- Google推出无数据的神经架构搜索Data-Free Neural Architecture Search，宣布进入data-free nas时代？ Google推出无数据的神经架构搜索Data-Free Neural Architecture Search，宣布进入data-free nas时代？
- 如何在ModelArt运行深度学习案例一、准备数据集和源代码本次所选案例是“基于ResNet50实现毒蘑菇识别实战”：学习视频：https://www.bilibili.com/video/BV1ny4y1r7HA?from=search&seid=8373008762929386214&spm_id_from=333.337.0.0源码:https://github.com/mindspo... 如何在ModelArt运行深度学习案例一、准备数据集和源代码本次所选案例是“基于ResNet50实现毒蘑菇识别实战”：学习视频：https://www.bilibili.com/video/BV1ny4y1r7HA?from=search&seid=8373008762929386214&spm_id_from=333.337.0.0源码:https://github.com/mindspo...
- 一、实验目的了解马尔科夫抽样与M-H抽样的原理，阅读已有程序代码实现通过MCMC方法获取指定概率分布模拟样本的目的。二、实验内容： 阅读已有程序代码。理解程序中接受-拒绝抽样的原理。 3.了解马尔科夫抽样与M-H抽样的原理。 4. 实现MCMC方法获取指定概率分布的模拟样本。 5. 输出获取样本的概率分布图，验证结果。三、实验程序及结果clear; close all... 一、实验目的了解马尔科夫抽样与M-H抽样的原理，阅读已有程序代码实现通过MCMC方法获取指定概率分布模拟样本的目的。二、实验内容： 阅读已有程序代码。理解程序中接受-拒绝抽样的原理。 3.了解马尔科夫抽样与M-H抽样的原理。 4. 实现MCMC方法获取指定概率分布的模拟样本。 5. 输出获取样本的概率分布图，验证结果。三、实验程序及结果clear; close all...
- 不同于NAS-FPN搜索FPN和NAS-FCOS对FPN和prediction head同时搜索，本文直接对大头backbone进行搜索。 不同于NAS-FPN搜索FPN和NAS-FCOS对FPN和prediction head同时搜索，本文直接对大头backbone进行搜索。
- 网络结构可以被认为是另外需要确定的参数。既然每层可以被认为是前一层的特征抽取器，每层节点的数量应该足够大以获取本质的模式。这在模型低层是特别重要的,因为开始层的特征变化更大，它需要比其他层更多的节点来模拟特征模式。然而，如果每层节点太大，它容易在训练数据上过拟合。一般来说，宽且浅的模型容易过拟合，深且窄的模型谷易欠拟合。事实上，如果有一层很小(通常称为瓶颈),模型性能将有重大的下降，特别是瓶... 网络结构可以被认为是另外需要确定的参数。既然每层可以被认为是前一层的特征抽取器，每层节点的数量应该足够大以获取本质的模式。这在模型低层是特别重要的,因为开始层的特征变化更大，它需要比其他层更多的节点来模拟特征模式。然而，如果每层节点太大，它容易在训练数据上过拟合。一般来说，宽且浅的模型容易过拟合，深且窄的模型谷易欠拟合。事实上，如果有一层很小(通常称为瓶颈),模型性能将有重大的下降，特别是瓶...
- 分享我的Deeplearning学习好工具深度学习最重要的是两部分：理论和代码。有些人理论知识很丰富，各种数学难题都能解开，但是代码能力却偏弱了。 1. 理论基础 1.1 高等数学 高数是理工科的必选，里面包含数列，极限，微积分，空间解析几何，级数，常微分方程等等。深度学习所需要的求导，链式求导，微分，积分…等等知识点都在高数中。高等数学是深度学习的重要理论知识基石。推荐视频教程：《宋浩... 分享我的Deeplearning学习好工具深度学习最重要的是两部分：理论和代码。有些人理论知识很丰富，各种数学难题都能解开，但是代码能力却偏弱了。 1. 理论基础 1.1 高等数学 高数是理工科的必选，里面包含数列，极限，微积分，空间解析几何，级数，常微分方程等等。深度学习所需要的求导，链式求导，微分，积分…等等知识点都在高数中。高等数学是深度学习的重要理论知识基石。推荐视频教程：《宋浩...
