分类标签_鲲鹏昇腾开发者社区

分类

【无标题】

简介：本文提出M₁→共享数据范式库→M₂三位一体架构，通过推理前置、推理解耦、推理结构化三重设计，将知识组织、范式匹配、逻辑拆解等推理过程前移至离线阶段完成，使在线阶段仅承担检索与轻量执行。理论推算推理算力需求可降低约98%，与昇腾硬件天然契合，为构建自主算力底座提供了一条切实可行的技术路径。

liuling1991
2026-07-10 11:42:34

 375

 8

#重构 #分类 #人工智能 +2
昇思25天学习打卡营第16天|C基于MobileNetv2的垃圾分类学习（MobileNetv2模型原理）

本文档主要介绍垃圾分类代码开发的方法。通过读取本地图像数据作为输入，对图像中的垃圾物体进行检测，并且将检测结果图片保存到文件中。1、实验目的2、MobileNetv2模型原理介绍MobileNet网络是由Google团队于2017年提出的专注于移动端、嵌入式或IoT设备的轻量级CNN网络，相比于传统的卷积神经网络，MobileNet网络使用深度可分离卷积（Depthwise Separable C

2301_77888392
2024-07-30 22:43:22

 327

 4

#学习 #c语言 #分类
使用ModelArt平台昇腾芯片，将Restnet50模型迁移到猫狗分类实验

总体实验较为简单，数据集处理较为繁琐，在书写Dataset和DataLoader时需要不断考虑NPU是否可以适配，后经过torch_npu的自动迁移，发现无需将cuda相关的函数以及字符修改，自动迁移可以进行自动更换，方便我们使用。其次需要将模型迁移到不同数据集时更换预训练的网络层，以避免输出与label不匹配。Ascend使用整体情况，发现模型在npu’和cpu之间转换时耗时太长，同样的实验环境

 空间驰梦
2023-12-17 19:31:44

 207

#分类 #数据挖掘 #人工智能
昇思25天学习打卡营第25天 | RNN实现情感分类

例如，对于一个电影评论“这部电影太棒了，我非常喜欢”，RNN 可以逐步处理每个单词，捕捉到“太棒了”“非常喜欢”等积极词汇的信息，并综合整个序列的上下文来判断其情感为积极。另一个例子是“这个产品真糟糕，完全不满意”，RNN 能够理解“糟糕”“不满意”等消极词汇以及它们在上下文中的含义，从而将其分类为消极情感。- 将 RNN 输出的表示传递给全连接层，再通过激活函数（如 Softmax）进行分类，得

 hailiu
2024-07-14 06:55:43

 398

 10

#rnn #学习 #分类
04 基于MindSpore通过GPT实现情感分类

注: 如果想要运行的更快一些，可以在训练时需要V100的算力。

血色橄榄枝
2024-11-21 10:22:31

 317

 2

#分类 #数据挖掘
昇思25天学习打卡营第12天|ShuffleNet图像分类

ShuffleNet作为一种高效的卷积神经网络，通过创新的设计和优化，成功实现了在移动设备上进行实时图像分类的目标，为类似应用提供了有力的支持。

Xavier_F
2024-07-21 01:22:13

 325

 5

#学习 #分类 #数据挖掘
《昇思25天学习打卡营第6天|ResNet50图像分类》

从本次开始，接触一些上层应用。本次通过经典的模型，开始本次任务。这里开始学习resnet50网络模型，应该也会有resnet18，估计18的模型速度会更快一些。

hellozmz
2024-07-26 19:53:18

 507

 6

#学习 #分类 #数据挖掘
昇思25天学习打卡营第24天|RNN实现情感分类

设计预测函数，实现输入评价的情感分类。分词处理输入句子。查找词表获取索引ID。转换为Tensor，输入模型进行预测。输出预测结果。通过以上步骤，RNN模型实现了准确的情感分类，展示了自然语言处理中的应用潜力。

