- SSD目标检测 模型简介SSD，全称Single Shot MultiBox Detector，是Wei Liu在ECCV 2016上提出的一种目标检测算法。使用Nvidia Titan X在VOC 2007测试集上，SSD对于输入尺寸300x300的网络，达到74.3%mAP(mean Average Precision)以及59FPS；对于512x512的网络，达到了76.9%mAP ... SSD目标检测 模型简介SSD，全称Single Shot MultiBox Detector，是Wei Liu在ECCV 2016上提出的一种目标检测算法。使用Nvidia Titan X在VOC 2007测试集上，SSD对于输入尺寸300x300的网络，达到74.3%mAP(mean Average Precision)以及59FPS；对于512x512的网络，达到了76.9%mAP ...
- 网络构建神经网络模型是由神经网络层和Tensor操作构成的，mindspore.nn提供了常见神经网络层的实现，在MindSpore中，Cell类是构建所有网络的基类，也是网络的基本单元。一个神经网络模型表示为一个Cell，它由不同的子Cell构成。使用这样的嵌套结构，可以简单地使用面向对象编程的思维，对神经网络结构进行构建和管理。下面我们将构建一个用于Mnist数据集分类的神经网络模型。... 网络构建神经网络模型是由神经网络层和Tensor操作构成的，mindspore.nn提供了常见神经网络层的实现，在MindSpore中，Cell类是构建所有网络的基类，也是网络的基本单元。一个神经网络模型表示为一个Cell，它由不同的子Cell构成。使用这样的嵌套结构，可以简单地使用面向对象编程的思维，对神经网络结构进行构建和管理。下面我们将构建一个用于Mnist数据集分类的神经网络模型。...
- 世界地球日，华为云卓越运营，用科技关爱我们的家园 世界地球日，华为云卓越运营，用科技关爱我们的家园
- 大模型是新一轮AI发展的核心，其已在推进产业智能化升级中已表现出巨大潜力，并将在未来三年里形成风起云涌之势。华为云于2021年正式发布了盘古基础大模型，包括CV计算机视觉大模型、NLP自然语言处理大模型和科学计算大模型。在基础大模型之上，华为云践行AI for industries，陆续推出了矿山、药物分子、电力、气象、海浪等盘古行业大模型，加速各行各业数字化的进程。如今，华为云AI已经在各... 大模型是新一轮AI发展的核心，其已在推进产业智能化升级中已表现出巨大潜力，并将在未来三年里形成风起云涌之势。华为云于2021年正式发布了盘古基础大模型，包括CV计算机视觉大模型、NLP自然语言处理大模型和科学计算大模型。在基础大模型之上，华为云践行AI for industries，陆续推出了矿山、药物分子、电力、气象、海浪等盘古行业大模型，加速各行各业数字化的进程。如今，华为云AI已经在各...
- 深度学习基础入门篇[一]：神经元简介、单层多层感知机、距离计算方法式、相似度函数 深度学习基础入门篇[一]：神经元简介、单层多层感知机、距离计算方法式、相似度函数
- 滑动平均(exponential moving average)，或者叫做指数加权平均(exponentially weighted moving average)，可以用来估计变量的局部均值，使得变量的更新与一段时间内的历史取值有关。 滑动平均(exponential moving average)，或者叫做指数加权平均(exponentially weighted moving average)，可以用来估计变量的局部均值，使得变量的更新与一段时间内的历史取值有关。
- 受量子物理中波粒二象性的启发，以及最近 复现的八度卷积的设计思想启发，在本项目中设计了DWT-CNN，将神经网络的输入进行信号分解，分别送入网络的不同分支，最后通过一个全连接层进行分类。目前，通过简单的实验发现，所提出的网络结构能够更快收敛，其他下游计算机视觉任务有待实验证明。 受量子物理中波粒二象性的启发，以及最近 复现的八度卷积的设计思想启发，在本项目中设计了DWT-CNN，将神经网络的输入进行信号分解，分别送入网络的不同分支，最后通过一个全连接层进行分类。目前，通过简单的实验发现，所提出的网络结构能够更快收敛，其他下游计算机视觉任务有待实验证明。
- 在该论文中，作者提出了一种新型的Transformer模块，称为多轴自注意力（multi-axis self-attention, Max-SA），它可以作为基本的架构组件，在单个块中执行局部和全局空间交互。与完全自注意力相比，Max-SA具有更大的灵活性和效率，即自然适应不同的输入长度，具有线性复杂度。此外，Max-SA仅具有线性复杂度，可以用作网络任何层的通用独立注意力模块，增加少量的计算量。 在该论文中，作者提出了一种新型的Transformer模块，称为多轴自注意力（multi-axis self-attention, Max-SA），它可以作为基本的架构组件，在单个块中执行局部和全局空间交互。与完全自注意力相比，Max-SA具有更大的灵活性和效率，即自然适应不同的输入长度，具有线性复杂度。此外，Max-SA仅具有线性复杂度，可以用作网络任何层的通用独立注意力模块，增加少量的计算量。
- @[toc] 摘要论文：https://arxiv.org/abs/2111.11418论文翻译：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/128281326官方源码：https://github.com/sail-sg/poolformerMetaFormer是颜水成大佬的一篇Transformer的论文，该篇论文... @[toc] 摘要论文：https://arxiv.org/abs/2111.11418论文翻译：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/128281326官方源码：https://github.com/sail-sg/poolformerMetaFormer是颜水成大佬的一篇Transformer的论文，该篇论文...