- 前言Google Colab默认是使用 pip 来安装相关Python依赖包的，但有时开发需要使用到Conda来安装依赖包；常规的Anaconda3安装方式不太适用，但发现Miniconda是适合的，经过实践测试总结本文，分享一下。一、查看分配的内存大小、GPU具体命令如下，这里需要分配一个GPU（K80也行的），这样后面可以通过conda安装CUDA加速库了。from psutil imp... 前言Google Colab默认是使用 pip 来安装相关Python依赖包的，但有时开发需要使用到Conda来安装依赖包；常规的Anaconda3安装方式不太适用，但发现Miniconda是适合的，经过实践测试总结本文，分享一下。一、查看分配的内存大小、GPU具体命令如下，这里需要分配一个GPU（K80也行的），这样后面可以通过conda安装CUDA加速库了。from psutil imp...
- 前言Google Colab是什么？这个不说了，网络有很多文章介绍，简单来说它是一个 Jupyter 笔记本环境，可以基于Python语言运行深度学习、机器学习、数据科学等模型到代码；这里只分享开发过程中，值得记录和分享的。一、Google Colab特点它存储在 Google 云端硬盘中，并且可以共享，就如同使用 Google 文档或表格一样。基础版的Google Colab是免费的。可以... 前言Google Colab是什么？这个不说了，网络有很多文章介绍，简单来说它是一个 Jupyter 笔记本环境，可以基于Python语言运行深度学习、机器学习、数据科学等模型到代码；这里只分享开发过程中，值得记录和分享的。一、Google Colab特点它存储在 Google 云端硬盘中，并且可以共享，就如同使用 Google 文档或表格一样。基础版的Google Colab是免费的。可以...
- 前言双目立体匹配的原理类似于人类的视觉原理：分别单独使用左眼和单独使用右眼去观察一个物体，该物体在两个视角中的相对位置会存在一定的偏移，人类视觉系统可以根据该偏移去判断该物体的距离远近。同样的，在双目立体匹配中，只要能在两张图像中正确地找到匹配点，结合相机的内部参数和外部参数，就能精准地计算出空间点距离拍摄相机的距离。一、立体匹配简介双目立体视觉一般是指使用两个摄像机从不同的角度获取同一个场... 前言双目立体匹配的原理类似于人类的视觉原理：分别单独使用左眼和单独使用右眼去观察一个物体，该物体在两个视角中的相对位置会存在一定的偏移，人类视觉系统可以根据该偏移去判断该物体的距离远近。同样的，在双目立体匹配中，只要能在两张图像中正确地找到匹配点，结合相机的内部参数和外部参数，就能精准地计算出空间点距离拍摄相机的距离。一、立体匹配简介双目立体视觉一般是指使用两个摄像机从不同的角度获取同一个场...
