- 在本文中，我们深入探讨了循环神经网络（RNN）及其高级变体，包括长短时记忆网络（LSTM）、门控循环单元（GRU）和双向循环神经网络（Bi-RNN）。文章详细介绍了RNN的基本概念、工作原理和应用场景，同时提供了使用PyTorch构建、训练和评估RNN模型的完整代码指南。 在本文中，我们深入探讨了循环神经网络（RNN）及其高级变体，包括长短时记忆网络（LSTM）、门控循环单元（GRU）和双向循环神经网络（Bi-RNN）。文章详细介绍了RNN的基本概念、工作原理和应用场景，同时提供了使用PyTorch构建、训练和评估RNN模型的完整代码指南。
- 本文为生成对抗网络GAN的研究者和实践者提供全面、深入和实用的指导。通过本文的理论解释和实际操作指南，读者能够掌握GAN的核心概念，理解其工作原理，学会设计和训练自己的GAN模型，并能够对结果进行有效的分析和评估。 本文为生成对抗网络GAN的研究者和实践者提供全面、深入和实用的指导。通过本文的理论解释和实际操作指南，读者能够掌握GAN的核心概念，理解其工作原理，学会设计和训练自己的GAN模型，并能够对结果进行有效的分析和评估。
- 本文通过详细且实践性的方式介绍了 PyTorch 的使用，包括环境安装、基础知识、张量操作、自动求导机制、神经网络创建、数据处理、模型训练、测试以及模型的保存和加载。 本文通过详细且实践性的方式介绍了 PyTorch 的使用，包括环境安装、基础知识、张量操作、自动求导机制、神经网络创建、数据处理、模型训练、测试以及模型的保存和加载。
- 线性回归是一种统计学中的预测分析，该方法用于建立两种或两种以上变量间的关系模型。线性回归使用最佳的拟合直线（也称为回归线）在独立（输入）变量和因变量（输出）之间建立一种直观的关系。简单线性回归是输入变量和输出变量之间的线性关系，而多元线性回归是多个输入变量和输出变量之间的线性关系。 线性回归是一种统计学中的预测分析，该方法用于建立两种或两种以上变量间的关系模型。线性回归使用最佳的拟合直线（也称为回归线）在独立（输入）变量和因变量（输出）之间建立一种直观的关系。简单线性回归是输入变量和输出变量之间的线性关系，而多元线性回归是多个输入变量和输出变量之间的线性关系。
- 🍀简介:在机器学习和深度学习领域中，PyTorch已经成为一个备受关注和广泛使用的深度学习框架。作为一个用于科学计算的开源库，PyTorch提供了丰富的工具和功能，使得研究人员和开发者能够更加方便地构建、训练和部署深度学习模型。在本篇博客中，我们将深入了解PyTorch的功能以及其基本元素操作，帮助读者更好地了解和使用这一强大的工具。🍀什么是PyTorch？PyTorch是一个基于Pyt... 🍀简介:在机器学习和深度学习领域中，PyTorch已经成为一个备受关注和广泛使用的深度学习框架。作为一个用于科学计算的开源库，PyTorch提供了丰富的工具和功能，使得研究人员和开发者能够更加方便地构建、训练和部署深度学习模型。在本篇博客中，我们将深入了解PyTorch的功能以及其基本元素操作，帮助读者更好地了解和使用这一强大的工具。🍀什么是PyTorch？PyTorch是一个基于Pyt...
- 摘要很高兴能加入OpenMMLab AI实战营，成为第二期4班的一名学员。OpenMMLab经过几年的发展和沉淀，其开源项目已经覆盖到计算机视觉的各个领域。OpenMMLab 为香港中文大学-商汤科技联合实验室 MMLab 开源的算法平台，不到两年时间，已经包含众多 SOTA 计算机视觉算法。OpenMMLab 为香港中文大学-商汤科技联合实验室 MMLab 开源的算法平台，到目前为止，已... 摘要很高兴能加入OpenMMLab AI实战营，成为第二期4班的一名学员。OpenMMLab经过几年的发展和沉淀，其开源项目已经覆盖到计算机视觉的各个领域。OpenMMLab 为香港中文大学-商汤科技联合实验室 MMLab 开源的算法平台，不到两年时间，已经包含众多 SOTA 计算机视觉算法。OpenMMLab 为香港中文大学-商汤科技联合实验室 MMLab 开源的算法平台，到目前为止，已...
