- 使用CenterFace实现人脸贴图 注意事项本案例使用AI引擎:MindSpore-1.3.0;本案例使用 GPU 环境运行,需要切换至对应的硬件环境。请查看《ModelArts JupyterLab 硬件规格使用指南》了解切换硬件规格的方法;如果您是第一次使用 JupyterLab,请查看《ModelArts JupyterLab使用指导》了解使用方法;如果您在使用 JupyterLa... 使用CenterFace实现人脸贴图 注意事项本案例使用AI引擎:MindSpore-1.3.0;本案例使用 GPU 环境运行,需要切换至对应的硬件环境。请查看《ModelArts JupyterLab 硬件规格使用指南》了解切换硬件规格的方法;如果您是第一次使用 JupyterLab,请查看《ModelArts JupyterLab使用指导》了解使用方法;如果您在使用 JupyterLa...
- 基于ModelArts自动学习零代码开发深圳地标识别模型一、实验内容本实验介绍如何使用华为云ModelArts的自动学习功能,实现简单的深圳地标识别应用。二、实验目标了解ModelArts的自动学习功能。学会零代码实现AI模型的开发。三、实验操作步骤1 实验准备1.1 华为云服务介绍(1)OBS服务OBS即对象存储服务(Object Storage Service),提供海量、安全、高可靠、... 基于ModelArts自动学习零代码开发深圳地标识别模型一、实验内容本实验介绍如何使用华为云ModelArts的自动学习功能,实现简单的深圳地标识别应用。二、实验目标了解ModelArts的自动学习功能。学会零代码实现AI模型的开发。三、实验操作步骤1 实验准备1.1 华为云服务介绍(1)OBS服务OBS即对象存储服务(Object Storage Service),提供海量、安全、高可靠、...
- 高保真图像编辑注意:本案例必须使用GPU运行,请查看《ModelArts JupyterLab 硬件规格使用指南》了解切换硬件规格的方法High-Fidelity GAN Inversion for Image Attribute Editing (CVPR 2022)https://tengfei-wang.github.io/HFGI/ 1 下载代码和数据import os impor... 高保真图像编辑注意:本案例必须使用GPU运行,请查看《ModelArts JupyterLab 硬件规格使用指南》了解切换硬件规格的方法High-Fidelity GAN Inversion for Image Attribute Editing (CVPR 2022)https://tengfei-wang.github.io/HFGI/ 1 下载代码和数据import os impor...
- 文本检测——CTPN模型在本案例中,我们将继续学习深度学习中的OCR(Optical Character Recognition)光学字符识别技术。OCR作为计算机视觉中较早使用深度学习技术的领域,有很多优秀的模型出现,所以通过此案例我们来学习深度学习下的OCR技术。普遍的深度学习下的OCR技术将文字识别过程分为:文本区域检测以及字符识别。本案例中介绍的模型CTPN就是一种文本检测模型,它... 文本检测——CTPN模型在本案例中,我们将继续学习深度学习中的OCR(Optical Character Recognition)光学字符识别技术。OCR作为计算机视觉中较早使用深度学习技术的领域,有很多优秀的模型出现,所以通过此案例我们来学习深度学习下的OCR技术。普遍的深度学习下的OCR技术将文字识别过程分为:文本区域检测以及字符识别。本案例中介绍的模型CTPN就是一种文本检测模型,它...
