- Jerry的前一篇文章 如何在Web应用里消费SAP Leonardo的机器学习API 里介绍的例子是Neo测试环境的Web应用消费sandbox版本的机器学习API，url如下：https://sandbox.api.sap.com/ml本文介绍一个部署在SAP Cloud Platform CloudFoundry环境下的应用，如何消费SAP Leonardo上的机器学习API。登录SA... Jerry的前一篇文章 如何在Web应用里消费SAP Leonardo的机器学习API 里介绍的例子是Neo测试环境的Web应用消费sandbox版本的机器学习API，url如下：https://sandbox.api.sap.com/ml本文介绍一个部署在SAP Cloud Platform CloudFoundry环境下的应用，如何消费SAP Leonardo上的机器学习API。登录SA...
- 【Python训练营】Python每日一练----第6天：迷宫 【Python训练营】Python每日一练----第6天：迷宫
- 【Python训练营】Python每日一练----第五天：承压计算 【Python训练营】Python每日一练----第五天：承压计算
- Swin Transformer夺得ICCV 2021最佳论文，在ViT领域中独树一帜，屠宰一众CV任务榜单，那工程上的应用性如何呢?本文分析了Swin和PyramidTNT已经conv+Transformer的结构uniformer在GPU上的时延，并和传统的resnet50比较，看看ViT的表现如何 Swin Transformer夺得ICCV 2021最佳论文，在ViT领域中独树一帜，屠宰一众CV任务榜单，那工程上的应用性如何呢?本文分析了Swin和PyramidTNT已经conv+Transformer的结构uniformer在GPU上的时延，并和传统的resnet50比较，看看ViT的表现如何
- 由于牛顿法对目标函数具有很高的要求。它要求目标函数必须是二阶可导。并且，牛顿法的每一次迭代都需要计算Hessian矩阵及其逆矩阵，计算量比较大，甚至可能由于逆矩阵不存在而无法计算。拟牛顿法就是牛顿法的近似解法，学习笔记|线性可分支持向量机学习的间隔最大算法、学习笔记|最大熵模型学习的拟牛顿法、学习笔记|logistic回归等处都有涉及。1. 拟牛顿条件对x求偏导可得记那么进一步令则有这就是拟... 由于牛顿法对目标函数具有很高的要求。它要求目标函数必须是二阶可导。并且，牛顿法的每一次迭代都需要计算Hessian矩阵及其逆矩阵，计算量比较大，甚至可能由于逆矩阵不存在而无法计算。拟牛顿法就是牛顿法的近似解法，学习笔记|线性可分支持向量机学习的间隔最大算法、学习笔记|最大熵模型学习的拟牛顿法、学习笔记|logistic回归等处都有涉及。1. 拟牛顿条件对x求偏导可得记那么进一步令则有这就是拟...
- 【Python训练营】Python每日一练----第2天：门牌制作 【Python训练营】Python每日一练----第2天：门牌制作
- 多元梯度下降法技巧正确的学习率α能够使代价函数J，每次迭代后J都下降。画出代价函数随迭代步数增加的变化曲线。通过看这种曲线来判断梯度下降算法是否收敛。这种图还能看到算法有没有正常工作。因此，在进行梯度下降时，总是绘制代价函数随迭代的变化曲线，观察算法是否有效。如果算法不正常工作，最简单的方法：使用更小的学习率（数学上已经证明，足够小的学习率能够使代价函数每次迭代都减小）（如果学习率太小，收... 多元梯度下降法技巧正确的学习率α能够使代价函数J，每次迭代后J都下降。画出代价函数随迭代步数增加的变化曲线。通过看这种曲线来判断梯度下降算法是否收敛。这种图还能看到算法有没有正常工作。因此，在进行梯度下降时，总是绘制代价函数随迭代的变化曲线，观察算法是否有效。如果算法不正常工作，最简单的方法：使用更小的学习率（数学上已经证明，足够小的学习率能够使代价函数每次迭代都减小）（如果学习率太小，收...
- 目录摘要新建项目导入所需要的库设置全局参数图像预处理读取数据设置模型设置训练和验证完整代码摘要我们这次运用经典的图像分类模型VGG16，实现对植物幼苗的分类，数据集链接：https://pan.baidu.com/s/1JIczDc7VP-PMBnF71302dA 提取码：rqne ，共有12个类别。下面展示图片的样例。大部分的图像是位深度为24位的图像，有个别的是32位的，所以在处... 目录摘要新建项目导入所需要的库设置全局参数图像预处理读取数据设置模型设置训练和验证完整代码摘要我们这次运用经典的图像分类模型VGG16，实现对植物幼苗的分类，数据集链接：https://pan.baidu.com/s/1JIczDc7VP-PMBnF71302dA 提取码：rqne ，共有12个类别。下面展示图片的样例。大部分的图像是位深度为24位的图像，有个别的是32位的，所以在处...
