鸿蒙开发者社区

WOT技术大会

公众号矩阵

移动端

短视频免费课程课程排行直播课软考学堂

全部课程厂商认证 IT技术 24年11月软考 PMP项目管理免费题库

文章资源问答课堂专栏直播

51CTO

鸿蒙开发者社区

51CTO技术栈

51CTO官微

51CTO学堂

51CTO博客

CTO训练营

鸿蒙开发者社区订阅号

51CTO软考

51CTO学堂APP

51CTO学堂企业版APP

鸿蒙开发者社区视频号

51CTO软考题库

账号设置退出

深度学习

1670内容

关注

涵盖深度学习相关模型、框架、开发与应用知识。

文章博文课程

共 166 条

“众里寻他千百度”-深度学习的本质

介绍深度学习的基本概念、深度学习的常见任务和回归任务的实例分析。最后，以一个案例的形式，介绍训练一个模型的完整流程。

2022-12-31 12:25:54

机器学习损失函数深度学习

万字长文详解 YOLOv1-v5 系列模型

yolov1 作者提出了一种新的目标检测方法 YOLO，之前的目标检测工作都是重新利用分类器来执行检测。作者的神经网络模型是端到端的检测，一次运行即可同时得到所有目标的边界框和类别概率。YOLO 架构的速度是非常快的，base 版本实时帧率为 45 帧，smaller 版本能达到每秒 155 帧，性能由于 DPM 和 R-CNN 等检测方法。

2022-12-30 17:22:31

cmbn YOLOv2 yolov5

一阶段目标检测网络-RetinaNet 详解

作者深入分析了极度不平衡的正负（前景背景）样本比例导致 one-stage 检测器精度低于 two-stage 检测器，基于上述分析，提出了一种简单但是非常实用的 Focal Loss 焦点损失函数，并且 Loss 设计思想可以推广到其他领域，同时针对目标检测领域特定问题，设计了 RetinaNet 网络，结合 Focal Loss 使得 one-stage 检测器在精度上能够达到乃至超过 two-stage 检测器。

2022-12-30 17:19:46

损失函数 focal loss fpn网络

详解网络层-网络层概述和编址【王道计算机网络笔记】

@toc主要任务是把分组从源端传到目的端，为分组交换网上的不同主机提供通信服务。网络层的传输单位是数据报，数据报是一个比较长的数据，分组是对数据报进行切割得到的一部分功能：路由选择与分组转发（最佳路径）异构网络互联。4G，wifi，校园网等网络之间可以通信拥塞控制。如果所有结点都来不及接收分组，而要丢弃大量分组的话，网络就处于拥塞状态，因此要采取一定措施，缓解这种拥塞IP数据报格式!!\\附件/P

2022-12-29 22:24:44

子网掩码 IP 子网

详解数据链路层-局域网&广域网【王道计算机网络笔记】

@toc局域网局域网（LocalAreaNetwork）：简称LAN，是指在某一区域内由多态计算机互联成的计算机组，使用广播信道特点覆盖的地理范围较小，只在一个相对独立的局部范围内联，如一座或集中的建筑群内只用专门铺设的传输介质（双绞线、同轴电缆）进行联网，数据传输速率高（10Mb/s10Gb/s）通信延迟时间短，误码率低，可靠性较高各站为平等关系，共享传输信道多采用分布式控制和广播式信道，能进行

2022-12-28 23:14:48

链路网络层字段

详解数据链路层-介质访问控制【王道计算机网络笔记】

@toc数据传输使用的两种链路点对点链路：两个相邻结点通过一个链路相连，没有第三者。应用：PPP协议，常用于广域网。例如打电话广播式链路：所有主机共享通信介质。应用：早期总线以太网、无线局域网，常用于局域网。例如同一个频道的对讲机典型拓扑结构：总线型、星型（逻辑总线型）类似广播式链路的对讲机，很容易出现对话冲突的情况，也就是两个人想同时说话，但是对讲机只能让一个人说完，另一个人才能再说介质访问控制

2022-12-27 22:28:03

重传时隙数据

基于U-Net网络的图像分割的MindStudio实践

本实践是基于Windows版MindStudio 5.0.RC3，远程连接ECS服务器使用，ECS是基于官方分享的CANN6.0.RC1_MindX_Vision3.0.RC3镜像创建的。