- ACGAN的全称叫Auxiliary Classifier Generative Adversarial Network,翻译成汉语的意思就是带辅助分类器的GAN,其实他的思想和昨天说到的CGAN很想,也是利用label的信息作为噪声的输入的条件概率,但是相比较于CGAN,ACGAN在设计上更为巧妙,本案例介绍如何通过ACGN实现动漫头像自动生成。 ACGAN的全称叫Auxiliary Classifier Generative Adversarial Network,翻译成汉语的意思就是带辅助分类器的GAN,其实他的思想和昨天说到的CGAN很想,也是利用label的信息作为噪声的输入的条件概率,但是相比较于CGAN,ACGAN在设计上更为巧妙,本案例介绍如何通过ACGN实现动漫头像自动生成。
- 计算机视觉领域最基本的三个任务是:分类、目标定位、目标检测。分类的目标是要识别出给出一张图像是什么类别标签(在训练集中的所有类别标签中,给出的这张图属于那类标签的可能性最大);定位的目标不仅要识别出来是什么物体(类标签),还要给出物体的位置,位置一般用bounding box(边框)标记;目标检测是多个物体的定位,即要在一张图中定位出多个目标物体,目标检测任务包含分类和目标定位。DynamicRC 计算机视觉领域最基本的三个任务是:分类、目标定位、目标检测。分类的目标是要识别出给出一张图像是什么类别标签(在训练集中的所有类别标签中,给出的这张图属于那类标签的可能性最大);定位的目标不仅要识别出来是什么物体(类标签),还要给出物体的位置,位置一般用bounding box(边框)标记;目标检测是多个物体的定位,即要在一张图中定位出多个目标物体,目标检测任务包含分类和目标定位。DynamicRC
- 本实验将指导用户使用华为ModelArts实现行人检测模型训练和部署,行人检测模型可以应用于自动驾驶场景,检测道路上行人的位置。 本实验将指导用户使用华为ModelArts实现行人检测模型训练和部署,行人检测模型可以应用于自动驾驶场景,检测道路上行人的位置。
- 本实验介绍如何使用华为云ModelArts的自动学习功能,实现简单的深圳地标识别应用。了解ModelArts的自动学习功能。 学会零代码实现AI模型的开发。 本实验介绍如何使用华为云ModelArts的自动学习功能,实现简单的深圳地标识别应用。了解ModelArts的自动学习功能。 学会零代码实现AI模型的开发。
- 在自动驾驶方案实现的过程中,物体检测是其中一个重要的技术。本案例基于ModelArts AI Gallery中官方发布的物体检测算法FasterRCNN,训练一个人车检测模型,并部署成在线服务,生成一个人车检测AI应用。 在自动驾驶方案实现的过程中,物体检测是其中一个重要的技术。本案例基于ModelArts AI Gallery中官方发布的物体检测算法FasterRCNN,训练一个人车检测模型,并部署成在线服务,生成一个人车检测AI应用。
- 本案例将介绍怎样使用ModelArts数据标注能力和AI Gallery中ModelArts官方发布的ResNet50(MindSpore版)算法,训练一个美食分类模型。 ModelArts的AI Gallery有丰富的算法,使用这些算法,无需自己开发训练代码和推理代码,只要准备并标注好数据,就可以轻松快速训练并部署模型。 本案例将介绍怎样使用ModelArts数据标注能力和AI Gallery中ModelArts官方发布的ResNet50(MindSpore版)算法,训练一个美食分类模型。 ModelArts的AI Gallery有丰富的算法,使用这些算法,无需自己开发训练代码和推理代码,只要准备并标注好数据,就可以轻松快速训练并部署模型。
- 本案例将介绍怎样使用AI Gallery中ModelArts官方发布的ResNet50算法和美食分类数据集,训练一个美食分类模型。 ModelArts的AI Gallery有丰富的算法,使用这些算法,无需自己开发训练代码和推理代码,只要准备并标注好数据,就可以轻松快速训练并部署模型。 本案例将介绍怎样使用AI Gallery中ModelArts官方发布的ResNet50算法和美食分类数据集,训练一个美食分类模型。 ModelArts的AI Gallery有丰富的算法,使用这些算法,无需自己开发训练代码和推理代码,只要准备并标注好数据,就可以轻松快速训练并部署模型。
- AlphaZero是一种强化学习算法,近期利用AlphaZero训练出的AI以绝对的优势战胜了多名围棋以及国际象棋冠军。AlphaZero创新点在于,它能够在不依赖于外部先验知识即专家知识、仅仅了解游戏规则的情况下,在棋盘类游戏中获得超越人类的表现。 AlphaZero是一种强化学习算法,近期利用AlphaZero训练出的AI以绝对的优势战胜了多名围棋以及国际象棋冠军。AlphaZero创新点在于,它能够在不依赖于外部先验知识即专家知识、仅仅了解游戏规则的情况下,在棋盘类游戏中获得超越人类的表现。
- A3C算法(Asynchronous advantage actor critic)是基于Actor-critic架构提出来的一种并行强化学习算法,解决了单个智能体与环境交互收集速度慢,训练难以收敛的问题。本案例基于单机多进程的方法实现了对ATARI游戏PONG智能体的训练。在16个并行环境下,本案例中的智能体能在14-24min训练后解决ATARI_PONG游戏。 A3C算法(Asynchronous advantage actor critic)是基于Actor-critic架构提出来的一种并行强化学习算法,解决了单个智能体与环境交互收集速度慢,训练难以收敛的问题。本案例基于单机多进程的方法实现了对ATARI游戏PONG智能体的训练。在16个并行环境下,本案例中的智能体能在14-24min训练后解决ATARI_PONG游戏。
- 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。
上滑加载中