- 这篇文章提出了一种注意力生成对抗网络（AttnGAN），它允许注意力驱动、多阶段细化细粒度文本到图像的生成，此外，还提出了一种深度注意多模态相似性模型来计算细粒度图像-文本匹配损失以训练生成器，进而生成更逼真的图像。 文章被2018年CVPR（IEEE Conference on Computer Vision and Pattern Recognition）会议收录。 这篇文章提出了一种注意力生成对抗网络（AttnGAN），它允许注意力驱动、多阶段细化细粒度文本到图像的生成，此外，还提出了一种深度注意多模态相似性模型来计算细粒度图像-文本匹配损失以训练生成器，进而生成更逼真的图像。 文章被2018年CVPR（IEEE Conference on Computer Vision and Pattern Recognition）会议收录。
- 在数据增强、蒸馏剪枝下ERNIE3.0分类模型性能提升 在数据增强、蒸馏剪枝下ERNIE3.0分类模型性能提升
- 近年来随着深度学习的发展，模型参数的数量飞速增长。为了训练这些参数，需要更大的数据集来避免过拟合。然而，对于大部分NLP任务来说，构建大规模的标注数据集非常困难（成本过高），特别是对于句法和语义相关的任务。相比之下，大规模的未标注语料库的构建则相对容易。为了利用这些数据，我们可以先从其中学习到一个好的表示，再将这些表示应用到其他任务中。最近的研究表明，基于大规模未标注语料库的预训练模型（Pretr 近年来随着深度学习的发展，模型参数的数量飞速增长。为了训练这些参数，需要更大的数据集来避免过拟合。然而，对于大部分NLP任务来说，构建大规模的标注数据集非常困难（成本过高），特别是对于句法和语义相关的任务。相比之下，大规模的未标注语料库的构建则相对容易。为了利用这些数据，我们可以先从其中学习到一个好的表示，再将这些表示应用到其他任务中。最近的研究表明，基于大规模未标注语料库的预训练模型（Pretr
- 对于标注样本充足的场景可以直接使用预训练模型微调实现文本多分类，对于尚无标注或者标注样本较少的任务场景我们推荐使用小样本学习，以取得比微调方法更好的效果。 下边通过新闻分类的例子展示如何使用小样本学习来进行文本分类。 对于标注样本充足的场景可以直接使用预训练模型微调实现文本多分类，对于尚无标注或者标注样本较少的任务场景我们推荐使用小样本学习，以取得比微调方法更好的效果。 下边通过新闻分类的例子展示如何使用小样本学习来进行文本分类。
- 摘要YOLOv6 主要在 BackBone、Neck、Head 以及训练策略等方面进行了诸多的改进：统一设计了更高效的 Backbone 和 Neck ：受到硬件感知神经网络设计思想的启发，基于 RepVGG style[4] 设计了可重参数化、更高效的骨干网络 EfficientRep Backbone 和 Rep-PAN Neck。优化设计了更简洁有效的 Efficient Decou... 摘要YOLOv6 主要在 BackBone、Neck、Head 以及训练策略等方面进行了诸多的改进：统一设计了更高效的 Backbone 和 Neck ：受到硬件感知神经网络设计思想的启发，基于 RepVGG style[4] 设计了可重参数化、更高效的骨干网络 EfficientRep Backbone 和 Rep-PAN Neck。优化设计了更简洁有效的 Efficient Decou...
- 本篇文章提出了叠加生成对抗网络（StackGAN）与条件增强，用于从文本合成现实图像，被2017年ICCV（International Conference on Computer Vision）会议录取。论文地址： https://arxiv.org/pdf/1612.03242.pdf代码地址： https://github.com/hanzhanggit/StackGAN本篇是精读这篇... 本篇文章提出了叠加生成对抗网络（StackGAN）与条件增强，用于从文本合成现实图像，被2017年ICCV（International Conference on Computer Vision）会议录取。论文地址： https://arxiv.org/pdf/1612.03242.pdf代码地址： https://github.com/hanzhanggit/StackGAN本篇是精读这篇...
