登录社区云，与社区用户共同成长
邀请您加入社区
迁移学习通过复用预训练模型加速训练并提升性能，尤其在数据稀缺时有效。传统深层网络面临梯度消失/爆炸与退化问题，ResNet通过残差连接实现恒等映射，缓解梯度问题并防止性能下降。结合BatchNormalization稳定输入分布、加速训练并增强泛化。迁移学习步骤包括：选择预训练模型、冻结部分参数、训练新增层、微调特定层，并评估优化效果。
本文基于PyTorch，使用预训练ResNet18模型实现食物分类任务，通过迁移学习技术显著提升小数据集下的分类性能。核心步骤包括：加载ImageNet预训练权重、冻结卷积层参数、替换全连接层为20类输出，并仅训练新层。结合数据增强与学习率调度，实现高效训练。该方法在参数量少、数据有限的情况下仍可获得高准确率，充分体现了迁移学习在图像分类中的优势。
本文介绍了如何在本地环境中部署和使用ollama与vLLM两大开源大模型框架。ollama适合本地开发和小规模部署，提供简单命令管理Llama2等主流模型；vLLM则专注于生产环境的高并发需求，兼容OpenAI API协议。文章详细讲解了两种框架的安装配置方法（curl安装ollama，pip安装vLLM），并提供了Python客户端实现代码示例，包括统一调用封装的设计方案。最后给出了优化建议：o
npu在这里丢了image_embedding的梯度，因为该模型用到了Reg_op(RepeatInterleaveGrad)这个算子，接下来分析cann包是否有这个算子 发现是有的 但是通过进入python后调用torch_npu.repeat_interleave_backward_tensor这个函数，发现调用失败。功能说明：停止精度数据采集，在 start 函数之后的任意位置添加，若需要
摘要：未来十年，仿真测试工程师的角色将发生结构性转变，从单纯的功能验证者逐步演变为智能系统的治理者和决策者。第一阶段（2025-2027）聚焦功能测试；第二阶段（2027-2030）转向风险发现与系统分析；第三阶段（2030-2035）工程师将获得对智能系统的否决权，成为责任锚点和"人类良心接口"。这一演进要求工程师兼具技术能力、风险判断和社会伦理意识，最终目标是成为"
这篇论文核心也是联邦学习与区块链技术的结合，应用场景放在了CTI共享中。文章将深度学习的恶意流量检测模型的参数视为CTI，使用联邦学习进行共享，从情报共享的角度来进行文章的书写。那么在introduction与related work中就可以对CTI领域的研究进行概括总结，介绍自己的工作并进行对比，突出自己工作的创新与优点，并且形成一个表格进行清晰地对比。（从中我们可以学习到，我们如果做类似的工作
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档论文分享（4）---- OPTIMIZATION AS A MODEL FOR FEW-SHOT LEARNING摘要一、问题定义二、Model1. 模型定义2. 模型参数共享和预处理3. 梯度更新简化总结摘要尽管深度学习在数据量充足的领域已经取得了很大的成功，但是它们很难在数据量匮乏的情况下发挥。这是因为现有的优化策略都是基于梯度进
本文详细记录了作者作为新手将树莓派系统移植到嘉立创泰山派开发板的完整过程。文章分为四个部分：首先介绍系统烧录步骤，包括下载镜像、使用瑞芯微工具烧录等；其次说明泰莓派初始化设置，包括WIFI连接和基础配置；然后讲解如何通过SSH和VNC实现远程终端访问；最后介绍远程桌面连接方法。作者在移植过程中遇到诸多困难，通过参考开源文档和CSDN教程最终成功完成移植，并希望通过本文完善移植步骤，帮助其他新手玩家
通过从大型的教师模型向小型的学生模型转移知识来实现模型压缩和优化。
微信小程序主体变更（迁移）法人无法配合扫脸怎么办？
本文基于 PyTorch 完成一个完整的 20 类食物图像分类实战项目，涵盖自定义 CNN 搭建与训练、学习率调度器（ReduceLROnPlateau / StepLR）调优、ResNet18 迁移学习微调、以及最优模型权重加载推理的全流程。从卷积尺寸计算、自定义 Dataset、数据增强与 ImageNet 归一化等核心知识出发，配套完整可运行代码与常见问题排查指南，帮助深度学习初学者快速打通
提出了一种深度生成先验（DGP）方法，能够在保持生成先验的同时很好地重建，当在任务相关的观测空间中重构被破坏的图像时，DGP倾向于恢复缺失的信息，同时保持已有的语义信息不变。
通用句子编码器是google在2018年提出的将句子编码成嵌入向量的模型，这些嵌入向量专门针对将学习转移到其他NLP任务。文章中指出，对于许多NLP任务，可用的训练数据有限。这对数据饥渴的深度学习方法提出了挑战。由于注释有监督的训练数据的成本很高，对于大多数研究或行业NLP任务，通常无法使用非常大的训练集。许多模型通过使用隐式执行有限的迁移学习来解决如word2vec，Glove等，都有不错的效果
