- 在昇腾AI处理器上训练PyTorch框架模型时，可能由于算子在CPU上的下发速度、动态shape等问题，导致性能降低，那么本期就分享几个关于PyTorch模型调优的典型案例，给出调优思路及具体的调优方法。 在昇腾AI处理器上训练PyTorch框架模型时，可能由于算子在CPU上的下发速度、动态shape等问题，导致性能降低，那么本期就分享几个关于PyTorch模型调优的典型案例，给出调优思路及具体的调优方法。
- 5月27日，2023数博会“数字生态合作会—软件再出发暨华为生态会”在贵阳举行，会上发布了贵阳贵安2023年度20个优秀数字应用场景，及9个数字应用场景需求；华为云全新推出CodeArts Board看板服务，结合自身在研发效能度量领域沉淀的优秀方法论和最佳实践；经过中国信通院的检验，华为云应用运维管理平台满足云上软件系统稳定-可观测性平台技术要求，达到了可观测性平台技术检验的先进级水平... 5月27日，2023数博会“数字生态合作会—软件再出发暨华为生态会”在贵阳举行，会上发布了贵阳贵安2023年度20个优秀数字应用场景，及9个数字应用场景需求；华为云全新推出CodeArts Board看板服务，结合自身在研发效能度量领域沉淀的优秀方法论和最佳实践；经过中国信通院的检验，华为云应用运维管理平台满足云上软件系统稳定-可观测性平台技术要求，达到了可观测性平台技术检验的先进级水平...
- 在昇腾平台上运行PyTorch业务时，需要搭建异构计算架构CANN软件开发环境，并安装PyTorch 框架，从而实现训练脚本的迁移、开发和调试。 在昇腾平台上运行PyTorch业务时，需要搭建异构计算架构CANN软件开发环境，并安装PyTorch 框架，从而实现训练脚本的迁移、开发和调试。
- 本文介绍将PyTorch网络模型迁移到昇腾AI平台，并执行训练的全流程。 本文介绍将PyTorch网络模型迁移到昇腾AI平台，并执行训练的全流程。
- TSD（目标检测/Pytorch）论文名为《Revisiting the Sibling Head in Object Detector》，其提出基于任务间空间自适应解耦（task-aware spatial disentanglement，TSD）的检测算法能够有效的减弱通用物体检测中分类任务和回归任务之间的潜在冲突，可以灵活插入大多检测器中，在COCO和OpenImage上给任意bac... TSD（目标检测/Pytorch）论文名为《Revisiting the Sibling Head in Object Detector》，其提出基于任务间空间自适应解耦（task-aware spatial disentanglement，TSD）的检测算法能够有效的减弱通用物体检测中分类任务和回归任务之间的潜在冲突，可以灵活插入大多检测器中，在COCO和OpenImage上给任意bac...
- 人脸到动漫脸的转换与控制一种稳定、可控、多样化的图像到图像转换（也适用于视频！）使用方法：点击上方菜单，选择 Run（运行） - Run All Cells（运行所有） 第一步 准备代码环境import os! wget https://obs-aigallery-zc.obs.cn-north-4.myhuaweicloud.com/clf/code/GANsNRoses.zipos.s... 人脸到动漫脸的转换与控制一种稳定、可控、多样化的图像到图像转换（也适用于视频！）使用方法：点击上方菜单，选择 Run（运行） - Run All Cells（运行所有） 第一步 准备代码环境import os! wget https://obs-aigallery-zc.obs.cn-north-4.myhuaweicloud.com/clf/code/GANsNRoses.zipos.s...
- CenterNet-Hourglass (物体检测/Pytorch)目标检测常采用Anchor的方法来获取物体可能存在的位置，再对该位置进行分类，这样的做法耗时、低效，同时需要后处理（比如NMS）。CenterNet将目标看成一个点，即目标bounding box的中心点，整个问题转变成了关键点估计问题，其他目标属性，比如尺寸、3D位置、方向和姿态等都以估计的中心点为基准进行参数回归。本案... CenterNet-Hourglass (物体检测/Pytorch)目标检测常采用Anchor的方法来获取物体可能存在的位置，再对该位置进行分类，这样的做法耗时、低效，同时需要后处理（比如NMS）。CenterNet将目标看成一个点，即目标bounding box的中心点，整个问题转变成了关键点估计问题，其他目标属性，比如尺寸、3D位置、方向和姿态等都以估计的中心点为基准进行参数回归。本案...