2022-12-26 11:37:29

U-Net网络图像分割 MindStudio

图计算引擎分析 ——Gemini

作者：京东科技王军前言Gemini 是目前 state-of-art 的分布式内存图计算引擎，由清华陈文光团队的朱晓伟博士于 2016 年发表的分布式静态数据分析引擎。Gemini 使用以计算为中心的共享内存图分布式 HPC 引擎。通过自适应选择双模式更新（pull/push），实现通信与计算负载均衡 [‎1]。图计算研究的图是数据结构中的图，非图片。实际应用中遇到的图，如社交网络中的好友关系、

2022-12-26 09:58:42

数据任务调度存储空间

深度学习炼丹-超参数设定

所谓超参数，即不是通过学习算法本身学习出来的，需要作者手动调整（可优化参数）的参数(理论上我们也可以设计一个嵌套的学习过程，一个学习算法为另一个学习算法学出最优超参数)，卷积神经网络中常见的超参数有: 优化器学习率、训练 Epochs 数、批次大小 batch_size 、输入图像尺寸大小。

2022-12-23 20:47:49

卷积 cbr 数据增强

深度学习炼丹-数据增强

在工业界，数据预处理步骤对模型精度的提高的发挥着重要作用。对于机器学习任务来说，广泛的数据预处理一般有四个阶段（视觉任务一般只需 Data Transformation）: 数据清洗(Data Cleaning)、数据整合(Data Integration)、数据转换(Data Transformation)和数据缩减(Data Reduction)。

2022-12-22 15:21:00

图像的几何变换 imgaug 数据增强

两个视角给你解读熵、交叉熵、KL散度

本文从两方面进行解释：数学和编码方面。总有一个角度能让你更好理解。数学解释熵Entropy熵用于计算一个离散随机变量的信息量。对于一个概率分布X，X的熵就是它的不确定性。用大白话来说，假设你预测一个东西，有时候结果会出乎意料，熵就表示出乎意料的程度。熵越大你越不容易预测对，事情就越容易出乎意料。离散型概率分布X的熵定义为自信息的平均值：H(X)=E_{p(x)}I(x)=\sum_{x}p(x)\

2022-12-16 10:03:09

整除插入图片哈夫曼编码

CLIP打通文本图像壁垒，为AI图像生成打下基础

本文有5230字，阅读大概需要10分钟。10分钟你肯定看不完，老老实实看吧。碎碎念事情是这样的，前两天晚上我嵩突然发了DreamStudio(https://beta.dreamstudio.ai/dream)让我们玩一下。!image.png(https://s2.51cto.com/images/blog/202212/10162452_63944254b4f0236295.png?xossp

2022-12-12 09:35:38

数据集数据编码器

labelme 安装使用及常见问题解决

@toc(目录)写在前面，本文为作者本人在学习使用labelme过程中遇到的各种问题，记录于此，希望对其他同学有所帮助。1.labelme安装labelme是麻省理工（MIT）的计算机科学和人工智能实验室（CSAIL）研发的图像标注工具，人们可以使用该工具创建定制化标注任务或执行图像标注。1.1Anaconda安装Anaconda可以理解为是用来管理python各种库的，不同的程序需要库的版本和类

2022-12-08 13:13:03

json python 虚拟环境

进来学VAE，VAE都不懂还想懂扩散模型？ | Variational Auto-Encoder

AE自编码器，无监督的特征学习，其目的是利用无标签数据找到一个有效低维的特征提取器。!(https://s2.51cto.com/images/blog/202212/07092657_638febe1b1c9049170.png?xossprocess=image/watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_

2022-12-08 09:38:48

编码器正态分布高斯混合模型

深度学习炼丹-不平衡样本的处理

数据层面的处理方法总的来说分为数据扩充和数据采样法，数据扩充会直接改变数据样本的数量和丰富度，采样法的本质是使得输入到模型的训练集样本趋向于平衡，即各类样本的数目趋向于一致。

2022-12-07 22:09:09

深度学习 pytorch 样本不平衡

快来给你的宠物视频加个表情特效吧

我们将给猫贴一张卡通脸，给 Elon Musk 贴上小胡子，给小狗贴上驯鹿角！

2022-12-07 10:28:31

ide GAN 监督学习

【翻译】图解自注意力机制

这是我翻译这位大佬的第二篇文章了。这篇文章是受到大佬认证的了。他的原文中有翻译链接，直接指向我。!image.png(https://s2.51cto.com/images/blog/202212/02144329_63899e914b11017979.png?xossprocess=image/watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFF

2022-12-07 09:21:59

自注意力注意力机制 self-attent

突然火起来的diffusion model是什么？

模型起源2015年的时候，有几位大佬基于非平衡热力学提出了一个纯数学的生成模型(SohlDicksteinetal.,2015(https://arxiv.org/abs/1503.03585))。不过那个时候他们没有用代码实现，所以这篇工作并没有火起来。直到后来斯坦福大学(Songetal.,2019(https://arxiv.org/abs/1907.05600))和谷歌大脑(Hoetal.