本文主要的思路是区别对待域迁移和个体迁移。对于域的迁移使用cycleGAN，对于个体的迁移使用pixel level histogram，最后再使用identity loss来进一步保留个人特征。最大的特色就是引入了cycleGAN和pixel level histogram。整体结构很简单，就是把原始图和参考图一起丢到generator中，让generator对调两个图像之间的妆容。然后再将两张
网络模型各部分结构及作用（1）特征提取器F：提取输入图像（源域/目标域）的特征。（2）分类器C：对F输出的特征进行分类，计算源域数据分类损失。（3）生成器G：生成混淆数据，欺骗D，输入为F提取到的特征，输出为生成数据。（4）鉴别器D：鉴别真实数据和生成数据，对于源域数据，计算域分类损失和类别分类损失；对于目标域数据，计算域分类损失。算法：...
在windows上安装好pytorch环境后，跑YOLOX出现了一些问题，主要是yolox的编译问题和pycocotools的编译不成功问题，摸索了一下，暂时记录一下过程。如果有好的解决方法，也在此请读者予以告知，不甚感激。(pytorch) D:\code\pytorch\YOLOX\cocoapi-master\PythonAPI>python setup.py installrunni
目录一、背景二、操作思路三、问题排查四、参考资料一、背景最近领导安排我一项任务，把阿里云上部署的jira项目迁移到新的服务器上，jira是什么呢？进入社会工作的朋友们大部分都了解过吧，现在就来介绍一下它，JIRA是Atlassian公司出品的项目与事务跟踪工具，被广泛应用于缺陷跟踪、客户服务、需求收集、流程审批、任务跟踪、项目跟踪和敏捷管理等工作领域。很多公司进行敏捷开发用到的工具就是这个jira
本文深入探讨了使用ResNet-50进行目标检测时的5个关键实战细节，包括预训练权重加载、冻结策略、特征金字塔选择、Bottleneck结构优化和特征可视化分析。通过工业质检场景的实例，揭示了如何通过优化特征提取和迁移学习提升模型性能，同时控制显存占用。这些技巧对于实际部署中的图像识别分类和目标检测任务至关重要。
Q-learning算法中的Q表是机器人与环境交互后的结果，因此在Q-learning算法中更新Q表就是机器人与环境的交互过程。机器人在当前状态s(t)下，选择动作a,通过环境的作用，形成新的状态s(t+1),并产生回报或惩罚r(t+1),通过式(1)更新Q表后，若Q(s,a)值变小，则表明机器人处于当前位置时选择该动作不是最优的，当下次机器人再次处于该位置或状态时，机器人能够避免再次选择该动作a
首先准备一个容量8G以上的空U盘，或者确保里面的东西已经全部备份好，然后将它格式化。如果是台式电脑建议把U盘插在机箱后面，在百度直接搜索“下载win10”，找到带有官方字样的打开（下载Win10https://www.microsoft.com/zh-cn/software-download/windows10）点击“立即下载工具”然后打开软件开始制作U盘启动盘，正常安装，选择“为另一台电脑创造安
CausalWorld（ICLR 2021）在 TriFinger 开源机器人平台上构建 8 个任务生成器、12 个评测协议与全变量可 do-干预的因果操纵基准：实验表明单块任务可解、双块堆叠无人解决、极端域随机化训练失败，让泛化从黑箱变为可逐轴量化的受控实验。
AWPortrait+comfyui该模型更新基于前一版本V1.3训练，使得人物的生成更加趋近真实感，将SD1.5人像的真实感提升到了一个新的高度，增加了旗袍、汉服等东方元素，更好的棚拍效果及户外效果；使用1girl比较容易生成一致性的平均脸，如需获得更多面相，建议使用自然语言及加入更多的人物描述，使用a woman的描述词也会获得更多的可能性，逼真皮肤肌理和东方人物写实摄影模型，棚拍效果，丰富表
在目标检测深度学习的训练过程中，正负样本的比例其实不均衡的，因为标注的数据就是正样本，数量肯定是固定的，为了保证正负样本的均衡，所以会选取一定的背景图片作为负样本，但是背景图片的样本集是一个open-set，不可能全部参与训练。，是VOC-07，08，09目标检测比赛的赢家，它是HOG方法的拓展。早期目标检测中，是提取特征加上分类器这样一个套路来进行目标检测的，分类器一般是线性分类器，但是线性分类
excel2016打开后提示文件已损坏，无法打开，点击确定。在空白程序左上角点击文件。在文件菜单中点击选项。在选项中选择信任中心，信任中心设置。在信任中心设置边栏选择受保护的视图，将三个复选框去掉勾，点击确定按钮即可，重新打开。...
