介海洋中的鱼类资源不仅有一定的食用价值，而且有很高的药用价值，近年来，世界各国对于海洋鱼类资源的重视程度与日俱增。在鱼类资源的开发利用中，必须对鱼类进行识别，从而了解其分布情况。但是由于鱼

使用飞桨可解释性算法库InterpretDL解析人脸识别模型一、效果展示二、数据预处理1.统一命名与存储2.获取图片路径3.划分训练集和验证集4.定义数据集三、解析训练数据1.初始化配置模型组网优化器数据加载器Forgetting Events算法2.运行解析程序3.展示解析结果四、模型组网经典的ResNet18带有注意力机制CBAM的ResNet18注意力机制CBAM五、模型训练1.模型封装2.训练参数配置3.模型训练4.训练日志可视化六、使用InterpretDL深度解析模型1.导入必要的库2.加载模型

驾驶员状态识别一、工具简介PaddleXPaddleHub二、数据集介绍三、模型开发1.安装PaddleX2.定义数据加载器3.模型训练4.导出预测模型5.评估模型性能四、模型转换五、模型预测六、总结与升华个人简介一般来讲，人在疲劳的时候会有比较典型的面部表情或动作特征，如较长的眨眼持续时间、较慢的眼睑运动、点头、打哈欠等。基于摄像头的驾驶员监测方案正是利用这一点：首先挖掘出人在疲劳状态下的表情特征，然后将这些定性的表情特征进行量化，提取出面部特征点及特征指标作为判断依据，再结合实验数据总结出基于这些参

一行代码实现蛇种识别一、模型开发1.安装必要的资源库2.数据预处理2.1解压数据集2.2划分训练集3.模型训练3.1设置使用0号GPU卡3.2图像预处理+数据增强3.3数据迭代器的定义3.4开始炼丹4.查看模型预测效果二、封装Module1.导出inference模型2.模型转换3.模型安装4.模型预测预测单张图片预测多张图片三、在GitHub上提pr1.Fork PaddleHub2.上传Module3.Pull Request四、总结与升华个人简介毒蛇伤人事件在全世界范围内已造成相当一部分的死亡和受伤

水表的数字表盘分割一、安装必要的库二、模型训练1.准备表盘数据集2. 模型训练2.1 配置GPU2.2 定义图像预处理流程transforms2.3 定义数据集Dataset2.4 模型开始训练3.模型导出三、封装Module1.模型转换2.补充代码3.模型测试四、总结与升华个人简介教你将对水表进行语义分割的模型贡献到PaddleHub前不久，飞桨官方在AI Studio上挑选了45个优质项目，优质项目链接：https://shimo.im/sheets/CqQvXq3JhGqCxdXv/MODOC开

单量子比特门近似赛题介绍问题描述输入数据输出数据评分机制解题思路赛题介绍本赛题由 “2020百度之星·程序设计大赛” 的决赛赛题改编而来，以期为更多开发者提供量子计算领域的学习交流机会。百度自 2017 年起发起了面向全球 AI 技术爱好者的深度学习算法竞赛——百度之星·开发者大赛，大赛的宗旨是为有创新力、专业性强、富有极客精神和团队合作精神的顶级开发者团队提供交流切磋、施展才能的舞台，并为参赛选手提供真实的数据集、深度学习平台飞桨（PaddlePaddle）、完整技术解决方案和一站式 AI 开发平台

基于PaddleHub与Jetson Nano的智能宠物看护助手一、效果展示二、实现思路1.训练一个适用于该需求的模型2.使用PaddleHub预训练模型三、数据采集硬件部分代码部分四、数据处理1.解压数据集2.统一存储3.划分训练集和验证集4.定义数据集五、模型组网1.使用resnet搭建PetsNet2.查看模型结构3.模型配置六、训练及评估1.模型训练2.全流程评估3.模型保存七、将模型部署到Jetson Nano1.安装PaddleHub2.下载模型3.获取实时视频流4.模型预测5.回传照片6.客户

因为项目需要用到摄像头和显示效果，所以无法在aistudio上直接运行，Fork项目后可见可运行文件，下面直接上效果 【AI创造营】是极客就坚持100秒 参赛作品名是男人就坚持100秒（DodgeFace）作品简介和传统的《是男人就坚持X秒》一样，只不过这次你需要让你的脸来躲避那些飞来的小球使用方式> 保证你的脸在摄像头可以拍摄的范围内，运行程序python Dodge

