已找到以下 10000 条记录
  • 使用Python实现深度学习模型模型部署与生产环境应用

    使用Docker进行容器化部署 在云端部署模型 总结 1. 模型部署简介 1.1 模型部署概念 模型部署是将训练好的机器学习深度学习模型集成到应用程序或服务中,使其能够在生产环境中运行并提供预测服务的过程。部署模型需要考虑以下几个方面: 模型保存与加载 API服务 容器化部署 云端部署

    作者: Echo_Wish
    发表时间: 2024-07-07 13:36:30
    193
    0
  • 使用Python实现深度学习模型:跨平台模型移植与部署

    引言 随着深度学习技术的快速发展,模型的跨平台移植与部署变得越来越重要。无论是将模型从开发环境移植到生产环境,还是在不同的硬件平台上运行,跨平台部署都能显著提高模型的实用性和可扩展性。本文将介绍如何使用Python实现深度学习模型的跨平台移植与部署,并提供详细的代码示例。 所需工具

    作者: Echo_Wish
    发表时间: 2024-07-10 09:46:23
    122
    0
  • 使用Python实现深度学习模型模型监控与性能优化

    深度学习模型的实际应用中,模型的性能监控与优化是确保其稳定性和高效性的关键步骤。本文将介绍如何使用Python实现深度学习模型的监控与性能优化,涵盖数据准备、模型训练、监控工具和优化策略等内容。 目录 引言 模型监控概述 性能优化概述 实现步骤 数据准备 模型训练 模型监控

    作者: Echo_Wish
    发表时间: 2024-07-08 08:32:11
    97
    0
  • 半精度和全精度下模型收敛

    训练Resnet,Vit,Cswin时,设置amp_level="O2"(半精度)时,cswin不收敛,vit,resnet收敛,而设置amp_level="O0"(全精度)时,三个模型都正常收敛。一致找不到原因?有谁知道可能的原因吗?

    作者: yd_299963712
    456
    4
  • 深度强化学习模型优化算法综述

    将综述深度强化学习模型优化算法的发展及其在实际应用中的应用情况。 I. 引言 深度强化学习模型的优化算法是指在训练深度神经网络的同时,结合强化学习框架,使智能体能够从环境中学习到最优策略。优化算法的选择直接影响了模型的性能和训练效率。本文将介绍几种主流的深度强化学习模型优化算法

    作者: Y-StarryDreamer
    发表时间: 2024-05-20 14:44:53
    5
    0
  • 深度神经学习网络模型

    深度神经网络-隐马尔科夫模型深度神经网络-隐马尔科夫模型(DNN-HMM)利用DNN的强大的特征学习能力和HMM的序列化建模能力进行语音识别任务的处理,在很多大规模任务中,其性能远优于传统的GMM-HMM混合模型。DNN部分:特征的学习能力估计观察特征的概率预测状态的后

    作者: G-washington
    1920
    1
  • 走近深度学习,认识MoXing:模型定义教程

    Stopping](使用Early Stopping)1 使用MoXing模型库的内置模型目前MoXing集成了一些神经网络模型,用户可以直接使用mox.get_model_fn获取这些模型。以及使用mox.get_model_meta获取这些模型的元信息。例:训练一个ResNet_v1_50:import

    作者: 云上AI
    发表时间: 2018-08-22 10:17:48
    6783
    0
  • 《Keras深度学习实战》—2.6.2 模型类型

    2.6.2 模型类型Keras有两种模型类型:序贯模型使用函数API创建的模型

    作者: 华章计算机
    发表时间: 2019-06-15 12:27:44
    7393
    0
  • 编辑代码(简易编辑器) - 网络智能体

    支持使用简易编辑器编辑代码。可选择下述一种方式,进入简易编辑器开发环境编辑代码: 在“模型训练”菜单页面,“开发环境”为“简易编辑器”的情况下,单击联邦学习工程所在行的。 在“模型训练”菜单页面,单击联邦学习工程所在行,进入详情界面。“开发环境”为“简易编辑器”的情况下,单击详情界面右上角的图标。

  • 深度神经学习网络模型

    深度神经网络-隐马尔科夫模型深度神经网络-隐马尔科夫模型(DNN-HMM)利用DNN的强大的特征学习能力和HMM的序列化建模能力进行语音识别任务的处理,在很多大规模任务中,其性能远优于传统的GMM-HMM混合模型。DNN部分:特征的学习能力估计观察特征的概率预测状态的后验概率

