- 目标检测算法套件使用指导本Notebook通过引导用户导入数据集、选择模型、训练并可视化推理,快速完成COCO数据集目标检测任务。 Step0 安装依赖包!pip install ipywidgets==7.7.1!pip install pillow==9.0.1!pip install pandas==1.3.4 Step1 加载算法、样例数据集与预训练模型完成模型的微调和探索经典的目... 目标检测算法套件使用指导本Notebook通过引导用户导入数据集、选择模型、训练并可视化推理,快速完成COCO数据集目标检测任务。 Step0 安装依赖包!pip install ipywidgets==7.7.1!pip install pillow==9.0.1!pip install pandas==1.3.4 Step1 加载算法、样例数据集与预训练模型完成模型的微调和探索经典的目...
- 4. 模型训练 4.1 导入相关的模块import osimport pandas as pdimport numpy as npimport timeimport torchfrom torch.autograd import Variableimport loggingimport copyimport argparsedevice = torch.device("cuda" if t... 4. 模型训练 4.1 导入相关的模块import osimport pandas as pdimport numpy as npimport timeimport torchfrom torch.autograd import Variableimport loggingimport copyimport argparsedevice = torch.device("cuda" if t...
- 基于LSTM的CDN网络流量预测 实验目标掌握时序预测中基础的数据分析及训练模型的基本流程;掌握时序预测中基于多线路的单元多步时序预测的基本方法;掌握使用Pytorch进行LSTM模型的构建、训练、保存、加载、预测、统计准确率指标的方法; 案例内容介绍随着互联网、云业务的迅速发展,企业运转与云服务运维产生的数据与日俱增,在实际生产中,业务的运转往往遵循着相应的规律,时序数据所能带来的价值也... 基于LSTM的CDN网络流量预测 实验目标掌握时序预测中基础的数据分析及训练模型的基本流程;掌握时序预测中基于多线路的单元多步时序预测的基本方法;掌握使用Pytorch进行LSTM模型的构建、训练、保存、加载、预测、统计准确率指标的方法; 案例内容介绍随着互联网、云业务的迅速发展,企业运转与云服务运维产生的数据与日俱增,在实际生产中,业务的运转往往遵循着相应的规律,时序数据所能带来的价值也...
- 基于随机森林算法进行硬盘故障预测 实验目标掌握使用机器学习方法训练模型的基本流程;掌握使用pandas做数据分析的基本方法;掌握使用scikit-learn进行随机森林模型的构建、训练、保存、加载、预测、统计准确率指标和查看混淆矩阵的方法; 案例内容介绍随着互联网、云计算的发展,数据的存储需求与日倍增,大规模海量数据存储中心是必不可少的基础性设施。虽然新的存储介质例如SSD,已经很多方面拥... 基于随机森林算法进行硬盘故障预测 实验目标掌握使用机器学习方法训练模型的基本流程;掌握使用pandas做数据分析的基本方法;掌握使用scikit-learn进行随机森林模型的构建、训练、保存、加载、预测、统计准确率指标和查看混淆矩阵的方法; 案例内容介绍随着互联网、云计算的发展,数据的存储需求与日倍增,大规模海量数据存储中心是必不可少的基础性设施。虽然新的存储介质例如SSD,已经很多方面拥...
- 使用生成对抗网络实现图像转换此案例使用GPU算力,请参照注意事项完成规格切换 注意事项:本案例使用AI引擎**:** TensorFlow-1.13.1本案例最低硬件规格要求**:** 类型选择GPU,目标规格选择8U + 64GiB + 1GPU切换硬件规格方法**:** 如需切换硬件规格,您可以在本页面右边的工作区进行切换运行代码方法**:** 点击本页面顶部菜单栏的三角形运行按... 使用生成对抗网络实现图像转换此案例使用GPU算力,请参照注意事项完成规格切换 注意事项:本案例使用AI引擎**:** TensorFlow-1.13.1本案例最低硬件规格要求**:** 类型选择GPU,目标规格选择8U + 64GiB + 1GPU切换硬件规格方法**:** 如需切换硬件规格,您可以在本页面右边的工作区进行切换运行代码方法**:** 点击本页面顶部菜单栏的三角形运行按...