Xavier_F
2024-07-26 23:31:52

 568

 5

#学习 #rnn #分类
昇思25天学习打卡营第15天 | Vision Transformer图像分类

为了解决这些问题，有一些改进的方案，如 DeiT（Data-Efficient Image Transformers）、Swin Transformer、Pyramid Vision Transformer 等，使得 Transformer 架构在更多视觉任务（如目标检测、语义分割等）上取得了很好的效果，并逐渐成为视觉模型设计的新范式。其训练和推理通常需要较多的计算资源；输入预处理：将输入图像分成

 hailiu
2024-07-03 19:25:40

 342

 1

#学习 #transformer #分类
昇思25天打卡营-mindspore-ML- Day15-K近邻算法实现红酒分类

K近邻算法（KNN）是一种用于分类和回归的非参数统计方法，其基本思想是通过计算样本与所有训练样本的距离，找出最接近的k个样本，根据这些样本的类别进行投票，票数最多的类就是分类结果。在分类问题中，预测算法的流程是先找出距离待测样本最近的k个样本，统计每个类别的样本个数，最终分类结果为样本个数最多的类。在回归问题中，对样本的回归预测输出值为所有邻居的标签均值或带样本权重的均值。选用了Wine数据集，该

 littlesujin
2024-07-03 18:39:16

 457

 8

#近邻算法 #分类 #算法
昇思25天学习打卡营第19天|基于MobileNetv2的垃圾分类函数

MobileNet网络是由Google团队于2017年提出的专注于移动端、嵌入式或IoT设备的轻量级CNN网络，相比于传统的卷积神经网络，MobileNet网络使用深度可分离卷积（Depthwise Separable Convolution）的思想在准确率小幅度降低的前提下，大大减小了模型参数与运算量。图中Inverted residual block结构是先使用1x1卷积进行升维，然后使用3x

ronlym
2024-07-31 16:25:50

 282

 9

#学习 #分类 #数据挖掘
昇思打卡第十四天（ShuffleNet图像分类）

ShuffleNetV1是旷视科技提出的一种计算高效的CNN模型，和MobileNet, SqueezeNet等一样主要应用在移动端，所以模型的设计目标就是利用有限的计算资源来达到最好的模型精度。ShuffleNetV1的设计核心是引入了两种操作：Pointwise Group Convolution和Channel Shuffle，这在保持精度的同时大大降低了模型的计算量。因此，ShuffleN

qhcl246810
2024-07-03 00:43:02

 310

 4

#分类 #数据挖掘 #人工智能
基于MindSpore通过GPT实现情感分类

【代码】基于MindSpore通过GPT实现情感分类。

梦醒三叹
2024-08-01 20:56:23

 520

 5

#分类 #数据挖掘
昇思25天学习打卡营第19天|文本解码原理--以MindNLP为例

根据前文预测下一个单词一个文本序列的概率分布可以分解为每个词基于其上文的条件概率的乘积MindNLP/huggingface Transformers提供的文本生成方法Greedy search

beyondcr7
2024-07-25 15:09:08

 307

 1

#学习 #rnn #分类
昇思训练营day11学习心得-ShuffleNet图像分类

ShuffleNetV1和MobileNet类似，都是通过设计更高效的网络结构来实现模型的压缩和加速。每一组的卷积核大小为in_channels/g*k*k，总参数量为(in_channels/g*k*k)*out_channels，是正常卷积参数的1/g。引入Channel Shuffle机制（通道重排），将不同分组通道均匀分散重组，使网络在下一层能处理不同组别通道的信息。2.堆叠多个 Shuf