- 推广TrustAI可信分析：通过提升数据质量来增强在ERNIE模型下性能 推广TrustAI可信分析：通过提升数据质量来增强在ERNIE模型下性能
- 人工智能（AI）技术在各行各业中得到普遍应用，然而对于AI开发者来说，在AI 应用开发工程中，都会面临着不小的麻烦。例如如何安装开发所需的复杂的环境，如何选择合适的算法，如何找寻训练算法所需的设备，如何快速的部署上线一个AI模型…… 11月14日 19：00-20：30 华为云AI开发高级工程师小童老师带你0代码快速训练AI模型，使用ModelArts平台的免费资源提升开发能力。 人工智能（AI）技术在各行各业中得到普遍应用，然而对于AI开发者来说，在AI 应用开发工程中，都会面临着不小的麻烦。例如如何安装开发所需的复杂的环境，如何选择合适的算法，如何找寻训练算法所需的设备，如何快速的部署上线一个AI模型…… 11月14日 19：00-20：30 华为云AI开发高级工程师小童老师带你0代码快速训练AI模型，使用ModelArts平台的免费资源提升开发能力。
- Pytorch 基于LeNet的手写数字识别 Pytorch 基于LeNet的手写数字识别
- 快递单信息抽取【二】基于ERNIE1.0至ErnieGram + CRF预训练模型 快递单信息抽取【二】基于ERNIE1.0至ErnieGram + CRF预训练模型
- 基于Ernie-3.0 CAIL2019法研杯要素识别多标签分类任务 基于Ernie-3.0 CAIL2019法研杯要素识别多标签分类任务
- @[toc]在上一篇文章中完成了前期的准备工作，见链接：MicroNet实战：使用MicroNet实现图像分类（一）_AI浩的博客-CSDN博客这篇主要是讲解如何训练和测试 配置参数本次训练采用的参数是M3的配置参数，详细的配置参数在utils/defaults.py文件，参数如下：_C = CN()_C.MODEL = CN()_C.MODEL.DEVICE = "cuda"_C.MODE... @[toc]在上一篇文章中完成了前期的准备工作，见链接：MicroNet实战：使用MicroNet实现图像分类（一）_AI浩的博客-CSDN博客这篇主要是讲解如何训练和测试 配置参数本次训练采用的参数是M3的配置参数，详细的配置参数在utils/defaults.py文件，参数如下：_C = CN()_C.MODEL = CN()_C.MODEL.DEVICE = "cuda"_C.MODE...
- PaddleNLP通用信息抽取技术UIE【一】产业应用实例：信息抽取{实体关系抽取、中文分词、精准实体标。情感分析等}、文本纠错、问答系统、闲聊机器人、定制训练 PaddleNLP通用信息抽取技术UIE【一】产业应用实例：信息抽取{实体关系抽取、中文分词、精准实体标。情感分析等}、文本纠错、问答系统、闲聊机器人、定制训练
- Paddlenlp之UIE模型实战实体抽取任务【打车数据、快递单】 Paddlenlp之UIE模型实战实体抽取任务【打车数据、快递单】
- 在视觉与语言（V&L）模型中，阅读和推理图像中的文本的能力往往是缺乏的。我们如何才能学习出强大的场景文本理解（STU）的V&L模型呢？本文提出了PreSTU，一个专门为场景文本理解而设计的简单预训练模型。PreSTU将一个简单的OCR感知预训练目标与一个具有现成OCR信号的大规模图像-文本数据集相结合。 在视觉与语言（V&L）模型中，阅读和推理图像中的文本的能力往往是缺乏的。我们如何才能学习出强大的场景文本理解（STU）的V&L模型呢？本文提出了PreSTU，一个专门为场景文本理解而设计的简单预训练模型。PreSTU将一个简单的OCR感知预训练目标与一个具有现成OCR信号的大规模图像-文本数据集相结合。
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