- 语义分割，也称为全像素语义分割（full-pixel semantic segmentation），是一种典型的计算机视觉问题，其中图像中的每个像素根据其所属的感兴趣对象被分配类别ID。 早期的计算机视觉问题只发现边缘（线条和曲线）或渐变等元素，但它们从未完全按照人类感知的方式提供像素级别的图像理解。语义分割将属于同一目标的图像部分聚集在一起来解决这个问题，从而扩展了其应用领域。 语义分割，也称为全像素语义分割（full-pixel semantic segmentation），是一种典型的计算机视觉问题，其中图像中的每个像素根据其所属的感兴趣对象被分配类别ID。 早期的计算机视觉问题只发现边缘（线条和曲线）或渐变等元素，但它们从未完全按照人类感知的方式提供像素级别的图像理解。语义分割将属于同一目标的图像部分聚集在一起来解决这个问题，从而扩展了其应用领域。
- 计算机视觉领域最基本的三个任务是：分类、目标定位、目标检测。分类的目标是要识别出给出一张图像是什么类别标签（在训练集中的所有类别标签中，给出的这张图属于那类标签的可能性最大）；定位的目标不仅要识别出来是什么物体（类标签），还要给出物体的位置，位置一般用bounding box（边框）标记；目标检测是多个物体的定位，即要在一张图中定位出多个目标物体，目标检测任务包含分类和目标定位。DynamicRC 计算机视觉领域最基本的三个任务是：分类、目标定位、目标检测。分类的目标是要识别出给出一张图像是什么类别标签（在训练集中的所有类别标签中，给出的这张图属于那类标签的可能性最大）；定位的目标不仅要识别出来是什么物体（类标签），还要给出物体的位置，位置一般用bounding box（边框）标记；目标检测是多个物体的定位，即要在一张图中定位出多个目标物体，目标检测任务包含分类和目标定位。DynamicRC
- 将现实世界场景的照片转换为动漫风格图像的方法，这是计算机视觉和艺术风格转换中一项有意义且具有挑战性的任务，而本文中我们介绍的 AnimeGAN 就是 GitHub 上一款爆火的二次元漫画风格迁移工具，可以实现快速的动画风格迁移。该工具是基于神经风格迁移和生成对抗网络 (GAN) 技术打造的，相比于传统的神经网络模型，GAN 是一种全新的非监督式的架构。 将现实世界场景的照片转换为动漫风格图像的方法，这是计算机视觉和艺术风格转换中一项有意义且具有挑战性的任务，而本文中我们介绍的 AnimeGAN 就是 GitHub 上一款爆火的二次元漫画风格迁移工具，可以实现快速的动画风格迁移。该工具是基于神经风格迁移和生成对抗网络 (GAN) 技术打造的，相比于传统的神经网络模型，GAN 是一种全新的非监督式的架构。
- 论文连接：https://arxiv.org/pdf/1911.08947.pdfgithub链接：github.com 网络结构首先，图像输入特征提取主干，提取特征；其次，特征金字塔上采样到相同的尺寸，并进行特征级联得到特征F；然后，特征F用于预测概率图（probability map P）和阈值图(threshold map T)最后，通过P和F计算近似二值图（approximate b... 论文连接：https://arxiv.org/pdf/1911.08947.pdfgithub链接：github.com 网络结构首先，图像输入特征提取主干，提取特征；其次，特征金字塔上采样到相同的尺寸，并进行特征级联得到特征F；然后，特征F用于预测概率图（probability map P）和阈值图(threshold map T)最后，通过P和F计算近似二值图（approximate b...
