- 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...
- 视频动作识别 实验目标通过本案例的学习：掌握C3D模型训练和模型推理、I3D模型推理的方法； 注意事项本案例推荐使用TensorFlow-1.13.1，需使用 GPU 运行，请查看《ModelArts JupyterLab 硬件规格使用指南》了解切换硬件规格的方法；如果您是第一次使用 JupyterLab，请查看《ModelArts JupyterLab使用指导》了解使用方法；如果您在使用... 视频动作识别 实验目标通过本案例的学习：掌握C3D模型训练和模型推理、I3D模型推理的方法； 注意事项本案例推荐使用TensorFlow-1.13.1，需使用 GPU 运行，请查看《ModelArts JupyterLab 硬件规格使用指南》了解切换硬件规格的方法；如果您是第一次使用 JupyterLab，请查看《ModelArts JupyterLab使用指导》了解使用方法；如果您在使用...
- 基于ModelArts进行流感患者密接排查目前新冠患者密接难以排查，尤其是在人流量大的区域，进行排查需要消耗大量人力且需要等待。针对疫情期间存在的排查实时性差、排查效率低、无法追踪密接者等问题，可以使用基于YOLOv4的行人检测、行人距离估计、多目标跟踪的方案进行解决。1）利用行人重识别技术实现新冠肺炎患者及密接者识别功能；2）结合Stereo-vision以及YOLO算法实现患者的真实密... 基于ModelArts进行流感患者密接排查目前新冠患者密接难以排查，尤其是在人流量大的区域，进行排查需要消耗大量人力且需要等待。针对疫情期间存在的排查实时性差、排查效率低、无法追踪密接者等问题，可以使用基于YOLOv4的行人检测、行人距离估计、多目标跟踪的方案进行解决。1）利用行人重识别技术实现新冠肺炎患者及密接者识别功能；2）结合Stereo-vision以及YOLO算法实现患者的真实密...
- 本期精彩看点：华为云CodeArts Req如何将需求管理化繁为简；华为云ModelBox与伙伴佳华科技合作推出的“华为云客流统计项目”成功探索了传统门店客流经营的数字化转型；在遭遇异常流量高峰时，数据库异常如何处理… 本期精彩看点：华为云CodeArts Req如何将需求管理化繁为简；华为云ModelBox与伙伴佳华科技合作推出的“华为云客流统计项目”成功探索了传统门店客流经营的数字化转型；在遭遇异常流量高峰时，数据库异常如何处理…
- 使用CenterFace实现人脸贴图 注意事项本案例使用AI引擎：MindSpore-1.3.0；本案例使用 GPU 环境运行，需要切换至对应的硬件环境。请查看《ModelArts JupyterLab 硬件规格使用指南》了解切换硬件规格的方法；如果您是第一次使用 JupyterLab，请查看《ModelArts JupyterLab使用指导》了解使用方法；如果您在使用 JupyterLa... 使用CenterFace实现人脸贴图 注意事项本案例使用AI引擎：MindSpore-1.3.0；本案例使用 GPU 环境运行，需要切换至对应的硬件环境。请查看《ModelArts JupyterLab 硬件规格使用指南》了解切换硬件规格的方法；如果您是第一次使用 JupyterLab，请查看《ModelArts JupyterLab使用指导》了解使用方法；如果您在使用 JupyterLa...
- 强大的视频抠图 (RVM)RVM 专为强大的人类视频抠图而设计。与将帧作为独立图像处理的现有神经模型不同，RVM 使用循环神经网络来处理具有时间记忆的视频。RVM 可以在任何视频上实时执行抠图，无需额外输入。它在 Nvidia GTX 1080 Ti GPU 上实现了4K 76FPS和HD 104FPS。论文：Robust High-Resolution Video Matting wit... 强大的视频抠图 (RVM)RVM 专为强大的人类视频抠图而设计。与将帧作为独立图像处理的现有神经模型不同，RVM 使用循环神经网络来处理具有时间记忆的视频。RVM 可以在任何视频上实时执行抠图，无需额外输入。它在 Nvidia GTX 1080 Ti GPU 上实现了4K 76FPS和HD 104FPS。论文：Robust High-Resolution Video Matting wit...
- 基于ModelArts自动学习零代码开发深圳地标识别模型一、实验内容本实验介绍如何使用华为云ModelArts的自动学习功能，实现简单的深圳地标识别应用。二、实验目标了解ModelArts的自动学习功能。学会零代码实现AI模型的开发。三、实验操作步骤1 实验准备1.1 华为云服务介绍（1）OBS服务OBS即对象存储服务（Object Storage Service），提供海量、安全、高可靠、... 基于ModelArts自动学习零代码开发深圳地标识别模型一、实验内容本实验介绍如何使用华为云ModelArts的自动学习功能，实现简单的深圳地标识别应用。二、实验目标了解ModelArts的自动学习功能。学会零代码实现AI模型的开发。三、实验操作步骤1 实验准备1.1 华为云服务介绍（1）OBS服务OBS即对象存储服务（Object Storage Service），提供海量、安全、高可靠、...
上滑加载中
推荐直播
-
OpenHarmony应用开发之网络数据请求与数据解析2025/01/16 周四 19:00-20:30
华为开发者布道师、南京师范大学泰州学院副教授，硕士研究生导师，开放原子教育银牌认证讲师
科技浪潮中，鸿蒙生态强势崛起，OpenHarmony开启智能终端无限可能。当下，其原生应用开发适配潜力巨大，终端设备已广泛融入生活各场景，从家居到办公、穿戴至车载。 现在，机会敲门！我们的直播聚焦OpenHarmony关键的网络数据请求与解析，抛开晦涩理论，用真实案例带你掌握数据访问接口，轻松应对复杂网络请求、精准解析Json与Xml数据。参与直播，为开发鸿蒙App夯实基础，抢占科技新高地，别错过！
回顾中 -
Ascend C高层API设计原理与实现系列2025/01/17 周五 15:30-17:00
Ascend C 技术专家
以LayerNorm算子开发为例，讲解开箱即用的Ascend C高层API
回顾中
热门标签