沐礼607
2024-07-16 12:46:57

 253

 3

#分类 #数据挖掘 #人工智能
MindSpore社区活动：Transformer也能图像分类

近些年，随着基于自注意（Self-Attention）结构的模型的发展，特别是Transformer模型的提出，极大地促进了自然语言处理模型的发展。由于Transformers的计算效率和可扩展性，它已经能够训练具有超过100B参数的空前规模的模型。ViT则是自然语言处理和计算机视觉两个领域的融合结晶。在不依赖卷积操作的情况下，依然可以在图像分类任务上达到很好的效果。

Sara011
2023-07-28 17:38:05

 350

#transformer #分类 #深度学习
昇思25天学习打卡营第12天|基于ResNet50的图片分类任务

首先下载数据集,本次数据集一共有50000张训练图片和10000张评估图片,这里使用官方提供的`mindspore.dataset.Cifar10Dataset`接口来加载数据集，并进行相关图像增强操作。来减轻退化问题，使用ResNet网络可以实现搭建较深的网络结构（突破1000层）ResNet网络层数越深，其训练误差和测试误差越小。我调整了训练轮数.30轮的训练之下,准确率有提升,Accurac

distance130
2024-07-05 14:59:43

 353

 2

#学习 #分类 #数据挖掘
昇思25天学习打卡营第18天 | 基于MobileNetv2的垃圾分类

它具有更小的体积、更少的计算量和较高的精度等优势，能够在保持一定准确率的前提下，在资源受限的设备上实现快速运行，适用于多种应用场景，如目标检测、目标分类、人脸属性识别和人脸识别等。逐点卷积则是使用 1×1 的卷积核进行卷积，其作用是对深度卷积后的特征进行组合生成新的特征图，能够起到升维或者降维的作用，还可以很好地整合深度卷积分离开的通道间信息。不同版本的 MobileNet 在具体的网络结构和特性

 hailiu
2024-07-07 00:30:30

 300

 7

#学习 #分类 #目标跟踪
昇思25天学习打卡营第13天 | ShuffleNet图像分类

适用场景有限：虽然 ShuffleNet 在一些特定任务和计算资源受限的环境下表现出色，但它可能并不适用于所有类型的图像分类任务或更大型、更复杂的数据集。迁移学习：利用在大规模数据集上预训练的更复杂的模型，将其学到的知识迁移到 ShuffleNet 上，以增强其在特定任务中的表现。结合集成学习：将多个训练好的 ShuffleNet 模型进行集成，综合它们的预测结果，提高分类的准确性和稳定性。模型参

 hailiu
2024-07-01 18:46:29

 347

 5

#学习 #分类 #人工智能
昇思25天打卡营-mindspore-ML- Day13-SSD目标检测

SSD (Single Shot MultiBox Detector) 是一种单阶段目标检测算法，它能够在单个网络评估过程中直接预测类别和位置，无需像RCNN系列算法那样先生成候选框。SSD在VOC 2007数据集上取得了优异的性能，mAP 达到 74.3%，并且速度达到了 59FPS，在当时是非常出色的。

littlesujin
2024-07-01 18:55:48

 624

 25

#分类 #目标跟踪 #人工智能
昇思25天打卡训练营第14天|ShuffleNet图像分类

Group Convolution（分组卷积）原理如下图所示，相比于普通的卷积操作，分组卷积的情况下，每一组的卷积核大小为in_channels/g*k*k，一共有g组，所有组共有(in_channels/g*k*k)*out_channels个参数，是正常卷积参数的1/g。Group Convolution的弊端在于不同组别的通道无法进行信息交流，堆积GConv层后一个问题是不同组之间的特征图是

 littlewood11
2024-07-26 21:25:31

 493

 5

#分类 #数据挖掘 #人工智能
昇思25天学习打卡营第12天|xkd007|计算机视觉应用实践（3）-ResNet50图像分类

ResNet50网络是2015年由微软实验室的何恺明提出，获得ILSVRC2015图像分类竞赛第一名。在ResNet网络提出之前，传统的卷积神经网络都是将一系列的卷积层和池化层堆叠得到的，但当网络堆叠到一定深度时，就会出现退化问题。下图是在CIFAR-10数据集上使用56层网络与20层网络训练误差和测试误差图，由图中数据可以看出，56层网络比20层网络训练误差和测试误差更大，随着网络的加深，其误差

