- 现在的NAS基本都采用权重共享的supernet方案，但是其中原理几何，有什么局限，鲜有人提及，权重分配并没有理论保障，其影响也没有得到很好的研究，大部分同学都是用的爽就行，接下来从两篇同个实验室的论文来看看权重共享机制，到底怎么影响NAS搜索到的架构。 现在的NAS基本都采用权重共享的supernet方案，但是其中原理几何，有什么局限，鲜有人提及，权重分配并没有理论保障，其影响也没有得到很好的研究，大部分同学都是用的爽就行，接下来从两篇同个实验室的论文来看看权重共享机制，到底怎么影响NAS搜索到的架构。
- 参加HDC.Cloud2021，为的是做一次技术朝圣。我一直对技术有一种迷信。小时候认为技术是改造世界的源动力。长大以后知道事情并没有这么简单，身处商业世界当中，或多或少领略到资本的力量，不过我依然坚信技术是改变世界的引擎。而华为，无疑已经是信息技术革命这部引擎的代名词，在我心目中更是封神的地位。有这样的一个近切体验以“开发者”为核心的技术大会，怎容错过？完美的参会体验对大会的第一印象是：规... 参加HDC.Cloud2021，为的是做一次技术朝圣。我一直对技术有一种迷信。小时候认为技术是改造世界的源动力。长大以后知道事情并没有这么简单，身处商业世界当中，或多或少领略到资本的力量，不过我依然坚信技术是改变世界的引擎。而华为，无疑已经是信息技术革命这部引擎的代名词，在我心目中更是封神的地位。有这样的一个近切体验以“开发者”为核心的技术大会，怎容错过？完美的参会体验对大会的第一印象是：规...
- 引言在之前的博文中，笔者分别介绍了基于传统几何技术路线（虽然包含深度学习图像检索，但不影响整体的传统框架）以及完全基于深度学习技术路线（端到端回归出6DoF位姿）的视觉定位方法。从实际使用情况来看，目前传统的技术路线往往能够得到更为准确的定位结果，这可能是因为完全依赖深度学习进行端到端回归的方案有时忽略了传统的视觉几何关系导致的。因此也有一系列的工作开始寻求二者的结合。今天介绍一篇2020... 引言在之前的博文中，笔者分别介绍了基于传统几何技术路线（虽然包含深度学习图像检索，但不影响整体的传统框架）以及完全基于深度学习技术路线（端到端回归出6DoF位姿）的视觉定位方法。从实际使用情况来看，目前传统的技术路线往往能够得到更为准确的定位结果，这可能是因为完全依赖深度学习进行端到端回归的方案有时忽略了传统的视觉几何关系导致的。因此也有一系列的工作开始寻求二者的结合。今天介绍一篇2020...
- 性能超越BigNas、Once-for-all。对于two-stages的NAS来说，搜索阶段关注的是位于准确性和推理效率的帕累托前沿的网络集合，而训练阶段并不是为了改进帕累托前沿而进行的，对每个网络候选对象都同等重要，fair的，希望搜索的帕累托前沿是被训练到的帕累托前沿，不然会有相关性系数导致的误差 性能超越BigNas、Once-for-all。对于two-stages的NAS来说，搜索阶段关注的是位于准确性和推理效率的帕累托前沿的网络集合，而训练阶段并不是为了改进帕累托前沿而进行的，对每个网络候选对象都同等重要，fair的，希望搜索的帕累托前沿是被训练到的帕累托前沿，不然会有相关性系数导致的误差
- 本文将从算法概述、工程实现、优化改进三个方面阐述如何实现一个实时、优雅、精确的视频人像抠图项目。 什么是抠图对于一张图I， 我们感兴趣的人像部分称为前景F，其余部分为背景B，则图像I可以视为F与B的加权融合：I=alpha∗F+(1−alpha)∗BI = alpha * F + (1 - alpha) * BI=alpha∗F+(1−alpha)∗B，而抠图任务就是找到合适的权重alpha... 本文将从算法概述、工程实现、优化改进三个方面阐述如何实现一个实时、优雅、精确的视频人像抠图项目。 什么是抠图对于一张图I， 我们感兴趣的人像部分称为前景F，其余部分为背景B，则图像I可以视为F与B的加权融合：I=alpha∗F+(1−alpha)∗BI = alpha * F + (1 - alpha) * BI=alpha∗F+(1−alpha)∗B，而抠图任务就是找到合适的权重alpha...