将情感倾向性分析模型部署至华为云服务器一、前言二、云服务器基本介绍三、购买云服务器1.登陆控制台2.配置计费模式3.选择镜像4.创建磁盘5.配置网络6.选择登录方式7.确认配置并购买8.查看购买成功的云服务器四、登陆云服务器五、在云服务器上部署情感分析模型1.安装必要的资源库2.情感分析模型简介3.情感分析模型服务部署第一步：启动PaddleHub Serving第二步：发送预测请求六、写在最后一、前言未来已来，如今，很多高校都开设了人工智能相关课程，本科生甚至高中生也可以自己开发一些机器学习模型，但

使用飞桨PaddlePaddle复现用于图像光源处理的深度重照明网络（DRN）一、效果展示二、实现思路冠军模型：Wavelet Decomposed RelightNet (WDRN)经典模型：Norm-Relighting-U-Net (NRUNet)本次项目：Deep Relighting Network (DRN)三、模型结构复现1.DRN的大架构2.场景再转换网络卷积块反卷积块下采样模块残差块上采样模块将上述模块组装成场景再转换网络查看场景再转换网络结构3.阴影先验估计网络查看阴影先验估计网络结构4

基于空间注意力机制SAM的GoogLeNet实现人脸关键点检测并自动添加表情贴纸一、效果展示二、数据准备1.解压数据集2.数据集介绍查看图像3.数据集定义4.训练集可视化5.图像预处理6.使用数据预处理的方式完成数据定义三、模型组网1.网络介绍2.Inception模块3.空间注意力模块4.搭建SAM-GoogLeNet-BN5.网络结构可视化四、模型训练1.模型配置2.自定义评估指标3.模型训练4.模型保存五、模型预测六、趣味应用1.使用自己训练的模型2.使用PaddleHub内置模型个人简介使用神经网

新年美食鉴赏——基于注意力机制CBAM的美食101分类一、数据预处理1.数据集介绍2.读取标签3.统一命名4.整理图片路径5.划分训练集与验证集6.定义美食数据集二、注意力机制1.简介2.卷积块注意力网络——CBAM通道注意力模块CAM空间注意力模块SAM3.将通道、空间注意力模块合并三、基于卷积块注意力模块的ResNet-CBAM1.代码实现2.模型测试3.查看网络结构4.模型训练5.模型预测四、总结与升华个人简介春节是一年当中最隆重、最盛大的节日，吃得最好的一餐可能就是年夜饭了，想想就很激动呢！随着新

基于PaddlePaddle2.0实现门控循环单元GRU组件一、门控循环单元GRU简介1.重置门和更新门2.候选隐藏状态3.隐藏状态二、门控循环单元GRU的由来1.传统的神经网络NN2.循环神经网络RNNRNN的学习过程3.长短时记忆神经网络LSTM4.门控逻辑单元GRU三、深入理解门控循环单元GRU的工作方式双曲正切tanhS型函数SigmoidRNN的深入理解LSTM的深入理解遗忘门输入门细胞状态输出门GRU的深入理解重置门更新门四、使用Paddle2.0完成GRU组网组网用到的基础APIpaddle.

从人类诞生的那天起，我们就开始思考这个世界，如今，学会使用工具的我们尝试让机器学会思考，但机器真的会思考吗？机器怎么思考？看完这篇文章后，相信你会对这些问题会有更深入的认知。从大数据深入学习机器如何思考一、大数据与机器学习1.大数据的价值2.机器能像人一样学习吗？统计学习的两大哲学原理1.人既要尽人事，又要听天命。2.观测样本决定人生观统计学习真的可靠吗？基于概率的信任——抽样统计值与真实世界间存在一种数学关系大数定律背后的人生感悟3.机器怎么学习？机器学习的方法论确定模型参数模型结构介绍二、深入理解机

基于PaddleHelix完成RNA结构预测竞赛的前置基础知识一、化学与遗传学——从孟德尔的豌豆说起显性基因与隐性基因弱化学键弱键和强键决定大分子的结构核酸承载遗传信息——肺炎双球菌的转化实验二、RNA——初识核糖核酸RNA的结构特征RNA与DNA的不同之处RNA的生物学功能RNA的结构基础——碱基碱基的配对——一个碱基只能与另一个碱基配对RNA的表示结构三、RNA的二级结构——RNA链自身折叠形成类似A-DNA的局部双螺旋假结Stem Loops (Hairpins)Bulge LoopsInterior

使用PaddlePaddle2.0高层API完成基于VGG16的图像分类任务一、PaddlePaddle2.0新亮点——高层API助力开发者快速上手深度学习1.模型组网更简单2.模型训练更简单二、使用飞桨快速加载VGG网络并查看模型结构1.查看飞桨框架内置模型2.一行代码加载VGG163.查看VGG16的网络结构及参数三、使用飞桨框架API加载数据集1.快速加载数据集2.对训练数据做数据增强四、使用高层API进行模型训练、验证与测试1.调用fit()接口来启动训练过程2.调用evaluate()在测试集上对