2022-12-05 21:32:04

神经网络方差概率分布

是什么让人工智能突然开始画画了？

封面图就是用扩散模型画的。这是最近两个大火的模型，直接冲到抱抱脸的首页。最先火起来的是图二。因为DALLE2出来了，由于DALLE2只对部分大佬开放，因此它的替代品DALLEmini就火了起来。之后没几天stablediffusion出来了！最最重要的一点是stablediffusion已经向公众开放了（当然是付费的）。今天就来说一下这几个模型背后的东西。!1661335781636.png(ht

2022-12-05 21:31:25

生成模型图像合成

MegPeak—让你更懂你的处理器

为了更懂我们的处理器，MegEngine 团队开发了一个工具 MegPeak，可以帮助开发人员进行性能评估，开发指导等，目前已经开源到 GitHub。

2022-12-05 15:42:55

开源 MegEngine MegPeak

SVD解决词分布式表示稀疏性

这篇文章是接着一文拿捏点互信息（PMI）解决词分布式表示稀疏性问题(https://blog.51cto.com/Lolitann/5908497)写的。解决分布式表示稀疏性问题另一个方法是使用奇异值分解（SingularValueDecomposition，SVD）。我把例子搬过来了。还是原来的三个句子及其共现矩阵M。我喜欢自然语言处理。我爱深度学习。我喜欢机器学习。\begin{array}{

2022-12-03 19:02:51

奇异值分解 ci 矩阵分解

Time-Series Representation Learning via Temporal and Contextual Contrasting

【论文导读】Time-Series Representation Learning via Temporal and Contextual Contrasting（时间和上下文对比的时间序列表示学习）

2022-12-03 17:21:29

时间序列深度学习表示学习

一文拿捏点互信息（PMI）解决词分布式表示稀疏性问题

前馈知识之前在浅谈wordembedding(https://juejin.cn/post/7063875212881690638heading12)里浅浅的说了一下onehot是怎么向词向量表示发展的，大家可以回顾一下。接下来我补充一下，接说二者之间还有一个阶段，词的分布式表示。词的分布式表示理论分布式表示的发展英国语言学家JohnRupertFirth在1957年的《Asynopsisofli

2022-12-03 10:39:07

草履虫都能上手用的人工智能模型

前排提示：阅读本文不需要任何人工智能以及算法相关的知识。你会任何一种编程语言就行，会python当然那更好。仅作为NLP科普，娱乐，实际算法工作并非这么简单。X：“宝，你搞的是什么算法？”A：“NLP，又叫自然语言处理。”X：“太抽象了啊”A：“比如聊天机器人？”X：“emmmmm”A：“算了，你自己试一下吧，上车，坐稳了。”接下来会分为两部分：没有Python环境的我会提供一个colab，但是c

2022-12-01 22:19:10

python 情感分析

MindStudio模型训练场景精度比对全流程和结果分析

MindStudio是一套基于华为昇腾AI处理器开发的AI全栈开发平台

2022-11-09 14:15:05

tensorflow 昇腾 MindStudio

Workflow，要不要了解一下

Workflow本质是开发者基于实际业务场景开发用于部署模型或应用的流水线工具。

2022-10-31 16:53:36

服务部署 Workflow 流水线

【计算机视觉（CV）】基于k-means实现鸢尾花聚类

【计算机视觉（CV）】基于k-means实现鸢尾花聚类，基于百度飞桨开发，参考于《机器学习实践》所作。

2022-10-29 20:13:08

paddle 计算机视觉 k-means

【计算机视觉（CV）】基于高层API实现宝石分类

【计算机视觉（CV）】基于高层API实现宝石分类，基于百度飞桨开发，参考于《机器学习实践》所作。

2022-10-27 11:15:21

paddle 计算机视觉高层API

【计算机视觉（CV）】基于全连接网络实现宝石分类

【计算机视觉（CV）】基于全连接神经网络实现宝石分类，基于百度飞桨开发，参考于《机器学习实践》所作。

2022-10-26 09:58:13

paddle 计算机视觉全连接神经网络

Opencv 图像处理：图像基础操作与灰度转化

本文已收录于Opencv系列专栏：深入浅出OpenCV ，专栏旨在详解Python版本的Opencv，为计算机视觉的开发与研究打下坚实基础。免费订阅，持续更新。图像属性1.图像格式图像压缩比: 通过编码器压缩后的图象数字大小和原图象数字大小的压缩比。BMP 格式 Windows系统下的标准位图格式，未经过压缩，一般图像文件会比较大。在很多软件中被广泛应用。JPEG 格式也是应用最广泛的

