内容选择
全部
内容选择
内容分类
  • 学堂
  • 博客
  • 论坛
  • 开发服务
  • 开发工具
  • 直播
  • 视频
  • 用户
时间
  • 一周
  • 一个月
  • 三个月
  • seq2seq和注意力模型

    seq2seq模型虽然强大,但如果仅仅是单一使用,那么效果会打一些折扣。注意力模型就是基于编码G解码框架下一种模拟人类注意力直觉一种模型。人脑注意力机制本质上是一种注意力资源分配模型。例如,在阅读一篇论文时,在某个特定时刻我们注意力肯定只会在某一行文字描述,而在看到一

    作者: 黄生
    31
    3
  • KubeEdge发布云原生边缘计算威胁模型及安全防护技术白皮书

    本文将分析KubeEdge威胁模型,并给出相应安全防护方案。 目标人群 以下人群在使用KubeEdge过程中,了解本文分析KubeEdge威胁风险和可能缓解措施将对他们工作发挥很大作用: • KubeEdge贡献者。 一个通用威胁模型可能对开发KubeEdg

    作者: 云容器大未来
    发表时间: 2022-07-26 11:51:23
    1681
    0
  • sample resnet-18 模型转化失败

    我在使用官方ddk sample 做实验时候,转化resnet-18这个例子,发现转化时出现了错误。错误日志如下图所示,从log上看是最后保存om时候出现了错误,能否帮忙看一下具体错误原因ps:我是采用命令行方式

    作者: liuchanchen
    1047
    2
  • 【mindspore】【xception模型】脚本语句疑有错误

    sh上面是mindsporemodel-zoo中xception脚本地址,链接中文件17、23行,我认为是多余,这里设置device-id其实并不能控制使用卡序号,根本上,训练代码中就没有使用device-id这个参数。想了解下这里是否存在语句多余问题呢?

    作者: Gogery
    1022
    4
  • 例程小猪佩琪caffe ssd模型训练

    有人有例程寻找小猪佩琪caffe训练文档吗?自己在华为ModelArts上训练,会报no module named _caffe或者其他寻找不到模块错误。

    作者: 七度
    5493
    5
  • 架构学习——原型图

    “原型”最基本定义是“最终产品仿真或样本版本,用于发布之前方便测试。” 原型目标是在花费大量时间和金钱进入开发产品前,让开发者以及对应需求方能够快速了解产品创意以及产品样式布局。 二、为什么要画原型图? 帮助需求方更好了解产品设计方案,也方便进行对应调整和修

    作者: 翟文彪
    发表时间: 2022-05-10 15:28:37
    1007
    0
  • 【摄像机 SDC】模型转换精度

    您好,我想问一下就是在Caffe->wk这个阶段,RuyiStudio   和   好望开发平台高级模式下模型转化效果(caffe->wk)是一样吗?同一个caffe模型转到wk时两者转换精度是否在一个量级上?

    作者: TM123
    3282
    1
  • 自己训练caffe yolov3 模型 没有报错 也没有识别结果

    0_c++中sample代码,prototxt文件参照https://support.huaweicloud.com/usermanual-mindstudioc73/atlasmindstudio_02_0112.html修改,caffemodel是基于原本prototx

    作者: 期系级
    841
    4
  • 【分布式训练与保存】如何合并分布式保存模型

    【功能模块】分布式保存模型转存【操作步骤&问题现象】1、前提:代码修改自PanGu-Alpha,训练中是采用了数据并行、模型并行,并开启了优化器并行,因此所有保存CheckPoint才是一个完整模型。我们想把这些ckpt合并成一个完整权重文件。2、我们看到官方文档会有一份

    作者: 根源式
    841
    6
  • Elasticsearch学习

    是一个基于ApacheLucene™开源搜索引擎,是一个分布式 免费开源搜索和分析引擎 ,适用于包括文本、数字、地理空间、结构化和非结构化数据等在内所有类型数据!无论在开源还是专有领域,Lucene可以被认为是迄今为止最先进、性能最好、功能最全搜索引擎库。 1-2、ES 可以干什么?

