- 证明relu6能比leaky relu有更好的效果，收敛也更快。 pelee mouse 测试集 map 94.57 训练集 ？ yolov3 测试集map 95 训练集99% 卷积层得来的特征： 输入是416*416： 13*13 一个特征点代表32*32像素的图像，检测大目标，最小检测32*32的图像，基于1280是96*96的图... 证明relu6能比leaky relu有更好的效果，收敛也更快。 pelee mouse 测试集 map 94.57 训练集 ？ yolov3 测试集map 95 训练集99% 卷积层得来的特征： 输入是416*416： 13*13 一个特征点代表32*32像素的图像，检测大目标，最小检测32*32的图像，基于1280是96*96的图...
- 本文提出一种训练速度更快、参数量更少的卷积神经网络EfficientNetV2。我们采用了训练感知NAS与缩放技术对训练速度与参数量进行联合优化，NAS的搜索空间采用了新的op(比如Fused-MBConv)进行扩充。实验表明：相比其他SOTA方案，所提EfficientNetV2收敛速度更快，模型更小(6.8x)。 在训练过程中，我们可以通过逐步提升图像大... 本文提出一种训练速度更快、参数量更少的卷积神经网络EfficientNetV2。我们采用了训练感知NAS与缩放技术对训练速度与参数量进行联合优化，NAS的搜索空间采用了新的op(比如Fused-MBConv)进行扩充。实验表明：相比其他SOTA方案，所提EfficientNetV2收敛速度更快，模型更小(6.8x)。 在训练过程中，我们可以通过逐步提升图像大...
- 梯度中心化（gradient centralization，GC） 开源实现： https://github.com/Yonghongwei/Gradient-Centralization/blob/31caa1d49e7760e62a64a54eabc8f2403fddf38a/GC_code/Fine-grained_classification/SG... 梯度中心化（gradient centralization，GC） 开源实现： https://github.com/Yonghongwei/Gradient-Centralization/blob/31caa1d49e7760e62a64a54eabc8f2403fddf38a/GC_code/Fine-grained_classification/SG...
- pytorch 多gpu训练： # -*- coding:utf-8 -*- from __future__ import division import datetime import torch import torch.nn as nn import torch.nn.functional as F from torch.autograd pytorch 多gpu训练： # -*- coding:utf-8 -*- from __future__ import division import datetime import torch import torch.nn as nn import torch.nn.functional as F from torch.autograd
- 参考：http://blog.sina.com.cn/s/blog_54d460e40101ec00.html 概率指事件随机发生的机率，对于均匀分布函数，概率密度等于一段区间(事件的取值范围)的概率除以该段区间的长度，它的值是非负的，可以很大也可以很小。 对于随机变量X的分布函数F（x），如果存在非负可积函数f(x)，使得对任意实数x,有 ... 参考：http://blog.sina.com.cn/s/blog_54d460e40101ec00.html 概率指事件随机发生的机率，对于均匀分布函数，概率密度等于一段区间(事件的取值范围)的概率除以该段区间的长度，它的值是非负的，可以很大也可以很小。 对于随机变量X的分布函数F（x），如果存在非负可积函数f(x)，使得对任意实数x,有 ...
- Batch Normalization BN的基本思想其实相当直观：因为深层神经网络在做非线性变换前的激活输入值（就是那个x=WU+B，U是输入）随着网络深度加深或者在训练过程中，其分布逐渐发生偏移或者变动，之所以训练收敛慢，一般是整体分布逐渐往非线性函数的取值区间的上下限两端靠近（对于Sigmoid函数来说，意味着激活输入值WU+B是大的负值或正值），所... Batch Normalization BN的基本思想其实相当直观：因为深层神经网络在做非线性变换前的激活输入值（就是那个x=WU+B，U是输入）随着网络深度加深或者在训练过程中，其分布逐渐发生偏移或者变动，之所以训练收敛慢，一般是整体分布逐渐往非线性函数的取值区间的上下限两端靠近（对于Sigmoid函数来说，意味着激活输入值WU+B是大的负值或正值），所...