- 在强化学习（Reinforcement Learning, RL）中，智能体通过与环境的交互来学习一个策略，以最大化长期累积回报。然而，传统的强化学习算法在优化回报时往往不考虑智能体行为的安全性，导致在训练或部署过程中可能出现不安全的行为。**安全强化学习（Safe Reinforcement Learning，Safe RL）**正是在此背景下提出的，它旨在在优化回报的同时确保智能体的行为符合某 在强化学习（Reinforcement Learning, RL）中，智能体通过与环境的交互来学习一个策略，以最大化长期累积回报。然而，传统的强化学习算法在优化回报时往往不考虑智能体行为的安全性，导致在训练或部署过程中可能出现不安全的行为。**安全强化学习（Safe Reinforcement Learning，Safe RL）**正是在此背景下提出的，它旨在在优化回报的同时确保智能体的行为符合某
- 离线强化学习（Offline Reinforcement Learning，也被称为批量强化学习 Batch Reinforcement Learning）是一种强化学习（RL）范式，近年来快速发展的强化学习技术。传统的强化学习方法依赖于与环境的持续交互，通过试错学习来不断改进策略。然而，在许多实际应用中，在线交互的成本可能极高，甚至伴随风险。例如，在医疗、自动驾驶或金融领域，直接在线操作可能导致 离线强化学习（Offline Reinforcement Learning，也被称为批量强化学习 Batch Reinforcement Learning）是一种强化学习（RL）范式，近年来快速发展的强化学习技术。传统的强化学习方法依赖于与环境的持续交互，通过试错学习来不断改进策略。然而，在许多实际应用中，在线交互的成本可能极高，甚至伴随风险。例如，在医疗、自动驾驶或金融领域，直接在线操作可能导致
- 元强化学习（Meta Reinforcement Learning）与基于迁移学习的强化学习之间的区别 元强化学习（Meta Reinforcement Learning, MRL）和基于迁移学习的强化学习（Reinforcement Learning with Transfer Learning, RL-TL）在本质上都是为了提高模型在新任务中的学习效率，但它们的具体实现方式和应用场景有着明显的 元强化学习（Meta Reinforcement Learning）与基于迁移学习的强化学习之间的区别 元强化学习（Meta Reinforcement Learning, MRL）和基于迁移学习的强化学习（Reinforcement Learning with Transfer Learning, RL-TL）在本质上都是为了提高模型在新任务中的学习效率，但它们的具体实现方式和应用场景有着明显的
- 元强化学习是一种提升智能体适应新任务能力的技术，它让智能体不仅能学习完成当前的任务，还能在面对新的任务或环境时更快地学会新的策略。与传统的强化学习不同，元强化学习关注如何学习得更快、更高效，即学习如何学习。它让智能体在多种任务之间迁移经验，以应对任务变化或环境变化。 核心思想 元强化学习的核心思想是通过一个“元层”对多个任务进行学习和优化。该元层不是直接学习如何执行任务，而是学习如何在给定的任务 元强化学习是一种提升智能体适应新任务能力的技术，它让智能体不仅能学习完成当前的任务，还能在面对新的任务或环境时更快地学会新的策略。与传统的强化学习不同，元强化学习关注如何学习得更快、更高效，即学习如何学习。它让智能体在多种任务之间迁移经验，以应对任务变化或环境变化。 核心思想 元强化学习的核心思想是通过一个“元层”对多个任务进行学习和优化。该元层不是直接学习如何执行任务，而是学习如何在给定的任务
上滑加载中
推荐直播
-
算子工具性能优化新特性演示——MatMulLeakyRelu性能调优实操2025/01/10 周五 15:30-17:30
MindStudio布道师
算子工具性能优化新特性演示——MatMulLeakyRelu性能调优实操
回顾中 -
用代码全方位驱动 OBS 存储2025/01/14 周二 16:30-18:00
阿肯 华为云生态技术讲师
如何用代码驱动OBS？常用的数据管理，对象清理，多版本对象访问等应该如何编码？本期课程一一演示解答。
即将直播 -
GaussDB数据库开发2025/01/15 周三 16:00-17:30
Steven 华为云学堂技术讲师
本期直播将带你了解GaussDB数据库开发相关知识，并通过实验指导大家利用java基于JDBC的方式来完成GaussD数据库基础操作。
去报名
热门标签