登录社区云，与社区用户共同成长
邀请您加入社区
当模型在训练集上达到95%准确率，却在真实临床环境中因数据噪声或分布偏移导致性能骤降时，医疗决策将面临严重风险。LightGBM的早停机制，正是实现这一目标的隐形基石——它让模型在数据洪流中“稳住”，而非在过拟合的浪尖上“漂移”。当每一份医疗报告都因早停而更可靠，AI才真正成为医生的“智慧伙伴”，而非风险的放大器。在医疗人工智能的浪潮中，分类模型（如疾病筛查、风险预测）的性能常被过度关注，却忽略了
✅BERT 分类上下文有硬上限：512 tokens❌ 超过就只能截断或切分短 chunk + 多标签分类是最优解🚫 不要迷信“CLS 能看全文”
土壤是地球生态系统的重要组成部分，也是农业生产的基础。准确的土壤分类对于农业规划、土地利用管理、环境监测以及资源保护具有重要意义。随着人工智能技术在农业领域的广泛应用，高质量的土壤图像数据集成为训练和开发土壤分类模型的关键资源。本数据集提供了丰富的土壤图像资源，包含原始数据和增强数据两个部分，涵盖7种主要土壤类型，总计2371张高分辨率JPG图像。这些数据不仅为土壤分类算法的研究和开发提供了坚实基
本项目基于先进的YOLOv11目标检测算法，开发了一套高效、精准的船舶图像分类与检测系统。该系统能够对输入图像或视频中的船舶目标进行实时定位（Bounding Box）并准确分类为五大特定类别：集装箱船（Container Ship）、邮轮（Cruise Ship）、军用船舶（Military Ship）、滚装船（RORO）以及油轮（Tanker）。YOLOv11作为YOLO系列的最新迭代，其在检
图像分类是计算机视觉的核心任务，广泛应用于自动驾驶、医疗影像分析和人脸识别等领域。深度学习，特别是卷积神经网络（CNN），极大推动了这一技术的发展。2012年，AlexNet在ImageNet挑战赛中大幅降低分类错误率，标志着深度学习时代的开端。此后，模型架构从 ResNet 进化到 VisionTransformer（ViT），性能不断提升。到2025年，硬件算力增强和PyTorch 2.x 等
基于RDK X5开发板的智能垃圾分类垃圾桶项目，旨在利用人工智能技术实现垃圾的自动识别与分类。垃圾桶硬件装置应实现对行人投入垃圾的四分类投放(可回收垃圾、有害垃圾、厨余垃圾、其他垃圾)。该系统主要由摄像头模块、RDK X5开发板和分类装置组成。摄像头通过MIPI CSI接口或者USB接口连接，实时采集垃圾图像；RDK X5开发板凭借其10 TOPS的算力，运行预先训练的深度学习模型，对图像进行分析
对于各行各业有定制AI需求的企业用户来说，无论您是否具备AI基础，EasyDL设计简约，极易理解，最快5分钟即可上手学会，15分钟完成模型训练。通过本教程，大家能够发现EasyDL的使用是非常便捷的，从数据的分析、模型训练到最后的模型部署，一站式解决了AI应用的全部问题。目前有免费的算力，也可以花钱买配置更加高的算力，训练速度会快很多，当然，免费其实一般也够用了，时间也很快。要完成垃圾分类模型训练
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；一共10个类别，每类2万条。第七阶段
本发明提出一种轻量级工业图像关键点检测方法，采用分类模型替代传统热图模型，降低了计算量。该方法通过特征提取网络获取图像特征后，利用横纵坐标分类头和可见性分类头分别预测关键点坐标和可见性，并通过交叉熵损失函数计算坐标误差和可见性误差。网络采用步长为1的卷积和MobileNetV3的倒残差结构，确保在低算力设备上实时运行。创新性地引入可见性损失函数，避免检测不存在关键点，且通过加权损失函数平衡不同预测
Ampere 架构引入了第三代 Tensor Core，提供了更强大的 AI 训练和推理能力以及更加逼真的图形渲染性能，支持更多的数据类型和更高的计算效率，同时也推出了多实例 GPU (MIG) 技术，允许单个 GPU 资源在多个用户间进行分割，提高了硬件的使用效率。一般情况下，按照目前的主流方案，通常会采用FP16 Tenser加速的989TFPOPS，约1个P来计算，当然某些项目依然还是用稀疏
是一种专为大语言模型（LLM）和生成式 AI 模型设计的二进制文件格式模型体积过大（动辄几十 GB），普通设备难以运行；加载速度慢，无法快速启动推理；依赖复杂框架，跨平台兼容性差。我用AI写的代码让AI分析结果，写了一个AI文章希望你对python 的有点了解：一个理想的训练过程，就是一个正向的，你最终知道目的地，并且能够到，能去掉的这么一个目的地TextClassifcation 和 这个交叉X
AI大模型：基于python旅游景点评论数据分析系统 LDA主题分析 NLP情感分析 Bayes评论分类 可视化 计算机毕业设计✅
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
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
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
注: 如果想要运行的更快一些，可以在训练时需要V100的算力。
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。
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。
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。
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
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
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
Pytroch实现bert网络文本分类本实验主要是用来指导用户如何使用pytorch来搭建经典的Bert网络，并在此基础上使用昇腾Npu硬件对Bert网络实现文本分类训练的代码实战过程。Bert网络的主要创新点介绍Bert及网络搭建过程介绍BERT(Bidirectional Encoder Representations from Transformers)是一种基于多层Transformer-
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
【代码】基于MindSpore通过GPT实现情感分类。
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
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
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。
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
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
本章节，花费了3天时间，学习了基于MobileNetv2网络的垃圾分类模型。在MobileNetV2模型中学习了倒残差结构(Inverted residual block)与线性瓶颈结构(Linear Bottlenecks)
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
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。
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
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
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。
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。
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
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
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.
分类
——分类
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
松山湖开发者村综合服务平台
九章云极普惠算力
鲲鹏昇腾开发者社区