 冷酷的AI
2024-07-05 11:34:44

 152

#学习 #计算机视觉 #分类
《昇思25天学习打卡营第20天|基于MobileNetv2的垃圾分类》

MobileNet网络是由Google团队于2017年提出的专注于移动端、嵌入式或IoT设备的轻量级CNN网络，相比于传统的卷积神经网络，MobileNet网络使用深度可分离卷积（Depthwise Separable Convolution）的思想在准确率小幅度降低的前提下，大大减小了模型参数与运算量。并引入宽度系数 α和分辨率系数 β使模型满足不同应用场景的需求。

暴力咯
2024-07-15 18:19:50

 617

 17

#学习 #分类 #数据挖掘
昇思25天学习打卡营第23天|RNN实现情感分类

情感分类是自然语言处理中的经典任务，是典型的分类问题。

坤元物联
2024-07-19 10:41:58

 299

 2

#学习 #rnn #分类
昇腾 AI 边缘端开发实战：从模型压缩到实时推理的全流程解析

本文将紧扣课程大纲，从**昇腾AI基础架构**、**TensorFlow模型迁移训练**到**AI应用开发全流程**，系统梳理学习路径与核心知识点。## 一、昇腾AI基础知识：构建技术认知体系 ### （一）昇腾AI全栈架构解析昇腾AI的全栈架构可分为**四层一工具链**： - **计算资源层**：以Ascend 910（训练芯片，FP16算力达256 TFLOPS）和Ascend 310（推理

 寒季666
2025-11-19 10:51:41

 483

 5

#人工智能 #学习 #分类
MindSpore社区活动：Transformer也能图像分类

近些年，随着基于自注意（Self-Attention）结构的模型的发展，特别是Transformer模型的提出，极大地促进了自然语言处理模型的发展。由于Transformers的计算效率和可扩展性，它已经能够训练具有超过100B参数的空前规模的模型。ViT则是自然语言处理和计算机视觉两个领域的融合结晶。在不依赖卷积操作的情况下，依然可以在图像分类任务上达到很好的效果。

qq_30030015
2023-07-27 22:07:39

 298

#transformer #分类 #深度学习
Vision Transformer 图像分类实践笔记：基于 MindSpore 的实现解析

本文基于MindSpore框架，详细解析了VisionTransformer(ViT)中的多头注意力机制实现。该机制将输入特征映射到多个注意力头并行处理，通过QKV变换、缩放点积计算和Softmax归一化建模图像块间关系。文章重点剖析了初始化阶段的多头维度划分、QKV合并生成等设计，以及前向传播中的三阶段流程：QKV重构分离、缩放注意力计算和输出融合投影。MindSpore的高效算子组合实现了简洁

 昇思MindSpore
2025-11-25 16:12:13

 461

 5

#transformer #分类
昇思25天学习打卡营第14天|Shufflenet图像分类

ShuffleNetV1是旷视科技提出的一种计算高效的CNN模型，和MobileNet, SqueezeNet等一样主要应用在移动端，所以模型的设计目标就是利用有限的计算资源来达到最好的模型精度。ShuffleNetV1的设计核心是引入了两种操作：Pointwise Group Convolution和Channel Shuffle，这在保持精度的同时大大降低了模型的计算量。因此，ShuffleN

XueFarah
2024-07-31 14:17:58

 454

 3

#学习 #分类 #数据挖掘
昇思训练营day10学习心得-ResNet50图像分类

定义visualize_model函数，使用训练好的模型对数据集进行预测，并将预测结果可视化。2.