- 11年it研发经验，从一个会计转行为算法工程师，学过C#，c++，java，android，php，go，js，python，CNN神经网络，四千多篇博文，三千多篇原创，只为与你分享，共同成长，一起进步，关注我，给你分享更多干货知识! 发现menet训练分配gpu代码： cvd ="4,5"# os.environ['CUDA_VISIBLE_DEVICES'].str... 11年it研发经验，从一个会计转行为算法工程师，学过C#，c++，java，android，php，go，js，python，CNN神经网络，四千多篇博文，三千多篇原创，只为与你分享，共同成长，一起进步，关注我，给你分享更多干货知识! 发现menet训练分配gpu代码： cvd ="4,5"# os.environ['CUDA_VISIBLE_DEVICES'].str...
- Softmax 个人理解：在训练的时候，加上角度margin，把预测出来的值减小，往0那里挤压，离标注距离更大，减少训练得分，加大loss，增加训练收敛难度。 不明白的有个问题？减去m后，如果出现负数怎么办？ 以下有的内容参考： https://zhuanlan.zhihu.com/p/97475133 softmax... Softmax 个人理解：在训练的时候，加上角度margin，把预测出来的值减小，往0那里挤压，离标注距离更大，减少训练得分，加大loss，增加训练收敛难度。 不明白的有个问题？减去m后，如果出现负数怎么办？ 以下有的内容参考： https://zhuanlan.zhihu.com/p/97475133 softmax...
- 0 相关源码 将结合前述知识进行综合实战，以达到所学即所用。文本情感分类这个项目会将分类算法、文本特征提取算法等进行关联，使大家能够对Spark的具体应用有一个整体的感知与了解。 1 项目总体概况 2 数据集概述 数据集 3 数据预处理 4 文本特征提取 官方文档介绍 提取，转换和选择特征 本节介绍了使用特征的算法，大致分为以下几组：提取：从“原始... 0 相关源码 将结合前述知识进行综合实战，以达到所学即所用。文本情感分类这个项目会将分类算法、文本特征提取算法等进行关联，使大家能够对Spark的具体应用有一个整体的感知与了解。 1 项目总体概况 2 数据集概述 数据集 3 数据预处理 4 文本特征提取 官方文档介绍 提取，转换和选择特征 本节介绍了使用特征的算法，大致分为以下几组：提取：从“原始...
- 0 相关源码 1 k-平均算法(k-means clustering)概述 1.1 回顾无监督学习 ◆ 分类、回归都属于监督学习 ◆ 无监督学习是不需要用户去指定标签的 ◆ 而我们看到的分类、回归算法都需要用户输入的训练数据集中给定一个个明确的y值 1.2 k-平均算法与无监督学习 ◆ k-平均算法是无监督学习的一种 ◆ 它不需要人为指定一个因变量,即标... 0 相关源码 1 k-平均算法(k-means clustering)概述 1.1 回顾无监督学习 ◆ 分类、回归都属于监督学习 ◆ 无监督学习是不需要用户去指定标签的 ◆ 而我们看到的分类、回归算法都需要用户输入的训练数据集中给定一个个明确的y值 1.2 k-平均算法与无监督学习 ◆ k-平均算法是无监督学习的一种 ◆ 它不需要人为指定一个因变量,即标...
- 通过讲解PCA算法的原理，使大家明白降维算法的大致原理，以及能够实现怎么样的功能。结合应用降维算法在分类算法使用之前进行预处理的实践，帮助大家体会算法的作用。 0 相关源码 1 PCA算法及原理概述 1.1 何为降维? ◆ 从高维度变为低维度的过程就是降维 ◆ 例如拍照就是把处在三维空间中的人或物从转换到作为二 维平面的 照片中 ◆ 降维有线性的、也有非线性... 通过讲解PCA算法的原理，使大家明白降维算法的大致原理，以及能够实现怎么样的功能。结合应用降维算法在分类算法使用之前进行预处理的实践，帮助大家体会算法的作用。 0 相关源码 1 PCA算法及原理概述 1.1 何为降维? ◆ 从高维度变为低维度的过程就是降维 ◆ 例如拍照就是把处在三维空间中的人或物从转换到作为二 维平面的 照片中 ◆ 降维有线性的、也有非线性...