2022-10-25 09:22:05

参数说明灰度灰度图

Opencv 图像处理：数字图像的必会知识

本文已收录于Opencv系列专栏：深入浅出OpenCV ，专栏旨在详解Python版本的Opencv，为计算机视觉的开发与研究打下坚实基础。免费订阅，持续更新。数字图像1.数字图像概念数字图像：数字图像，又称数码图像，一幅二维图像可以由一个数组或矩阵表示。数字图像可以理解为一个二维函数f(x,y), 其中 x 和 y 是空间平面坐标，而在任意坐标处的值 f 称为图像在该点处的强度或灰度。

2022-10-24 18:49:30

数字图像 python 计算机视觉

如何进行超参数调整？

大家好，我是小寒。我们都知道在训练机器学习模型时，都需要人工指定一组超参数。例如，逻辑回归模型具有不同的求解器，用于查找可以为我们提供最佳输出的系数。每个求解器都使用不同的算法来找到最佳结果，并且这些算法都没有一个比另一个更好。除非你尝试所有这些求解器，否则很难判断哪个求解器在你的数据集上表现最好。最好的超参数是主观的，并且对于每个数据集都不同。Python 中的 Scikit-l

2022-10-24 17:49:45

python 机器学习人工智能

LMS Virtual.Lab二次开发：声学仿真理论基础准备（Python）

采用LMS Virtual.Lab Acoustics声学软件，可以直接打开CATIA V5的设计模型、或者间接导入其它CAD软件的三维模型，实现从声学模型创建、复杂边界条件加载、快速求解计算，直到计算结果评估、响应峰值定位、问题根源探究、以及快速修改预测的流程化声学仿真过程，为用户提供最完备的声学分析解决方案。

2022-10-10 06:12:14

频域时域 matlab

DeepRec 大规模稀疏模型训练推理引擎

本文将以DeepRec背景、DeepRec功能和DeepRec社区这三个方面展开叙述

2022-10-08 16:58:11

深度学习稀疏模型

【深度学习前沿应用】图像分类Fine-Tuning

【深度学习前沿应用】图像分类Fine-Tuning

2022-10-07 23:24:43

paddle 人工智能深度学习

Python opencv 图像特效处理

最近处理视觉相关的项目，分享一下通过opencv的图像特效处理，原图镇楼1、灰度处理将cv2.imread()方法的第二参数设为0即可得到灰色图像。import cv2img0 = cv2.imread('1.jpg', 0)img1 = cv2.imread('1.jpg', 1)print(img0.shape)print(img1.shape)cv2.imshow('img0', img0)

2022-10-06 08:12:42

彩色图像灰度图像融合

【CV知识点汇总与解析】|损失函数篇

【CV知识点汇总与解析】|损失函数篇【写在前面】本系列文章适合Python已经入门、有一定的编程基础的学生或人士，以及人工智能、算法、机器学习求职的学生或人士。系列文章包含了深度学习、机器学习、计算机视觉、特征工程等。相信能够帮助初学者快速入门深度学习，帮助求职者全面了解算法知识点。1、机器学习中常见的损失函数及其应用场景？用于分类问题：0-1损失函数：0-1损失函数可以直观的刻画分类的错误率，

2022-10-05 16:47:39

损失函数权重相似度

深度学习装机指南：从GPU到显示器，全套硬件推荐

前言：硬件设备，是任何一名深度学习er不可或缺的核心装备。各位初级调参魔法师们，你们有没有感到缺少那一根命中注定的魔杖？可是，各种CPU、GPU、内存条、外设，那么多品牌种类型号参数，到底该怎么选？文章内容较长、耐心差的小伙伴直接拉到最后看结论即可1、GPU显卡（GPU）是深度学习的重要部件，甚至比CPU更重要。做深度学习不用GPU只用CPU显然是不明智的，慢的如乌龟，跑个模型等几天，难熬，但适合