    作者: 运气男孩
    826
    8
  • 迁移学习 - 网络智能体

    迁移学习 如果当前数据集的特征数据不够理想,而此数据集的数据类别和一份理想的数据集部分重合或者相差不大的时候,可以使用特征迁移功能,将理想数据集的特征数据迁移到当前数据集中。 进行特征迁移前,请先完成如下操作: 将源数据集和目标数据集导入系统,详细操作请参见数据集。 创建迁移数据

  • SPPNet深度学习网络模型学总结

    SPPNet深度学习网络模型学**结第一章 SPPNet是什么SPP (Spatial Pyramid Pooling 空间金字塔池化)是由何恺明,张翔宇,任少卿等人在2014年6月份提出来的一种深度学习网络层,可以实现给其输入不同尺寸(W,H)的图像,经过SPP层输出的尺寸都是

    作者: 小二中二大二
    2035
    0
  • 深度学习计算服务平台

    深度学习计算服务平台是中科弘云面向有定制化AI需求的行业用户,推出的AI开发平台,提供从样本标注、模型训练、模型部署的一站式AI开发能力,帮助用户快速训练和部署模型,管理全周期AI工作流。平台为开发者设计了众多可帮助降低开发成本的开发工具与框架,例如AI数据集、AI模型与算力等。

  • 深度学习之结构化概率模型

    可以通过边互相连接的顶点的集合构成。当我们用图来表示这种概率分布的因子分解,我们把它称为结构化概率模型 (structured probabilistic model) 或者图模型 (graphical model)。

    作者: 小强鼓掌
    1078
    4
  • 分享适合科学研究深度学习模型

    热门的任务已经取得了一些进展。当前需要处理序列数据的核心人物包括:语言建模、序列到序列转换、问答等  深度学习模型那么多,科学研究选哪个?序列到序列预测任务的图示语言建模(Next Token Prediction)作为一种训练方法,将时间或者位置t的序列标记作为输入,然后用这些

    作者: 初学者7000
    1259
    5
  • 无监督学习深度生成模型

     图像领域的深度生成技术 基于神经网络的深度学习技术  变分自编码器包括编码器和解码器  对抗生成网络包括生成器和判别器  主流场景包括:虚拟图像生成、风格迁移、图像超分、虚拟视频生成、音乐生成、文字生成图像等。

    作者: 可爱又积极
    1069
    2
  • DL之模型调参:深度学习算法模型优化参数之对深度学习模型的超参数采用网格搜索进行模型调优(建议收藏)

    DL之模型调参:深度学习算法模型优化参数之对深度学习模型的超参数采用网格搜索进行模型调优(建议收藏)       目录 神经网络的参数调优 1、神经网络的通病—各种参数随机性 2、评估模型学习能力

    作者: 一个处女座的程序猿
    发表时间: 2021-04-01 18:11:24
    1388
    0
  • 腾讯医疗AI深度学习预训练模型MedicalNet

    2019年8月,腾讯优图首个医疗AI深度学习预训练模型 MedicalNet 正式对外开源。这也是全球第一个提供多种 3D 医疗影像专用预训练模型的项目MedicalNet具备以下特性: 1、MedicalNet提供的预训练网络可迁移到任何3D医疗影像的AI应用中,包括但不限于分

    作者: AI资讯
    8751
    36
  • 深度学习——VGG16模型详解-转载

    很明显: 即训练时间过长,调参难度大。 需要的存储容量大,不利于部署。 5、VGG模型所需要的内存容量  借鉴一下大佬的图:    6、总结  通过增加深度能有效地提升性能; VGG16是最佳的模型,从头到尾只有3x3卷积与2x2池化,简洁优美; 卷积可代替全连接,可适应各种尺寸

    作者: 泽宇-Li
    69
    2
  • 使用Python实现深度学习模型:语言模型与文本生成

    1. 语言模型简介 语言模型是用来估计一个句子(或一个单词序列)概率的模型。简单地说,语言模型试图预测下一个单词。基于深度学习的语言模型,如GPT-2和BERT,已经在自然语言处理领域取得了显著的成果。 1.1 GPT(生成式预训练变换器) GPT是一种基于Transfo

    作者: Echo_Wish
    发表时间: 2024-06-25 22:13:48
    6
    0