- 0 系列文章目录 0.1 基于协同过滤算法的电影推荐系统设计(一) - 项目简介 0.2 基于协同过滤算法的电影推荐系统设计(二) - 推荐系统介绍 ALS是alternating least squares的缩写 , 意为交替最小二乘法,而ALS-WR是alternating-least-squares with weighted-λ -regularizati... 0 系列文章目录 0.1 基于协同过滤算法的电影推荐系统设计(一) - 项目简介 0.2 基于协同过滤算法的电影推荐系统设计(二) - 推荐系统介绍 ALS是alternating least squares的缩写 , 意为交替最小二乘法,而ALS-WR是alternating-least-squares with weighted-λ -regularizati...
- 在WebIDE的terminal里面执行ps -aux > a.txt然后查看a.txt里面是否有WatherOBS，如果没有，在terminal里面执行下面的命令：python /usr/local/bin/Wathcer.py &如果有，则检查下WebIDE的SYNCHRONIZE OBS FILES下面有没有文件没有同步。 在WebIDE的terminal里面执行ps -aux > a.txt然后查看a.txt里面是否有WatherOBS，如果没有，在terminal里面执行下面的命令：python /usr/local/bin/Wathcer.py &如果有，则检查下WebIDE的SYNCHRONIZE OBS FILES下面有没有文件没有同步。
- WebIDE是一个常驻的docker环境给用户使用，是一个独享的环境，供开发人员进行算法开发、代码调试，如果用户3天不使用的话资源会释放，代码本身保存到obs上，不会删除；一次只能跑一个任务；提交训练的时候是从资源池里面申请一个资源给训练任务，训练任务结束后释放资源，所以结果需要保存到obs上进行持久化保存；可以同时并发提交5个训练任务；这2个环境是2个各自独立的环境，相互之间... WebIDE是一个常驻的docker环境给用户使用，是一个独享的环境，供开发人员进行算法开发、代码调试，如果用户3天不使用的话资源会释放，代码本身保存到obs上，不会删除；一次只能跑一个任务；提交训练的时候是从资源池里面申请一个资源给训练任务，训练任务结束后释放资源，所以结果需要保存到obs上进行持久化保存；可以同时并发提交5个训练任务；这2个环境是2个各自独立的环境，相互之间...
- 提交训练任务后，如果想看output目录下的结果，如果使用WebIDE，点击左边NAIE图标 -> Job Explorer -> 对应任务的output目录。如果使用编辑器，点击最左边的3个图标最后一个，如下图红框处，即“任务目录”，点开对应的训练的任务就可以看到每个任务目录下的output目录，这个地方后续会优化，直接在WebIDE中可以看到。 提交训练任务后，如果想看output目录下的结果，如果使用WebIDE，点击左边NAIE图标 -> Job Explorer -> 对应任务的output目录。如果使用编辑器，点击最左边的3个图标最后一个，如下图红框处，即“任务目录”，点开对应的训练的任务就可以看到每个任务目录下的output目录，这个地方后续会优化，直接在WebIDE中可以看到。
上滑加载中
推荐直播
-
华为云码道 × 仓颉编程：工程化AI编码探索2026/05/27 周三 19:00-21:00
刘俊杰-华为云仓颉语言专家/李炎-华为云码道技术专家/王智鹏-OpenCangjie开源社区发起人
本场直播围绕华为云仓颉语言与华为云码道的深度结合，展示华为云智能编程从零基础到高效落地的完整生态能力。以华为云码道为引擎，仓颉语言为载体，带给大家日常提效、趣味创新到极速量产的开发体验。
即将直播
热门标签