2022-10-05 08:43:12

深度学习数据插槽

还能这么玩？将Prompt Tuning用于细粒度的图像检索！

还能这么玩？将Prompt Tuning用于细粒度的图像检索！【写在前面】细粒度对象检索旨在学习判别表示以检索视觉上相似的对象。然而，现有的最佳性能作品通常在语义嵌入空间上施加成对的相似性，以在有限的数据体系中不断调整整个模型，从而导致容易收敛到次优解。本文提出了细粒度检索提示调优算法(FRPT)，该算法从样本提示和特征自适应的角度出发，利用冻结的预训练模型来执行细粒度检索任务。具体地说，FRPT

2022-09-29 08:45:47

细粒度子类权重

MM2022 | 用StyleGAN进行数据增强，真的太好用了

MM2022 | 用StyleGAN进行数据增强，真的太好用了【写在前面】本文研究了生成文本-图像对的开放性研究问题，以改进细粒度图像到文本跨模态检索任务的训练，并提出了一种通过揭示StyleGAN2模型隐藏的语义信息来增强配对数据的新框架。具体来说，作者首先在给定的数据集上训练StyleGAN2模型。然后，将真实图像投影回StyleGAN2的潜在空间，以获得潜在代码。为了使生成的图像具有可操作性

2022-09-27 08:56:12

数据模态数据集

【深度学习前沿应用】图像分类Fine-Tuning

【自然语言处理（NLP）】图像分类Fine-Tuning，基于百度飞桨开发，参考于《机器学习实践》所作。

2022-09-06 17:59:46

paddle 深度学习人工智能

Qt实战：云曦日历篇

一款相对完善的日历软件——云曦日历（YXCalendar）

2022-08-22 20:31:22

人工智能 Qt 日历

【深度学习前沿应用】文本分类Fine-Tunning

【自然语言处理（NLP）】基于GRU实现情感分类，基于百度飞桨开发，参考于《机器学习实践》所作。

2022-08-18 16:01:03

paddle 人工智能自然语言处理

如何使用 Keras Function API 进行深度学习

听说过吗？Keras中的模型还能拆成块再拼起来，搞得跟乐高一样，难怪韩国人写书时用乐高积木举例子。

2022-08-18 10:30:47

2d 特征提取感知器

【Computer Vision】基于ResNet-50实现CIFAR10数据集分类

【Computer Vision】基于ResNet-50实现CIFAR10数据集分类，基于百度飞桨开发，参考于《机器学习实践》所作。

2022-08-16 16:42:26

paddle python 人工智能

【深度学习前沿应用】图像风格迁移

【深度学习前沿应用】图像风格迁移，基于百度飞桨开发，参考于《机器学习实践》所作。

2022-08-12 16:20:19

paddle python 深度学习

【CV】图像数据预处理详解

【CV】图像数据预处理，基于百度飞桨开发，参考于《机器学习实践》所作。

2022-08-11 10:50:57

python 人工智能图像处理

【人工智能】机器学习介绍以及机器学习流程

机器学习机器学习（Machine Learning，ML）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。普遍认为，机器学习的处理系统和算法是主要通过找出数据里隐藏的模式进而做出预测的识别模式，它是人工智能的一个重要子领域。机器学习分类按照训练样

2022-08-09 08:26:02

数据机器学习数据集

【人工智能】机器学习之运用特征脸（eigenface）和sklearn.svm.SVC进行人脸识别

运用特征脸（eigenface）和sklearn.svm.SVC进行人脸识别。首先需要下载一个经过预处理的数据集，从数据集中找出最有代表性的前5人的预期结果第一步，import导入实验所用到的包import matplotlib.pyplot as pltfrom sklearn.model_selection import train_test_splitfrom sklearn.model_s

2022-07-21 08:45:43

5e 数据特征提取

【人工智能】机器学习及与智能数据处理Python使用朴素贝叶斯算法对垃圾短信数据集进行分类

朴素贝叶斯算法输入：样本集合D=｛(x_1,y_1),(x_2,y_2)~(x_m,y_m);待预测样本x; 样本标记的所有可能取值｛c_1,c_2,c_3~c_k｝; 样本输入变量X的每个属性变量X^i的所有可能取值｛a_i1,a_i2,~,a_iAi｝；输出：待预测样本x所属的类别1.计算标记为c_k的样本出现概率。2.计算标记c_k的样本，其X^i分量的属性值为a_ip的概率。3.根据上面

2022-07-20 09:04:27

数据集朴素贝叶斯特征提取

上一页 1 2 3 4 下一页

51CTO技术栈公众号

业务
速览

媒体

51CTO CIOAge HC3i

社区

51CTO博客鸿蒙开发者社区 AI.x社区

教育

51CTO学堂精培企业培训 CTO训练营