-
报名CANN训练营0基础学AI,完成算子中级认证考核赢取超级大奖!活动报名链接:cid:link_0讲师手把手讲解非对齐及多数据类型算子开发实践使能开发出适用于不同数据类型、形状及软硬件平台的泛化算子提升算子的通用性和适配能力关注【昇腾CANN】视频号一键预约直播!【昇腾AI开发者】B站观看链接:https://live.bilibili.com/h5/23361884 昇腾社区官网观看链接:cid:link_0
-
基于softmax介绍Vector类高层API的通用优化设计与实现 扫码关注【昇腾CANN】视频号快速预约直播! 扫描问卷二维码,填写问卷在线收集问题并解答! B站观看链接:https://live.bilibili.com/h5/23361884 昇腾社区观看链接:cid:link_0
-
刚刚在官网安装的dececo bate3,第一个hello world项目,预览窗口报错:这个怎么解决?网上查不到相关的资料,求求大佬指点
-
扫码关注【昇腾CANN】视频号快速预约直播,填写问卷在线收集问题并解答!B站观看链接:https://live.bilibili.com/h5/23361884 昇腾社区观看链接:https://www.hiascend.com/developer/cann20241 问卷链接:https://www.hiascend.com/zh/forms/shendukaifang?from=S0
-
扫码关注【昇腾CANN】视频号快速预约直播,填写问卷在线收集问题并解答! 👉B站观看链接:https://live.bilibili.com/h5/23361884 👉昇腾社区观看链接:https://www.hiascend.com/developer/cann20241 👉问卷链接:https://www.hiascend.com/zh/forms/shendukaifang?from=S0
-
import mindspore from mindspore import nn from mindspore import common from mindspore import Model import mindspore.dataset as ds from mindspore import context import matplotlib.pyplot as plt import mindspore.dataset.vision.c_transforms as CV from mindspore import dtype as mstype import numpy as np from mindspore.common.initializer import Normal from mindspore.train.callback import ModelCheckpoint,CheckpointConfig from mindspore.nn.metrics import Accuracy import mindspore.ops as ops from mindspore.train.callback import LossMonitorcontext.set_context(mode=context.PYNATIVE_MODE,device_target='CPU') #上下文处理#数据预处理def create_dataset(datasets_dir,batch_size,training=False): datasets = ds.ImageFolderDataset(dataset_dir=datasets_dir,shuffle=True, class_indexing={ 'ants':0, 'bees':1 }) image_size =64 mean = [0.485*255, 0.456*255, 0.406*255] #平均值 std = [0.229*255, 0.224*255, 0.225*255] # 方差 if training: # 训练模式下的数据预处理操作 trans = [ CV.RandomCropDecodeResize(image_size, scale=(0.08, 1.0), ratio=(0.75, 1.333)), # 随机裁剪、解码和调整大小 CV.RandomHorizontalFlip(prob=0.5), # 以 50% 的概率进行水平翻转 CV.Normalize(mean, std), # 标准化图像 CV.HWC2CHW() # 将图像从 HWC 格式转换为 CHW 格式 ] else: # 验证模式下的数据预处理操作 trans = [ CV.RandomCropDecodeResize(image_size, scale=(0.08, 1.0), ratio=(0.75, 1.333)), # 随机裁剪、解码和调整大小 CV.RandomHorizontalFlip(prob=0.5), # 以 50% 的概率进行水平翻转 CV.Normalize(mean, std), # 标准化图像 CV.HWC2CHW() # 将图像从 HWC 格式转换为 CHW 格式 ] datasets=datasets.map(operations=trans,input_columns='image') datasets=datasets.batch(batch_size,drop_remainder=True) datasets=datasets.repeat(3) if training: data = next(datasets.create_dict_iterator()) images = data['image'] print(images.shape) labels = data['label'] print('Tensor of image',images.shape) print('Labels:',labels) class_name = {0:'ants',1:'bees'} plt.figure(figsize=(18,7)) for i in range(len(labels)): data_image = images[i].asnumpy() # print(data_image.shape) data_label = labels[i] data_image = np.transpose(data_image,(1,2,0)) #(3,224,224)转为(224,224,3) mean =np.array([0.485,0.456,0.406]) std = np.array([0.229,0.224,0.225]) data_iamge = std *data_image+mean #标准化操作。 data_image = np.clip(data_image,0,1) #这个操作是为了确保图像数据的像素值范围正确。 plt.subplot(3,6,i+1) plt.imshow(data_image) plt.title(class_name[int(labels[i].asnumpy())]) plt.axis('off') #用于禁止绘制图像时显示坐标轴 plt.show() ds.config.set_seed(58) return datasets#数据集的路径train_dir = './datasets/hymenoptera_data/train' test_dir = './datasets/hymenoptera_data/val'#生成数据集train_dataset=create_dataset(datasets_dir=train_dir,batch_size=10,training=True) test_dataset=create_dataset(datasets_dir=test_dir,batch_size=10)#网络搭建class MyNetwork(nn.Cell): def __init__(self): super(MyNetwork, self).