- 8.创建模型,开始训练耗时约15分钟model_fn = model_fn_builder( bert_config=bert_config, num_labels=len(label_list) + 1, init_checkpoint=init_checkpoint, learning_rate=learning_rate, ... 8.创建模型,开始训练耗时约15分钟model_fn = model_fn_builder( bert_config=bert_config, num_labels=len(label_list) + 1, init_checkpoint=init_checkpoint, learning_rate=learning_rate, ...
- 自然语言处理实战——命名实体识别BERT模型(Bidirectional Encoder Representations from Transformers)是2018年10月谷歌推出的,它在机器阅读理解顶级水平测试SQuAD1.1中表现出惊人的成绩:全部两个衡量指标上全面超越人类,并且还在11种不同NLP测试中创出最佳成绩,包括将GLUE基准推至80.4%(绝对改进率7.6%),Mult... 自然语言处理实战——命名实体识别BERT模型(Bidirectional Encoder Representations from Transformers)是2018年10月谷歌推出的,它在机器阅读理解顶级水平测试SQuAD1.1中表现出惊人的成绩:全部两个衡量指标上全面超越人类,并且还在11种不同NLP测试中创出最佳成绩,包括将GLUE基准推至80.4%(绝对改进率7.6%),Mult...
- 自然语言处理介绍 注意事项本案例推荐使用AI引擎:TensorFlow-1.13.1本案例最低硬件规格要求:2 vCPU + 4 GiB切换硬件规格方法:如需切换硬件规格,您可以在本页面右边的工作区进行切换运行代码方法:点击本页面顶部菜单栏的三角形运行按钮或按Ctrl+Enter键 运行每个方块中的代码JupyterLab的详细用法:请参考《ModelAtrs JupyterLab使用指导... 自然语言处理介绍 注意事项本案例推荐使用AI引擎:TensorFlow-1.13.1本案例最低硬件规格要求:2 vCPU + 4 GiB切换硬件规格方法:如需切换硬件规格,您可以在本页面右边的工作区进行切换运行代码方法:点击本页面顶部菜单栏的三角形运行按钮或按Ctrl+Enter键 运行每个方块中的代码JupyterLab的详细用法:请参考《ModelAtrs JupyterLab使用指导...
- 10.语言模型训练准备训练参数及数据def language_model_hparams(): params = HParams( num_heads = 8, num_blocks = 6, input_vocab_size = 50, label_vocab_size = 50, max_length = 10... 10.语言模型训练准备训练参数及数据def language_model_hparams(): params = HParams( num_heads = 8, num_blocks = 6, input_vocab_size = 50, label_vocab_size = 50, max_length = 10...
- 7.声学模型训练准备训练参数及数据为了本示例演示效果,参数batch_size在此仅设置为1,参数data_length在此仅设置为20。若进行完整训练,则应注释data_args.data_length = 20,并调高batch_size。def data_hparams(): params = HParams( data_path = './speech_reco... 7.声学模型训练准备训练参数及数据为了本示例演示效果,参数batch_size在此仅设置为1,参数data_length在此仅设置为20。若进行完整训练,则应注释data_args.data_length = 20,并调高batch_size。def data_hparams(): params = HParams( data_path = './speech_reco...
- DFCNN + Transformer模型完成中文语音识别语音识别,通常称为自动语音识别,(Automatic Speech Recognition,ASR),主要是将人类语音中的词汇内容转换为计算机可读的输入,一般都是可以理解的文本内容,也有可能是二进制编码或者字符序列。但是,我们一般理解的语音识别其实都是狭义的语音转文字的过程,简称语音转文本识别( Speech To Text, ST... DFCNN + Transformer模型完成中文语音识别语音识别,通常称为自动语音识别,(Automatic Speech Recognition,ASR),主要是将人类语音中的词汇内容转换为计算机可读的输入,一般都是可以理解的文本内容,也有可能是二进制编码或者字符序列。但是,我们一般理解的语音识别其实都是狭义的语音转文字的过程,简称语音转文本识别( Speech To Text, ST...