- @[toc] 安装CUDA使用sdk-manager安装CUDA，这个安装可前面安装JetPack系统操作类似，然后将板子上Micro USB通过数据线和电脑链接。如下图：这一步就不用接跳线了！选中红框的所有文件，开始下载安装。安装完成后会自动添加路径，这点不错，如果没有自动添加则要手动添加。手动添加方式：输入gedit ~/.bashrc命令打开文件，在文件结尾输入以下语句，保存。expo... @[toc] 安装CUDA使用sdk-manager安装CUDA，这个安装可前面安装JetPack系统操作类似，然后将板子上Micro USB通过数据线和电脑链接。如下图：这一步就不用接跳线了！选中红框的所有文件，开始下载安装。安装完成后会自动添加路径，这点不错，如果没有自动添加则要手动添加。手动添加方式：输入gedit ~/.bashrc命令打开文件，在文件结尾输入以下语句，保存。expo...
- 目前主流的深度学习框架都选择使用计算图来抽象神经网络计算表达，通过通用的数据结构（张量）来理解、表达和执行神经网络模型，通过计算图可以把 AI 系统化的问题形象地表示出来。 本节将会以AI概念落地的时候，遇到的一些问题与挑战，因此引出了计算图的概念来对神经网络模型进行统一抽象。接着展开什么是计算，计算图的基本构成来深入了解诶计算图。最后简单地学习PyTorch如何表达计算图。 目前主流的深度学习框架都选择使用计算图来抽象神经网络计算表达，通过通用的数据结构（张量）来理解、表达和执行神经网络模型，通过计算图可以把 AI 系统化的问题形象地表示出来。 本节将会以AI概念落地的时候，遇到的一些问题与挑战，因此引出了计算图的概念来对神经网络模型进行统一抽象。接着展开什么是计算，计算图的基本构成来深入了解诶计算图。最后简单地学习PyTorch如何表达计算图。
- 文章和代码已经归档至【Github仓库：https://github.com/timerring/dive-into-AI 】或者公众号【AIShareLab】回复 pytorch教程 也可获取。 Pytorch：权值初始化在搭建好网络模型之后，首先需要对网络模型中的权值进行初始化。权值初始化的作用有很多，通常，一个好的权值初始化将会加快模型的收敛，而比较差的权值初始化将会引发梯度爆炸或者梯... 文章和代码已经归档至【Github仓库：https://github.com/timerring/dive-into-AI 】或者公众号【AIShareLab】回复 pytorch教程 也可获取。 Pytorch：权值初始化在搭建好网络模型之后，首先需要对网络模型中的权值进行初始化。权值初始化的作用有很多，通常，一个好的权值初始化将会加快模型的收敛，而比较差的权值初始化将会引发梯度爆炸或者梯...
- 文章和代码已经归档至【Github仓库：https://github.com/timerring/dive-into-AI 】或者公众号【AIShareLab】回复 pytorch教程 也可获取。 nn网络层-池化-线性-激活函数层 池化层池化的作用则体现在降采样：保留显著特征、降低特征维度，增大 kernel 的感受面。 另外一点值得注意：pooling 也可以提供一些旋转不变性。 池化层... 文章和代码已经归档至【Github仓库：https://github.com/timerring/dive-into-AI 】或者公众号【AIShareLab】回复 pytorch教程 也可获取。 nn网络层-池化-线性-激活函数层 池化层池化的作用则体现在降采样：保留显著特征、降低特征维度，增大 kernel 的感受面。 另外一点值得注意：pooling 也可以提供一些旋转不变性。 池化层...