    作者: 木字楠
    发表时间: 2022-12-22 11:55:15
    157
    0
  • 手把手教你用Postman测试ModelArts​部署图像分类模型

    可持续创新云服务,做智能世界“黑土地”,推进实现“用得起、用得好、用得放心”普惠AI。华为云作为底座,为华为全栈全场景AI战略提供强大算力平台和更易用开发平台。华为云官方网站ModelArts是华为云产品中面向开发者一站式AI开发平台,为机器学习深度学习提供海量数据

    作者: 看那个码农
    2838
    2
  • 基于ModelAtrts平台使用mindspore框架提升CIFAR-10模型精度

    慢上升卷积核数量原因是当输出卷积核数量远远多于输入卷积核数量时卷积神经网络会出现过度参数化情况,网络参数数量急剧增加,从而增加模型复杂性。也有可能会出现过度关注局部特征情况,当输出卷积核数量远多于输入卷积核数量时,网络可能会过度关注局部细节特征。较多卷积核数

    作者: 陆诚韬
    243
    1
  • 【数学建模】MATLAB应用实战系列(九十)-TOPSIS法应用案例(附MATLAB和Python代码)

    品专栏,需要小伙伴可自行订阅 深度学习100例全系列详细教程  深度学习算法原理介绍及应用案例 tensorflow从入门到精通100讲 深度学习框架TensorFlow应用案例 手把手教你ML机器学习算法源码全解析  机器学习算法解析及应用案例

    作者: 格图洛书
    发表时间: 2022-06-09 16:58:28
    333
    0
  • 【企业培训】玩转时习知No.2 | 学习太枯燥?学习地图让你边学边玩

    时习知,你数字化学堂 时习知官方网站:shixizhi.huawei.com 时习知华为云链接:https://marketplace.huaweicloud.com/contents/86090788-0bf1-409e-82c4-a13558bdb6fc

    作者: 时习知-企业培训
    发表时间: 2022-07-19 06:58:12
    500
    0
  • Shell 编程学习(一)

    号和单引号中如果有其他单引号/双引号包含name变量是可以,而单引号是不行;但是双引号和单引号中如果有其他单引号/双引号包含name变量是可以,而单引号是不行;但是双引号和单引号中如果有其他单引号/双引号包含name变量,是可以,理解为字符串拼接。 2)字符串拼接

    作者: Studying-swz
    发表时间: 2022-10-07 12:32:19
    152
    0
  • Netty学习指南(资料、文章汇总)

    @[toc] 学习资料 学习前具备知识:Java基础IO、多线程、部分jvm知识… Netty官网 原理知识点: TCP粘包与粘包(网络):面试题:粘包和拆包、tcp粘包和拆包处理方案 简述同步IO、异步IO、阻塞IO、非阻塞IO之间联系与区别 文章推荐: netty全过程图解(最详细清晰版)

    作者: 长路
    发表时间: 2022-11-27 14:56:02
    86
    0
  • TF之DD:利用Inception模型+GD算法生成更大尺寸Deep Dream精美图片

    TF之DD:利用Inception模型+GD算法生成更大尺寸Deep Dream精美图片     目录 输出结果 设计思路 部分代码         输出结果 设计思路   部分代码 TF之TFDeepDream:生成更大尺寸Deep Dream图像from

    作者: 一个处女座的程序猿
    发表时间: 2021-03-30 14:30:42
    478
    0
  • 【jquery Ajax】接口学习与Postcode插件使用

          什么是接口文档 接口文档,顾名思义就是接口说明文档,它是我们调用接口依据,好接口文档包含了对接口URL,参数以及输出内容说明,我们参照接口文档就能方便知道接口作用,以及接口如何进行调用。        

    作者: 坚毅的小解同志
    发表时间: 2022-11-21 11:17:14
    109
    0
  • 深度神经网络中过拟合问题如何有效解决?

    深度神经网络中过拟合问题如何有效解决?

    作者: 柠檬味拥抱1
    15
    2
  • 【一周AI资讯】20211119:大脑模拟AI学习策略,这项逼近反向传播研究登上《自然-神经科学》

     热点二:异构表格数据挑战,深度神经网络如何解?来自图宾根大学等机构研究者进行了首个深入研究基于表格数据深度学习方法工作,为该领域内研究者和从业者提供了一份宝贵指南。异构表格数据是最常用数据形式,对于众多关键和计算要求高应用程序至关重要。深度神经网络在同构数据集上

    作者: chengxiaoli
    2789
    0