登录社区云，与社区用户共同成长
邀请您加入社区
牵引快速把在GPU训推的pytorch模型迁移到昇腾硬件上，使用cann，torch_npu, mindie等关键组件
本文介绍了U-Net网络的核心操作及其在MindSpore框架中的实现方法。U-Net包含5类关键操作：3×3卷积+ReLU用于特征提取，最大池化实现下采样，转置卷积进行上采样，特征裁剪拼接用于跳跃连接，以及1×1卷积输出分割结果。文章详细说明了这些操作对应的MindSpore API及其使用方式，包括特征提取模块的组合实现、中心裁剪方法、池化和上采样操作等。这些API可以完整构建U-Net的编码
以下是基于 MindSpore 框架的模型训练策略调整代码示例，涵盖及。
个人学习mindspore全过程与心得
张量（Tensor）创建、索引、运算以及与NumPy相互转换
摘要：本文详细介绍了在Windows系统下配置深度学习环境的步骤。首先通过WSL安装Ubuntu 24.04 LTS虚拟机，并说明如何更改默认安装位置。接着安装Miniconda并创建虚拟环境，安装CUDA Toolkit 13.0和GPU版PyTorch框架，提供验证GPU是否可用的方法。同时提到将MATLAB用于前期神经网络可视化设计，PyTorch用于后期仿真实现。文中包含具体命令行操作指南
【摘要】传统教育存在诊断不精准和推荐无个性两大痛点。本研究提出"CNN+图嵌入"智慧学习助手方案，通过构建数学知识图谱挖掘知识点关联，结合CNN特征提取和LSTM知识追踪实现精准诊断。系统采用Neo4j存储知识点关系，PyTorch实现图卷积网络，在武汉某中学七年级数学数据上验证效果：准确率达91.32%，较传统方法提升4.8%，能差异化诊断同分学生的知识漏洞。实验显示，该方案
本文介绍了卷积神经网络（CNN）的基本原理及其在图像识别中的应用。针对传统全连接网络处理图像时参数量过大的问题，CNN通过滑动窗口（卷积）和参数共享大幅减少参数量，同时具有平移不变性优势。文章详细解释了卷积运算、池化操作和零填充等核心概念，并提供了PyTorch实现示例。作者指出CNN通过局部连接、参数共享和特征提取等机制高效处理图像数据，最后推荐了学习进阶方向和实战项目。全文以直观类比和代码示例
基于Pytorch深度学习框架进行整体环境搭建，包括数据集制作，模型训练，模型测试，模型优化；基于kinova机器人搭建实际抓取环境；采用级联网络Cascade R-CNN提取特征。一、针对机器人多物体抓取检测研究问题，选用Cascade R-CNN为基础网络框架，Cascade R-CNN是通用目标检测中表现较好的一种级联算法，其特点是速度快，检测精度高。二、首先构建一个由三十二类对象组成的多目
（1）对于给定一定数量的卷积操作，大多数情况下使用1×1卷积代替3×3卷积,可以使网络减少9倍以上的参数量。（2）减少3×3卷积核的输入通道数量。考虑一个完全由3x3滤波器组成的卷积层。该层的参数量可通过如下公式计算：(number of input channels)×(number of filters)×(3×3)。所以，为了在CNN中保持一个小的参数总数，不仅要减少3x3滤波器的数量，而且
卷积神经网络（CNN）是深度学习计算机视觉领域的基石架构。本文系统剖析了LeNet、AlexNet、VGG、GoogLeNet和ResNet五大经典网络的结构设计、创新原理及性能特征。通过详细的数学推导、参数计算实例和PyTorch代码实现，深入探讨了各网络的层输出变换、参数量计算和浮点运算次数分析。文章不仅提供了完整的理论框架，还包含实用的计算方法和可视化示例，为读者全面理解CNN架构演进提供了
本项目实现了一个基于马尔可夫转移场(MTF)优化的卷积神经网络(CNN)融合多头注意力机制(MHA)的多特征分类预测系统。主要创新点包括： 采用MTF将时间序列转换为状态转移概率矩阵，有效捕捉时序动态特征 结合CNN的空间特征提取能力和MHA的多维特征加权融合 实现了端到端的训练流程，支持金融、医疗、工业等多领域应用 系统特点： 模块化设计：包含数据预处理、MTF编码、模型训练、评估预测等完整流程
卷积神经网络（CNN）已成为计算机视觉领域的核心技术，但其内部工作机制长期被视为"黑箱"。本文通过特征可视化技术，系统剖析了CNN中浅层与深层特征的表征能力和特性。结合PyTorch代码实现和可视化案例，深入探讨了从边缘、纹理等低级特征到物体部件、语义概念等高级特征的层次化提取过程。文章详细介绍了特征图可视化、梯度上升、Guided Backpropagation等关键技术，并提供了完整的实践指南
本文介绍了一个基于CNN的简单图像分类案例。使用60000张28×28黑白图像作为训练集，10000张作为验证集。通过pandas读取数据，使用PyTorch构建包含卷积层、ReLU激活函数、池化层和全连接层的Sequential模型。模型训练采用AdamW优化器和交叉熵损失函数，在30轮训练后达到约90%的准确率。训练过程包括数据加载、参数初始化、损失计算和反向传播等步骤，最终通过可视化展示训练
本文详细介绍了基于MobileNet的人脸表情识别系统的设计与实现，包括数据集的选择、模型训练、GUI界面的设计等方面。通过本文的介绍，我们可以了解到如何使用深度学习技术实现人脸表情识别，以及如何构建一个GUI界面来实现人脸表情的实时检测。同时，本文也提供了详细的代码实现和资源文件，为相关领域的研究人员和新入门者提供了一个参考。未来的研究可以进一步改进模型的准确性和鲁棒性，并应用于更广泛的领域和应
