- 博客(13)
- 收藏
- 关注
RSS订阅原创 昇思25天学习打卡营第25天 | RNN实现情感分类
本文使用MindSpore实现基于RNN网络的情感分类模型的过程。包括数据准备，如下载IMDB数据集和Glove词向量，加载并预处理数据；模型构建，采用nn.Embedding、nn.LSTM和nn.Dense结构，规避梯度消失问题；设置损失函数和优化器；设计训练和评估逻辑；进行模型训练与保存，根据验证集loss选择最优模型；最后进行模型加载与测试，还能对自定义输入进行情感分类预测。通过该模型，可对影评语句进行情感分类，具有较好的效果。
2024-07-23 16:01:50
806
原创 昇思25天学习打卡营第24天 | LSTM+CRF序列标注
本文介绍了如何使用长短期记忆网络（LSTM）和条件随机场（CRF）进行序列标注任务。通过结合LSTM的序列特征提取和CRF的标签依赖建模，构建了一个完整的命名实体识别模型。教程详细解释了模型架构、数据准备、训练过程，并提供了完整的代码实现和结果评估方法。
2024-07-22 21:49:21
795
原创 昇思25天学习打卡营第23天 | Pix2Pix实现图像转换
Pix2Pix是一种基于条件生成对抗网络的深度学习模型，广泛应用于图像到图像的转换任务，如将语义标签图转换为真实图片。它利用U-Net结构的生成器和PatchGAN结构的判别器，在对抗训练中提升图像生成质量。通过Adam优化器和学习率衰减策略进行训练，记录生成器和判别器的损失以监控进度。训练完成后，模型能够对新数据进行推理，生成高质量的图像。本教程提供了使用MindSpore框架的完整代码实现，包括数据加载、网络构建、训练、推理及结果展示，是学习图像翻译任务的重要资源。
2024-07-21 17:35:46
1051
原创 昇思 25 天学习打卡营第 22 天 | GAN图像生成
生成器（Generator）：生成看起来像训练图像的“假”图像。判别器（Discriminator）：判断图像是真实的训练图像还是生成器生成的图像。GAN通过生成模型和判别模型的互相博弈学习产生高质量的输出。生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian J. Goodfellow于2014年发明，并在论文生成器的任务是生成看起来像训练图像的“假”图像；
2024-07-20 20:03:33
1125
原创 昇思 25 天学习打卡营第 21 天 | Diffusion扩散模型
如果将Diffusion与其他生成模型（如Normalizing Flows、GAN或VAE）进行比较，它并没有那么复杂，它们都将噪声从一些简单分布转换为数据样本，Diffusion也是从纯噪声开始通过一个神经网络学习逐步去噪，最终得到一个实际图像。Diffusion对于图像的处理包括以下两个过程：我们选择的固定（或预定义）正向扩散过程 𝑞𝑞 ：它逐渐将高斯噪声添加到图像中，直到最终得到纯噪声。
2024-07-19 12:51:16
966
原创 昇思 25 天学习打卡营第 19 天 | CycleGAN图像风格迁移互换
CycleGAN(Cycle Generative Adversarial Network) 即循环对抗生成网络，来自论文。该模型实现了一种在没有配对示例的情况下学习将图像从源域 X 转换到目标域 Y 的方法。该模型一个重要应用领域是域迁移(Domain Adaptation)，可以通俗地理解为图像风格迁移。
2024-07-17 18:42:29
953
原创 昇思 25 天学习打卡营第 18 天 | 基于MobileNetv2的垃圾分类
MobileNet网络是由Google团队于2017年提出的专注于移动端、嵌入式或IoT设备的轻量级CNN网络，相比于传统的卷积神经网络，MobileNet网络使用深度可分离卷积（Depthwise Separable Convolution）的思想在准确率小幅度降低的前提下，大大减小了模型参数与运算量。并引入宽度系数 α和分辨率系数 β使模型满足不同应用场景的需求。
2024-07-16 23:04:25
801
原创 昇思 25 天学习打卡营第 17 天 | K近邻算法实现红酒聚类
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。
2024-07-15 15:56:33
1039
原创 昇思 25 天学习打卡营第 16 天 | Transformer图像分类
近些年，随着基于自注意（Self-Attention）结构的模型的发展，特别是Transformer模型的提出，极大地促进了自然语言处理模型的发展。由于Transformers的计算效率和可扩展性，它已经能够训练具有超过100B参数的空前规模的模型。ViT则是自然语言处理和计算机视觉两个领域的融合结晶。在不依赖卷积操作的情况下，依然可以在图像分类任务上达到很好的效果。
2024-07-14 21:35:04
929
原创 昇思 25 天学习打卡营第 15 天 | SSD目标检测
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]。
2024-07-12 20:51:25
1283
原创 Task3: Baseline2笔记 #AI夏令营 #Datawhale #夏令营
Task3：进阶 baseline2【微调方向】 + 知识点讲解，链接如下:Docs。
2024-07-06 20:00:36
876
原创 大模型技术方向Task1笔记 #AI夏令营 #Datawhale #夏令营
实践步骤：跑通baseline → 尝试个人idea→尝试进阶baseline。
2024-07-02 21:27:15
1093
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