沐礼607
2024-07-16 03:09:22

 268

 8

#分类 #数据挖掘 #人工智能
昇思25天打卡营-mindspore-ML- Day16-基于MobileNetv2的垃圾分类

MobileNetV2 是一种。

littlesujin
2024-07-05 08:38:37

 419

 5

#分类 #数据挖掘 #人工智能
《昇思25天学习打卡营第21天|Vision Transformer图像分类》

本节学习了基于Transformer网络的图像分类模型：实验整体流程图如下：VIT主体结构是基于Transformer模型的Encoder部分，相较于传统的Transformer有以下特点：1.数据集的原图像被划分为多个patch（图像块）后，将二维patch（不考虑channel）转换为一维向量，再加上类别向量与位置向量作为模型输入。2.模型主体的Block结构是基于Transformer的En

.clean
2024-07-27 16:22:51

 346

 5

#学习 #transformer #分类
昇思训练营打卡第十三天（ResNet50图像分类）

在ResNet网络提出之前，传统的卷积神经网络都是将一系列的卷积层和池化层堆叠得到的，但当网络堆叠到一定深度时，就会出现退化问题。ResNet网络提出了残差网络结构(Residual Network)来减轻退化问题，使用ResNet网络可以实现搭建较深的网络结构（突破1000层）。

qhcl246810
2024-07-02 01:12:42

 367

 9

#分类 #数据挖掘 #人工智能
昇思25天学习打卡营第18天|基于MobileNetv2的垃圾分类学习 - MobileNetV2模型的训练与测试

本文档主要介绍垃圾分类代码开发的方法。通过读取本地图像数据作为输入，对图像中的垃圾物体进行检测，并且将检测结果图片保存到文件中。1、实验目的2、MobileNetv2模型原理介绍MobileNet网络是由Google团队于2017年提出的专注于移动端、嵌入式或IoT设备的轻量级CNN网络，相比于传统的卷积神经网络，MobileNet网络使用深度可分离卷积（Depthwise Separable C

m0_68635815
2024-07-30 15:46:57

 546

 4

#学习 #分类 #深度学习
昇思25天学习打卡营第13天|ResNet50图像分类

ResNet50网络是2015年由微软实验室的何恺明提出，获得ILSVRC2015图像分类竞赛第一名。在ResNet网络提出之前，传统的卷积神经网络都是将一系列的卷积层和池化层堆叠得到的，但当网络堆叠到一定深度时，就会出现退化问题。下图是在CIFAR-10数据集上使用56层网络与20层网络训练误差和测试误差图，由图中数据可以看出，56层网络比20层网络训练误差和测试误差更大，随着网络的加深，其误差

 XueFarah
2024-07-31 14:15:23

 336

 1

#学习 #分类 #数据挖掘
昇思25天打卡训练营第13天|ResNet50图像分类

若输出的图像较输入图像缩小一倍，则要设置shortcuts中卷积操作中的stride为2，主分支第一层卷积操作的stride也需设置为2。该结构的主分支有三层卷积结构，分别为 1×1的卷积层、 3×3卷积层和 1×1的卷积层，其中 1×1的卷积层分别起降维和升维的作用。该层堆叠3个[1×1，512；主分支第一层网络以输入channel为256为例，首先通过数量为64，大小为 1×1的卷积核进行降维

 littlewood11
2024-07-26 06:37:02

 621

 21

#分类 #数据挖掘 #人工智能
昇思25天学习打卡营第19天|基于MobileNetv2的垃圾分类

MobileNet网络是由Google团队于2017年提出的专注于移动端、嵌入式或IoT设备的轻量级CNN网络，相比于传统的卷积神经网络，MobileNet网络使用深度可分离卷积（Depthwise Separable Convolution）的思想在准确率小幅度降低的前提下，大大减小了模型参数与运算量。并引入宽度系数 α和分辨率系数 β使模型满足不同应用场景的需求。