- 许多场景下异常检测，负样本很少或几乎没有，因此很难用检测、分类等算法解决。为解决该类问题，研究无负样本下异常检测。另外，图像变化差异小，缺陷变化大、种类多的数据也非常适合用此思路 许多场景下异常检测，负样本很少或几乎没有，因此很难用检测、分类等算法解决。为解决该类问题，研究无负样本下异常检测。另外，图像变化差异小，缺陷变化大、种类多的数据也非常适合用此思路
- Optimize by XYWH 定义 思路 匹配方法 优化公式 Q&A Optimize by Keypoint 定义 思路 Q&A 优化公式 整体训练&推理流程 Optimize by LRBT 定义 思路 Q&A Optimize by IoU 定义 GIoU DIoU Motivation Contributions Detail Optimize by uncertainty M... Optimize by XYWH 定义 思路 匹配方法 优化公式 Q&A Optimize by Keypoint 定义 思路 Q&A 优化公式 整体训练&推理流程 Optimize by LRBT 定义 思路 Q&A Optimize by IoU 定义 GIoU DIoU Motivation Contributions Detail Optimize by uncertainty M...
- Pattern-Exploiting Training（PET）的方法通过人工构建的模版与BERT的MLM模型结合，能够起到非常好的零样本、小样本乃至半监督学习效果。《GPT Understands, Too》提出了名为P-tuning的方法，成功地实现了模版的自动构建，通过模版从语言模型中抽取知识，完成零样本、小样本等学习任务。 Pattern-Exploiting Training（PET）的方法通过人工构建的模版与BERT的MLM模型结合，能够起到非常好的零样本、小样本乃至半监督学习效果。《GPT Understands, Too》提出了名为P-tuning的方法，成功地实现了模版的自动构建，通过模版从语言模型中抽取知识，完成零样本、小样本等学习任务。
- 本文介绍了如何使用本地JupyterLab来学习MindSpore 1.2.0 本文介绍了如何使用本地JupyterLab来学习MindSpore 1.2.0
- 本文介绍了如何使用Windows GPU的tensorflow 1.15版本完成LeNet网络的模型训练。 本文介绍了如何使用Windows GPU的tensorflow 1.15版本完成LeNet网络的模型训练。
- 柏林工业大学深度学习方向博士生 Tilman Krokotsch 在多项任务中对比了 8 种自编码器的性能。深度学习中的自编码器。图源：https://debuggercafe.com/autoencoders-in-deep-learning/目前，很多研究者仍在使用堆叠自编码器进行无监督预训练。柏林工业大学深度学习方向博士生 Tilman Krokotsch 对此感到疑惑：堆叠自编码器难... 柏林工业大学深度学习方向博士生 Tilman Krokotsch 在多项任务中对比了 8 种自编码器的性能。深度学习中的自编码器。图源：https://debuggercafe.com/autoencoders-in-deep-learning/目前，很多研究者仍在使用堆叠自编码器进行无监督预训练。柏林工业大学深度学习方向博士生 Tilman Krokotsch 对此感到疑惑：堆叠自编码器难...