- 目录摘要1、等间隔调整学习率 StepLR参数设置举例运行结果注：2、按需调整学习率 MultiStepLR参数设置：举例：运行结果:3、指数衰减调整学习率 ExponentialLR参数设置：举例运行结果4、余弦退火调整学习率 CosineAnnealingLR参数设置举例运行结果5、自适应调整学习率 ReduceLROnPlateau参数设置举例运行结果6、自定义调整学习率 Lamb... 目录摘要1、等间隔调整学习率 StepLR参数设置举例运行结果注：2、按需调整学习率 MultiStepLR参数设置：举例：运行结果:3、指数衰减调整学习率 ExponentialLR参数设置：举例运行结果4、余弦退火调整学习率 CosineAnnealingLR参数设置举例运行结果5、自适应调整学习率 ReduceLROnPlateau参数设置举例运行结果6、自定义调整学习率 Lamb...
- 机器学习第三章：线性模型文章同步发在笔者CSDN：关注irrationality这一章也是本书基础理论的一章。我对本章末尾的一些公式含糊不清，但终于在不懈努力下得以理解。本章涵盖了线性代数和概率论的基础知识，并讨论了一些经典的线性模型、回归、分类问题（二分类和多重分类）。 3.1 基本形式 给定由d个属性描述的示例 x =（x1；x2；… ；xd）,其中xi是x在第i个属性上的取值... 机器学习第三章：线性模型文章同步发在笔者CSDN：关注irrationality这一章也是本书基础理论的一章。我对本章末尾的一些公式含糊不清，但终于在不懈努力下得以理解。本章涵盖了线性代数和概率论的基础知识，并讨论了一些经典的线性模型、回归、分类问题（二分类和多重分类）。 3.1 基本形式 给定由d个属性描述的示例 x =（x1；x2；… ；xd）,其中xi是x在第i个属性上的取值...
- 本文适用于自定义镜像+SFS场景。 如果是非SFS场景：需要自行安装OBSutil并在启动脚本里增加数据下载、上传逻辑。 需要使用ModelArts预制的下载、上传能力时：请使用ModelArts的自有镜像或自行安装最新MoXing软件包及SCC加解密组件。 本文适用于自定义镜像+SFS场景。 如果是非SFS场景：需要自行安装OBSutil并在启动脚本里增加数据下载、上传逻辑。 需要使用ModelArts预制的下载、上传能力时：请使用ModelArts的自有镜像或自行安装最新MoXing软件包及SCC加解密组件。
- 学习笔记|牛顿法介绍了非线性方程求解中的牛顿法，再来看凸优化问题中的牛顿法。1. 凸优化中的牛顿法在凸优化问题中，局部最优即为全局最优。除了端点外，目标函数f(x)的极值点必有f'(x)=0。因此，凸优化问题可转化为求解f'(x)=0。对f'(x)进行一阶泰勒展开因此，迭代公式为2. 多维凸优化中的牛顿法定义H为hessian矩阵多维下的迭代公式为迭代终止条件为3. 牛顿法的Python实现... 学习笔记|牛顿法介绍了非线性方程求解中的牛顿法，再来看凸优化问题中的牛顿法。1. 凸优化中的牛顿法在凸优化问题中，局部最优即为全局最优。除了端点外，目标函数f(x)的极值点必有f'(x)=0。因此，凸优化问题可转化为求解f'(x)=0。对f'(x)进行一阶泰勒展开因此，迭代公式为2. 多维凸优化中的牛顿法定义H为hessian矩阵多维下的迭代公式为迭代终止条件为3. 牛顿法的Python实现...
- Deep Residual Learning for Image Recognition论文地址：https://arxiv.org/abs/1512.03385 摘要更深的神经网络更难训练。 我们提出了一个残差学习框架，以简化比以前使用的网络更深的网络的训练。 我们明确地将层重新表述为参考层输入学习残差函数，而不是学习未引用的函数。 我们提供了全面的经验证据，表明这些残差网络更容易优化，并... Deep Residual Learning for Image Recognition论文地址：https://arxiv.org/abs/1512.03385 摘要更深的神经网络更难训练。 我们提出了一个残差学习框架，以简化比以前使用的网络更深的网络的训练。 我们明确地将层重新表述为参考层输入学习残差函数，而不是学习未引用的函数。 我们提供了全面的经验证据，表明这些残差网络更容易优化，并...
- Inception V2 摘要由于每层输入的分布在训练过程中随着前一层的参数发生变化而发生变化，因此训练深度神经网络很复杂。由于需要较低的学习率和仔细的参数初始化，这会减慢训练速度，并且使得训练具有饱和非线性的模型变得非常困难。我们将这种现象称为内部协变量偏移，并通过归一化层输入来解决该问题。我们的方法的优势在于将标准化作为模型架构的一部分，并为每个训练小批量执行标准化。 Batch No... Inception V2 摘要由于每层输入的分布在训练过程中随着前一层的参数发生变化而发生变化，因此训练深度神经网络很复杂。由于需要较低的学习率和仔细的参数初始化，这会减慢训练速度，并且使得训练具有饱和非线性的模型变得非常困难。我们将这种现象称为内部协变量偏移，并通过归一化层输入来解决该问题。我们的方法的优势在于将标准化作为模型架构的一部分，并为每个训练小批量执行标准化。 Batch No...
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