- @toc 1、数据集介绍 鸢尾花数据集，其提供了 150 组鸢尾花数据，每组包括鸢尾花的花萼 长、花萼宽、花瓣长、花瓣宽 4 个输入特征，同时还给出了这一组特征对应的 鸢尾花类别。类别包括狗尾鸢尾、杂色鸢尾、弗吉尼亚鸢尾三类， 分别用数字 0、1、2 表示。 使用次数据集的代码如下：from sklearn.datasets import load_irisx_data = datase... @toc 1、数据集介绍 鸢尾花数据集，其提供了 150 组鸢尾花数据，每组包括鸢尾花的花萼 长、花萼宽、花瓣长、花瓣宽 4 个输入特征，同时还给出了这一组特征对应的 鸢尾花类别。类别包括狗尾鸢尾、杂色鸢尾、弗吉尼亚鸢尾三类， 分别用数字 0、1、2 表示。 使用次数据集的代码如下：from sklearn.datasets import load_irisx_data = datase...
- 使用生成对抗网络实现图像转换此案例使用GPU算力，请参照注意事项完成规格切换 注意事项：本案例使用AI引擎**:** TensorFlow-1.13.1本案例最低硬件规格要求**:** 类型选择GPU，目标规格选择8U + 64GiB + 1GPU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... 使用生成对抗网络实现图像转换此案例使用GPU算力，请参照注意事项完成规格切换 注意事项：本案例使用AI引擎**:** TensorFlow-1.13.1本案例最低硬件规格要求**:** 类型选择GPU，目标规格选择8U + 64GiB + 1GPU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...
- 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...
- 本项目讲了论文节点分类任务和新冠疫苗任务，并在论文节点分类任务中对代码进行详细讲解。PGL八九系列的项目耦合性比较大，也花了挺久时间研究希望对大家有帮助。 本项目讲了论文节点分类任务和新冠疫苗任务，并在论文节点分类任务中对代码进行详细讲解。PGL八九系列的项目耦合性比较大，也花了挺久时间研究希望对大家有帮助。
- 通过以上两个版本的模型代码简单的讲解，我们可以知道他们的不同点，其实主要就是在消息传递机制的部分有所不同。ERNIESageV1版本只作用在text graph的节点上，在传递消息(Send阶段)时只考虑了邻居本身的文本信息；而ERNIESageV2版本则作用在了边上，在Send阶段同时考虑了当前节点和其邻居节点的文本信息，达到更好的交互效果。 通过以上两个版本的模型代码简单的讲解，我们可以知道他们的不同点，其实主要就是在消息传递机制的部分有所不同。ERNIESageV1版本只作用在text graph的节点上，在传递消息(Send阶段)时只考虑了邻居本身的文本信息；而ERNIESageV2版本则作用在了边上，在Send阶段同时考虑了当前节点和其邻居节点的文本信息，达到更好的交互效果。
- 本次项目讲解了图神经网络的原理并对GCN、GAT实现方式进行讲解，最后基于PGL实现了两个算法在数据集Cora、Pubmed、Citeseer的表现，在引文网络基准测试中达到了与论文同等水平的指标。 本次项目讲解了图神经网络的原理并对GCN、GAT实现方式进行讲解，最后基于PGL实现了两个算法在数据集Cora、Pubmed、Citeseer的表现，在引文网络基准测试中达到了与论文同等水平的指标。
上滑加载中
推荐直播
-
极米科技的应用现代化变革之路2024/07/25 周四 14:00-16:00
极米科技CIO
作为全球智能投影行业TOP1且唯一成功上市的企业，面临严峻的市场竞争和变化，法律合规要求等挑战，极米科技如何抓住软件增值服务和粘性带来的新机遇，全面实现应用现代化。
回顾中
热门标签