一行代码实现从彩色图提取素描线稿一、前言：初识PaddleHub预训练模型（Pre-Trained Models）二、构建Module的大框架1.将模型文件存放在infer_model下2.创建必要的文件__init__.py3.创建必要的文件module.py导入必要的包填写module的基本信息实现预测功能实现命令行调用的接口三、测试及调用1.安装并查看Module基本信息2.通过API的方式调用3.通过命令行的方式调用——一行代码实现从彩色图提取素描线稿四、个人介绍PaddleHub是飞桨预训练模型

图卷积网络——GCN一、前置基础知识回顾图的基本概念构造图神经网络的目的训练方式二、回顾卷积神经网络在图像及文本上的发展图像上的卷积网络文本上的卷积网络图卷积网络的必要性三、图卷积网络从图像卷积类比到图结构卷积图卷积网络的计算公式邻接矩阵度矩阵理解计算公式用消息传递的方式实现图卷积网络消息传递的步骤1. 边上的源节点，往目标节点发送特征——Send2. 目标节点对收到的特征进行聚合——Recv一个例子理解消息传递的作用深入理解AH(l)AH^{(l)}AH(l)图卷积网络在 PGL 的实现用多层图网络完成节

目录图游走类算法目标基本思路Word2vec算法思想整体架构Skip Gram——根据中心词预测上下文Negative Sampling——负采样应用到图嵌入领域DeepWalk整体架构Random Walk具体过程图游走类算法图游走算法可以理解为一个人在图上行走，最后能得到一条走过的路径目标图游走类算法的目标，就是学习出图中每一个节点的低维表示，称为 Node Embeddings。在得到这些 embeddings 之后，就可以利用这些低维表示来进行接下来的下游任务，比如节点分类之类的等等。

将训练保存的模型转化为PaddleHub Module并完成一键加载一、训练鲜花识别模型1. 解压鲜花数据集及预训练参数2. 数据预处理3. 模型训练二、整理成PaddleHub Module格式1. 必要的目录与文件2.infer_model3. vocab.txt4. __ init__.py5. processor.py6.net.py7. data_feed.py8. module.py引入必要的头文件填写模型基本信息实现逻辑预测三、 测试Module1. 通过hub.Module(name=...

一、写在前面虽然现有的深度学习框架（如TensorFlow和PyTorch）已经大大降低了深度学习开发的门槛，但是在某种程度上会让初学者感到“玄学”我写这篇文章的初心其实是想回归基础，因为我是先接触深度学习框架，再去学习理论基础的，有很多初学者可能跟我有类似的经历，我深知这样的经历是痛苦的因此，这篇文章里所有的代码仅基于原生Python和Numpy，旨在让初学者朋友打好深度学习的理论基础。在上一篇文章（写给小白的神经网络前向传播原理详解）里,我对神经网络的预测过程做了详解。在这篇文章里，我将重点分

一、写在前面虽然现有的深度学习框架（如TensorFlow和PyTorch）已经大大降低了深度学习开发的门槛，但是在某种程度上会让初学者感到“玄学”我写这篇文章的初心其实是想回归基础，因为我是先接触深度学习框架，再去学习理论基础的，有很多初学者可能跟我有类似的经历，我深知这样的经历是痛苦的因此，这篇文章里所有的代码仅基于原生Python和Numpy，旨在让初学者朋友打好深度学习的理论基础。文章里写的代码已放在AI Studio，下面是传送门：写给小白的入门项目，神经网络前向传播原理详解·代码

昨天听了曾两度夺得NeurIPS强化学习赛事冠军的飞桨强化学习PARL团队核心成员科老师的课程,不得不说,满满的干货,于是今天打算再看一遍回放,并好好地做一下笔记。在学习强化学习之前,我们先思考一下,我们想追求的智能是什么?人类追求的智能是什么?对人类来说,人的智能可以分为两部分:一小部分是天生遗传的绝大部分是要依靠我们出生之后的努力学习后天的学习一般分两种:一种是有前人的经验了，我们直接模仿，依葫芦画瓢。另一种是没有任何的经验，我们只能在摸索中去前进和环境交互、探索举个例子，一个

这篇论文讲述的是世界上第一篇反向传播算法,标题的意思是通过反向传播错误来学习表征在读这篇论文时,我是带着这三个问题去读的:作者试图解决什么问题?这篇论文的关键元素是什么?论文中有什么内容可以"为你所用"?于此同时,在讲解这篇论文时,我不会把论文全篇翻译出来,毕竟这样做毫无意义,我会把我个人觉得比较重要的部分摘出来,再结合我自己的认识,与大家分享文章的一开头就给出了反向传播算法的原理:The procedure repeatedly adjusts the weights of the c