__init__() self.conv1 = nn.Conv2d(3, 32, kernel_size=2,pad_mode='valid') self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2) self.conv2 = nn.Conv2d(32, 64, kernel_size=2,pad_mode='valid') self.pool2 = nn.MaxPool2d(kernel_size=2, stride=2) self.conv3 = nn.Conv2d(64,128,kernel_size=2,pad_mode='valid') self.pool3 = nn.MaxPool2d(kernel_size=2, stride=2) self.flatten = nn.Flatten() self.fc1 = nn.Dense(6272,512,weight_init=Normal(0.02)) self.fc2 = nn.Dense(512,256,weight_init=Normal(0.02)) self.fc3 = nn.Dense(256,128,weight_init=Normal(0.02)) self.fc4 = nn.Dense(128,2,weight_init=Normal(0.02)) self.relu = nn.ReLU() def construct(self, x): x = ops.Cast()(x, mstype.float32) x = self.conv1(x) x = self.relu(x) x = self.pool1(x) x = self.conv2(x) x = self.relu(x) x = self.pool2(x) x = self.conv3(x) x = self.relu(x) x = self.pool3(x) x = self.flatten(x) x = self.fc1(x) x = self.relu(x) x = self.fc2(x) x = self.relu(x) x = self.fc3(x) x = self.relu(x) x = self.fc4(x) return x #网络调用和模型训练net = MyNetwork() loss_fn = nn.SoftmaxCrossEntropyWithLogits(sparse=True,reduction='mean')#定义损失函数 optimizer = nn.SGD(net.trainable_params(),learning_rate=1e-1) #定义优化器 config_ck = CheckpointConfig(save_checkpoint_steps=100, keep_checkpoint_max=10)#配置检查点的保存参数 ckpoint_cb = ModelCheckpoint(prefix="checkpoint", directory="./checkpoints", config=config_ck)#训练过程中保存模型的检查点 loss_cb = LossMonitor(per_print_times=1000)metrics = {'Accuracy':Accuracy()} #定义准确率 epoch = 20#训练轮次 model = Model(net,loss_fn,optimizer,metrics)#模型定义 print("============== 开始训练 ==============") bast_accuracy=0.0 for i in range(epoch): model.train(epoch=epoch,train_dataset=train_dataset,callbacks=[ckpoint_cb,loss_cb])#模型训练 metrics = model.eval(test_dataset) test_accuracy = metrics['Accuracy'] print(f'第{i + 1}轮训练后,测试集准确率: {test_accuracy}') if test_accuracy>=0.80: print(f'准确率达到 {test_accuracy},退出训练。') break if test_accuracy>bast_accuracy: bast_accuracy=test_accuracy mindspore.save_checkpoint(net, "model.ckpt") print("Saved Model to model.ckpt") print('准确度为:',bast_accuracy) 这是一个分类模型,用的是自己设计的卷积神经网络,数据是一个二分类的,现在这个模型只能跑到0.70,无法达到老师要求的0.90以上,我想知道怎么调优,大佬是怎么设计网络结构的
-
华为作为现在实力满满的开源企业组织,正在逐步有序推进华为开发者生态的各种行动,比如开设华为认证,开展华为开发者大赛,以及在高校的A类竞赛中都有华为赛道的出现,甚至在很多数据竞赛中也有华为的身影,比如要基于华为的框架进行建模的工作。高校目前遇到的困难难题有,目前技术更新迭代的很快,包括人工智能行业的快速发展,因为很多学生在学校学的和企业想要的存在严重的脱节现象。因此做好校企合作很有必要。再者就是需要让企业和学校形成双向选择,也就是互相的认可关系,企业认可学校的学生开发者,学生也从中受益很多,这个是日后需要努力的地方。后期完全可以在学校开设类似鸿蒙开发者系列课程,纳入学生选修课,甚至开设必修课程,让更多的学生接触到企业优质资源。华为开发者或者华为的学习者如果有类似这样的认证,后面不管走企业内推还是说找实习提升自己都是一个不错的选择。在当校园大使的过程中,我的感触最深的是,学生往往和学生之间交流肯定比和老师交流的更多,形成学生之间,类似师兄互帮互助的开发者生态培养模式,更有利企业在高校搭建开发者生态。也就是让更多的同学认可华为,最重要的是能够通过自己在校期间拿到华为的相关的认证,最后真正的可以帮到他们,这个才是不管是哪个企业进入这个学校的初衷,总之就是你认可我,我认可你,互相认可,共同进步,共同做好开源,开发者生态的大蛋糕。
-
一个弹性公网IP只能绑定一个云资源使用,且弹性公网IP和云资源必须在同一个区域。
上滑加载中
推荐直播
-
TinyEngine低代码引擎系列.第1讲——低代码浪潮之下,带你走进TinyEngine
2024/11/11 周一 16:00-18:00
李老师 高级前端开发工程师
低代码浪潮之下,带你走进TinyEngine。李旭宏老师将从低代码的发展趋势、TinyEngine的项目介绍,三方物料组件的使用、跨技术栈的使用、源码生成能力的差异性对比等多个方面带大家对TinyEngine低代码引擎有一个更清晰的认知和了解。
即将直播 -
0代码智能构建AI Agent——华为云AI原生应用引擎的架构与实践
2024/11/13 周三 16:30-18:00
苏秦 华为云aPaaS DTSE技术布道师
大模型及生成式AI对应用和软件产业带来了哪些影响?从企业场景及应用开发视角,面向AI原生应用需要什么样的工具及平台能力?企业要如何选好、用好、管好大模型,使能AI原生应用快速创新?本期直播,华为云aPaaS DTSE技术布道师苏秦将基于华为云自身实践出发,深入浅出地介绍华为云AI原生应用引擎,通过分钟级智能生成Agent应用的方式帮助企业完成从传统应用到智能应用的竞争力转型,使能千行万业智能应用创新。
去报名
热门标签