XueFarah
2024-07-31 14:26:05

 326

 5

#学习 #分类 #数据挖掘
昇思25天打卡营-mindspore-ML- Day12-ShuffleNet图像分类

ShuffleNet是一种轻量级深度学习模型，专门为移动端和嵌入式设备设计，旨在在有限的计算资源下实现高精度的图像分类任务。它通过引入和两种操作，有效地降低了模型的计算量和参数量，同时保持了较高的准确率。ShuffleNet 的核心优势轻量化： ShuffleNet 通过分组卷积和通道重排技术，大幅减少了模型的参数量和计算量，使其更适合在移动端和嵌入式设备上运行。高效性：尽管模型轻量化，但 Sh

littlesujin
2024-07-01 08:59:43

 925

 15

#分类 #数据挖掘 #人工智能
昇思25天学习打卡营第13天|使用ShuffleNet图像分类学习 - ShuffleNetV1定义网络

ShuffleNetV1是旷视科技提出的一种计算高效的CNN模型，和MobileNet, SqueezeNet等一样主要应用在移动端，所以模型的设计目标就是利用有限的计算资源来达到最好的模型精度。ShuffleNetV1的设计核心是引入了两种操作：Pointwise Group Convolution和Channel Shuffle，这在保持精度的同时大大降低了模型的计算量。因此，ShuffleN

m0_68635815
2024-07-07 18:08:12

 831

 13

#学习 #分类 #网络
MindSpore开源库 Mnist数据集分类

【代码】MindSpore开源库 Mnist数据集分类。

weixin_49520999
2024-12-31 11:00:04

 901

 20

#分类 #机器学习 #深度学习
昇思 25 天学习打卡营第 16 天 | Transformer图像分类

近些年，随着基于自注意（Self-Attention）结构的模型的发展，特别是Transformer模型的提出，极大地促进了自然语言处理模型的发展。由于Transformers的计算效率和可扩展性，它已经能够训练具有超过100B参数的空前规模的模型。ViT则是自然语言处理和计算机视觉两个领域的融合结晶。在不依赖卷积操作的情况下，依然可以在图像分类任务上达到很好的效果。

空城旧梦ゞ忆流年
2024-07-14 21:35:04

 1047

 16

#学习 #transformer #分类
昇思25天学习打卡营第13天|ResNet50图像分类

ResNet50网络是2015年由微软实验室的何恺明提出，获得ILSVRC2015图像分类竞赛第一名。在ResNet网络提出之前，传统的卷积神经网络都是将一系列的卷积层和池化层堆叠得到的，但当网络堆叠到一定深度时，就会出现退化问题。下图是在CIFAR-10数据集上使用56层网络与20层网络训练误差和测试误差图，由图中数据可以看出，56层网络比20层网络训练误差和测试误差更大，随着网络的加深，其误差

 江宁府永定
2024-07-12 17:45:40

 2075

 48

#学习 #分类 #php
昇思25天学习打卡营第13天|ShuffleNet图像分类

ShuffleNetV1是旷视科技提出的一种计算高效的CNN模型，和MobileNet, SqueezeNet等一样主要应用在移动端，所以模型的设计目标就是利用有限的计算资源来达到最好的模型精度。ShuffleNetV1的设计核心是引入了两种操作：Pointwise Group Convolution和Channel Shuffle，这在保持精度的同时大大降低了模型的计算量。因此，ShuffleN

清风素衣月初凉
2024-07-30 20:31:36

 901

 15

#学习 #分类 #深度学习
《昇思25天学习打卡营第16天|RNN实现情感分类》

情感分类是自然语言处理中的经典任务，是典型的分类问题。输入: This film is terrible正确标签: Negative预测标签: Negative输入: This film is great正确标签: Positive预测标签: Positive最后我们设计一个预测函数，实现开头描述的效果，输入一句评价，获得评价的情感分类。将输入句子进行分词；使用词表获取对应的index id序列；

QAQ23333333333
2024-07-09 17:52:44

 1082

 9

#学习 #rnn #分类