- 本文的主要目的是带想用ModelArts的同学过遍ModelArts的基础功能并部署属于你自己的模型在云上，并且能够本地通过python代码调API的方式在线推理【本文以tensorflow 1.13为例】。 本文的主要目的是带想用ModelArts的同学过遍ModelArts的基础功能并部署属于你自己的模型在云上，并且能够本地通过python代码调API的方式在线推理【本文以tensorflow 1.13为例】。
- 对 MNIST手写体识别实验实现手写数字识别代码的个人查找与理解，对于map映射与数据增强和卷积神经网络的代码有充分的注释，卷积与池化的过程也有充分的注释标明，因本人能力很弱，难免有错误的地方，烦请大家指出，我会立即更正。 对 MNIST手写体识别实验实现手写数字识别代码的个人查找与理解，对于map映射与数据增强和卷积神经网络的代码有充分的注释，卷积与池化的过程也有充分的注释标明，因本人能力很弱，难免有错误的地方，烦请大家指出，我会立即更正。
- Kaldi的nnet3网络结构。xconfig: 类似于keras，简洁的网络定义，xconfig覆盖了大部分常用的神经网络layerconfig: kaldi实际使用的config， 基于node定义网络结构，如果xconfig无法满足需求，可在config层实现。C++: 如果某些网络无法用config构建，或者想提高效率，则可以在C++层实现。(Kaldi本身的LSTM可以通过conf... Kaldi的nnet3网络结构。xconfig: 类似于keras，简洁的网络定义，xconfig覆盖了大部分常用的神经网络layerconfig: kaldi实际使用的config， 基于node定义网络结构，如果xconfig无法满足需求，可在config层实现。C++: 如果某些网络无法用config构建，或者想提高效率，则可以在C++层实现。(Kaldi本身的LSTM可以通过conf...
- **概述**：深度学习模型的计算任务分为训练和推理．训练往往是放在云端或者超算集群中，利用GPU强大的浮点计算能力，来完成网络模型参数的学习过程．一般来说训练时，计算资源往往非常充足，基本上受限于显存资源/多节点扩展/通讯库效率的问题。相对于训练过程，推理往往被应用于终端设备，如手机，计算资源/功耗都收到严格的限制，为了解决这样的问题，提出了很多不同的方法来减少模型的大小以及所需的计... **概述**：深度学习模型的计算任务分为训练和推理．训练往往是放在云端或者超算集群中，利用GPU强大的浮点计算能力，来完成网络模型参数的学习过程．一般来说训练时，计算资源往往非常充足，基本上受限于显存资源/多节点扩展/通讯库效率的问题。相对于训练过程，推理往往被应用于终端设备，如手机，计算资源/功耗都收到严格的限制，为了解决这样的问题，提出了很多不同的方法来减少模型的大小以及所需的计...
- 人工智能、机器学习和数据工程 InfoQ 趋势报告 - 2021 年 8 月每年，InfoQ 的编辑们都会讨论 AI、ML 和数据工程的最新状态，以确定作为软件工程师、架构师或数据科学家应该关注的趋势。我们将其整理成科技采用曲线（Technology adoption curve），并附有具有支持性的评论，以帮助您了解这些事物的发展方式。我们还探讨了我们认为您应该考虑作为路线图和技能发展的一... 人工智能、机器学习和数据工程 InfoQ 趋势报告 - 2021 年 8 月每年，InfoQ 的编辑们都会讨论 AI、ML 和数据工程的最新状态，以确定作为软件工程师、架构师或数据科学家应该关注的趋势。我们将其整理成科技采用曲线（Technology adoption curve），并附有具有支持性的评论，以帮助您了解这些事物的发展方式。我们还探讨了我们认为您应该考虑作为路线图和技能发展的一...
- 今天是持续写作的第 42 / 100 天。如果你有想要交流的想法、技术，欢迎在评论区留言。本篇博客只学习一个方法，cv2.resize 即图像缩放。 铺垫知识在检索图像缩放的相关知识点时，找到了一个相关算法，名字叫做插值算法，具体涉及 最近邻插值算法，双线性插值算法 等其它内容。细看了一下，在学习的第 9 天就去涉及，实在不够明智，故略过本部分理论知识，直接使用 OpenCV 里面 resi... 今天是持续写作的第 42 / 100 天。如果你有想要交流的想法、技术，欢迎在评论区留言。本篇博客只学习一个方法，cv2.resize 即图像缩放。 铺垫知识在检索图像缩放的相关知识点时，找到了一个相关算法，名字叫做插值算法，具体涉及 最近邻插值算法，双线性插值算法 等其它内容。细看了一下，在学习的第 9 天就去涉及，实在不够明智，故略过本部分理论知识，直接使用 OpenCV 里面 resi...
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签