- 基于 ModelArts 使用StyleGAN3 生成高清图Nvidia新作:StyleGAN3, 从根本上解决了StyleGAN2 图像坐标与特征粘连的问题,实现了真正的图像平移、旋转等不变性,大幅提高了图像合成质量本案例主要介绍了生成图像的推理过程,你可以输入一个噪声,得到对应的人脸,猫脸,肖像脸图像github地址:https://github.com/NVlabs/stylegan... 基于 ModelArts 使用StyleGAN3 生成高清图Nvidia新作:StyleGAN3, 从根本上解决了StyleGAN2 图像坐标与特征粘连的问题,实现了真正的图像平移、旋转等不变性,大幅提高了图像合成质量本案例主要介绍了生成图像的推理过程,你可以输入一个噪声,得到对应的人脸,猫脸,肖像脸图像github地址:https://github.com/NVlabs/stylegan...
- 1. 从AI Gallery订阅模型① 登录华为云账号后,将跳转至控制台页面,点击左上角服务列表按钮,下拉找到【人工智能】,再找到【ModelArts】,如下图所示,点击进入② 在ModelArts控制台页面,点击【AI Gallery】跳转到AI Gallery页面,如下两张图所示:③ 在左上角点击【资产集市】,弹出搜索框点击【模型】,在弹出窗口的搜索栏中输入【商品商超模型】,如下图所示... 1. 从AI Gallery订阅模型① 登录华为云账号后,将跳转至控制台页面,点击左上角服务列表按钮,下拉找到【人工智能】,再找到【ModelArts】,如下图所示,点击进入② 在ModelArts控制台页面,点击【AI Gallery】跳转到AI Gallery页面,如下两张图所示:③ 在左上角点击【资产集市】,弹出搜索框点击【模型】,在弹出窗口的搜索栏中输入【商品商超模型】,如下图所示...
- 语音和语音识别介绍 注意事项本案例推荐使用AI引擎:TensorFlow-1.8本案例最低硬件规格要求:2 vCPU + 4 GiB切换硬件规格方法:如需切换硬件规格,您可以在本页面右边的工作区进行切换运行代码方法:点击本页面顶部菜单栏的三角形运行按钮或按Ctrl+Enter键 运行每个方块中的代码JupyterLab的详细用法:请参考《ModelAtrs JupyterLab使用指导》K... 语音和语音识别介绍 注意事项本案例推荐使用AI引擎:TensorFlow-1.8本案例最低硬件规格要求:2 vCPU + 4 GiB切换硬件规格方法:如需切换硬件规格,您可以在本页面右边的工作区进行切换运行代码方法:点击本页面顶部菜单栏的三角形运行按钮或按Ctrl+Enter键 运行每个方块中的代码JupyterLab的详细用法:请参考《ModelAtrs JupyterLab使用指导》K...
- 视频物体分割本案例分为以下几个章节:视频物体分割简介OSVOS算法训练和预测视频物体分割的应用 1. 视频物体分割简介视频物体分割就是从视频所有图像中将感兴趣物体的区域完整地分割出来。注意“感兴趣物体”这个词,“感兴趣物体”是指在一段视频中最容易捕获人眼注意力的一个或多个物体,比如下图中左上角子图中三个正在跳舞的人,这三个人物是“感兴趣物体”,而周围的人群不属于我们常识上的感兴趣物体,下图... 视频物体分割本案例分为以下几个章节:视频物体分割简介OSVOS算法训练和预测视频物体分割的应用 1. 视频物体分割简介视频物体分割就是从视频所有图像中将感兴趣物体的区域完整地分割出来。注意“感兴趣物体”这个词,“感兴趣物体”是指在一段视频中最容易捕获人眼注意力的一个或多个物体,比如下图中左上角子图中三个正在跳舞的人,这三个人物是“感兴趣物体”,而周围的人群不属于我们常识上的感兴趣物体,下图...
上滑加载中
推荐直播
-
鲲鹏开发者创享日·江苏站暨数字技术创新应用峰会
2024/04/25 周四 09:30-16:00
鲲鹏专家团
这是华为推出的旨在和众多技术大牛、行业大咖一同探讨最前沿的技术思考,分享最纯粹的技术经验,进行最真实的动手体验,为开发者提供一个深度探讨与交流的平台。
回顾中 -
产教融合专家大讲堂·第①期《高校人才培养创新模式经验分享》
2024/04/25 周四 16:00-18:00
于晓东 上海杉达学院信息科学与技术学院副院长;崔宝才 天津电子信息职业技术学院电子与通信技术系主任
本期直播将与您一起探讨高校人才培养创新模式经验。
回顾中
热门标签