- Linux和Windows系统下安装深度学习框架所需支持:Anaconda、Paddlepaddle、Paddlenlp、pytorch，含GPU、CPU版本详细安装过程 Linux和Windows系统下安装深度学习框架所需支持:Anaconda、Paddlepaddle、Paddlenlp、pytorch，含GPU、CPU版本详细安装过程
- 文章和代码已经归档至【Github仓库：https://github.com/timerring/dive-into-AI 】或者公众号【AIShareLab】回复 pytorch教程 也可获取。 nn网络层-卷积层 1D/2D/3D 卷积卷积有一维卷积、二维卷积、三维卷积。一般情况下，卷积核在几个维度上滑动，就是几维卷积。比如在图片上的卷积就是二维卷积。 一维卷积 二维卷积 三维卷积 二维... 文章和代码已经归档至【Github仓库：https://github.com/timerring/dive-into-AI 】或者公众号【AIShareLab】回复 pytorch教程 也可获取。 nn网络层-卷积层 1D/2D/3D 卷积卷积有一维卷积、二维卷积、三维卷积。一般情况下，卷积核在几个维度上滑动，就是几维卷积。比如在图片上的卷积就是二维卷积。 一维卷积 二维卷积 三维卷积 二维...
- 文章和代码已经归档至【Github仓库：https://github.com/timerring/dive-into-AI 】或者公众号【AIShareLab】回复 pytorch教程 也可获取。 模型容器与AlexNet构建除了上述的模块之外，还有一个重要的概念是模型容器 (Containers)，常用的容器有 3 个，这些容器都是继承自nn.Module。nn.Sequetial：按照顺... 文章和代码已经归档至【Github仓库：https://github.com/timerring/dive-into-AI 】或者公众号【AIShareLab】回复 pytorch教程 也可获取。 模型容器与AlexNet构建除了上述的模块之外，还有一个重要的概念是模型容器 (Containers)，常用的容器有 3 个，这些容器都是继承自nn.Module。nn.Sequetial：按照顺...
- 对比一下PyTorch 1.0和PyTorch 2.0的一些不同之处：动态图改进：PyTorch 2.0仍然支持动态图（eager mode），并在此基础上进行了改进。除了提高性能外，还加入了对Dynamic Shapes的支持，可以动态变更输入数据的形状，以及对Distributed的扩展支持。编译模式增强：PyTorch 2.0中增加了一个新的编译模式（compile mode），可以在... 对比一下PyTorch 1.0和PyTorch 2.0的一些不同之处：动态图改进：PyTorch 2.0仍然支持动态图（eager mode），并在此基础上进行了改进。除了提高性能外，还加入了对Dynamic Shapes的支持，可以动态变更输入数据的形状，以及对Distributed的扩展支持。编译模式增强：PyTorch 2.0中增加了一个新的编译模式（compile mode），可以在...
- PyTorch是深度学习领域中一个非常流行的框架，它提供了丰富的高级知识点和工具来帮助深度学习开发人员在项目中快速迭代、优化和调试。在本文中，我们将讨论PyTorch项目实战中的一些高级知识点。自定义数据集PyTorch提供了许多内置的数据集（比如MNIST、CIFAR-10等），但如果你的数据集不在内置列表中，或者需要进行一些特殊的预处理操作（比如数据增强），那么你需要自己构建一个数据集。... PyTorch是深度学习领域中一个非常流行的框架，它提供了丰富的高级知识点和工具来帮助深度学习开发人员在项目中快速迭代、优化和调试。在本文中，我们将讨论PyTorch项目实战中的一些高级知识点。自定义数据集PyTorch提供了许多内置的数据集（比如MNIST、CIFAR-10等），但如果你的数据集不在内置列表中，或者需要进行一些特殊的预处理操作（比如数据增强），那么你需要自己构建一个数据集。...
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