- MIndSpore 第五期集训营来了, 笑看 Copy攻城狮如何在线体验 MindIR ？ MIndSpore 第五期集训营来了, 笑看 Copy攻城狮如何在线体验 MindIR ？
- 摘要：华为云AI开发平台ModelArts黑科技加持AI研发，让模型开发更高效、更简单，降低AI在行业的落地门槛。全面的可视化评估以及智能诊断功能，使得开发者可以直观了解模型各方面性能，从而进行针对性的调优。今年，全新发布的华为云ModelArts备受关注，创新黑科技成为AI界团宠。模型构建一直是AI落地行业遇到的挑战之一，尤其是如何对即将部署上线的模型进行评估和诊断，以确保研发是否满足业务... 摘要：华为云AI开发平台ModelArts黑科技加持AI研发，让模型开发更高效、更简单，降低AI在行业的落地门槛。全面的可视化评估以及智能诊断功能，使得开发者可以直观了解模型各方面性能，从而进行针对性的调优。今年，全新发布的华为云ModelArts备受关注，创新黑科技成为AI界团宠。模型构建一直是AI落地行业遇到的挑战之一，尤其是如何对即将部署上线的模型进行评估和诊断，以确保研发是否满足业务...
- 与回归问题不同的是，分类问题的输出不再是连续值，而是离散值，即样本的类别。分类问题在现实中的应用非常广泛，例如区分图片上的猫和狗、手写数字识别、垃圾邮件分类、人脸识别等。分类问题有二分类（“是”或“不是”）和多分类（多个类别中判别哪一类），而所有的多分类问题都可以转换成多个二分类问题，例如在分类动物的时候，可以逐步对猫、狗等每种动物都进行“是”或“不是”的判别，从而实现多分类的目标。本节主要... 与回归问题不同的是，分类问题的输出不再是连续值，而是离散值，即样本的类别。分类问题在现实中的应用非常广泛，例如区分图片上的猫和狗、手写数字识别、垃圾邮件分类、人脸识别等。分类问题有二分类（“是”或“不是”）和多分类（多个类别中判别哪一类），而所有的多分类问题都可以转换成多个二分类问题，例如在分类动物的时候，可以逐步对猫、狗等每种动物都进行“是”或“不是”的判别，从而实现多分类的目标。本节主要...
- 知识蒸馏（knowledge distillation）是模型压缩的一种常用的方法，不同于模型压缩中的剪枝和量化，知识蒸馏是通过构建一个轻量化的小模型，利用性能更好的大模型的监督信息，来训练这个小模型，以期达到更好的性能和精度。本文将深入浅出的介绍知识蒸馏的概念和原理，最后通过一个实际的上手案例，来指导用户使用知识蒸馏。 知识蒸馏（knowledge distillation）是模型压缩的一种常用的方法，不同于模型压缩中的剪枝和量化，知识蒸馏是通过构建一个轻量化的小模型，利用性能更好的大模型的监督信息，来训练这个小模型，以期达到更好的性能和精度。本文将深入浅出的介绍知识蒸馏的概念和原理，最后通过一个实际的上手案例，来指导用户使用知识蒸馏。
上滑加载中
推荐直播
-
华为云 x DeepSeek：AI驱动云上应用创新2025/02/26 周三 16:00-18:00
华为云 AI专家大咖团
在 AI 技术飞速发展之际，DeepSeek 备受关注。它凭借哪些技术与理念脱颖而出？华为云与 DeepSeek 合作，将如何重塑产品与应用模式，助力企业数字化转型？在华为开发者空间，怎样高效部署 DeepSeek，搭建专属服务器？基于华为云平台，又该如何挖掘 DeepSeek 潜力，实现智能化升级？本期直播围绕DeepSeek在云上的应用案例，与DTSE布道师们一起探讨如何利用AI 驱动云上应用创新。
回顾中 -
智能观测进化论系列沙龙（第一期）2025/02/28 周五 14:00-16:30
华为及外部讲师团
本期直播就智能化可观测技术的融合与创新、落地与实践、瓶颈与未来等业界关心的话题进行深入探讨。
回顾中 -
聚焦Deepseek，洞察开发者生态发展2025/02/28 周五 19:00-20:30
蒋涛 csdn创始人
深入剖析Deepseek爆发后，中国开发者生态潜藏的巨大发展潜能与未来走向，精准提炼出可供大家把握的时代机遇，干货满满，不容错过。
回顾中
热门标签