此项目出自Kaggle竞赛项目介绍:谁是好狗?谁喜欢搔耳朵?好吧，看来那些花哨的深度神经网络并没有解决所有问题。然而，也许它们能回答我们在遇到四条腿的陌生人时普遍会问的问题:这是什么样的好狗狗?在这个操场竞赛级别中，您将得到ImageNet的一个严格的犬类子集，以便练习细粒度图像分类。你能多好地区分你的诺福克梗和诺威奇梗?数据集介绍:你会得到一组训练集和一组狗的图像测试集。每张图片都有一个文件名，
是一款开源的 AI 辅助数据标注工具，集成了 Segment Anything、YOLO 系列等先进模型，支持目标检测、图像分割、姿态估计等多种任务，兼容 Windows / Linux / macOS 平台。
Centos最为Linux开源发行版中最受人欢迎的系列，即将迎来它的黄昏。其所带来的价值是无限的，地位是不可替代的。我也是其中受益的一份子。正因如此，需要找到能够平替的新系统：差异化小，稳定健壮，提供长支持能力。Ubuntu，Fedora，SUSE，RedHat，Rocky…都是能够考虑的。
3、在新的禅道服务器安装禅道（和旧的要相同版本，我踩的坑是从低版本到高版本，还原完一直重定向失败），先不，把backup文件复制到新服务的相同位置。4.启动新的禅道，访问并登录到新的禅道登录admin到后台备份的位置就能看到已经有刚刚的备份数据了，点还原。2、链接到禅道服务器按照备份地址把备份压缩并复制到新的服务器（或者整个backup文件压缩）1、在原来禅道地址，后台将最近的备份出来（最好把原来
迁移学习、Transfer Learning、Hugging Face Transformers、模型微调（fine-tuning）、预训练模型：手里有几百到几万条标注数据、想训个分类/打标模型，但嫌从头训太慢太难的 Python 工程师；以及想搞清楚“预训练模型怎么为我所用”的人。：迁移学习（Transfer Learning）的本质是“站在预训练模型的肩膀上”——不从头训，直接复用它在海量数据
迁移学习是深度学习领域的一项关键技术，其核心原理在于将在大规模数据集（如ImageNet）上预训练好的模型所学习到的通用特征表示，迁移到新的、数据量较小的目标任务上。这项技术的核心价值在于，它能显著降低对目标领域标注数据量的需求，并大幅缩短模型训练时间，同时提升模型在目标任务上的泛化性能。在工程实践中，迁移学习常通过微调（Fine-tuning）策略实现，即冻结预训练模型的大部分底层网络权重，仅针
ResNet50作为经典卷积神经网络，在图像分类任务中兼具精度与硬件友好性；迁移学习则通过复用预训练特征，显著降低小样本场景下的训练门槛。其技术价值在于平衡模型泛化能力与边缘设备推理效率，广泛应用于智能回收、工业质检等低算力视觉场景。针对华为垃圾数据集这类非标准、小规模、强不均衡的真实数据，需结合数据清洗、分层微调、昇腾NPU适配及ONNX-OM部署等关键环节，才能构建可复现、可落地的端到端分类系
1]胡博森,宋卫东,梁鹏.基于ResNet网络-深度迁移学习的岩石岩性自动分类方法[J/OL].地质科技通报,1-13[2026-07-11].https://doi.org/10.19509/j.cnki.dzkq.tb202603053.在摘要中提到了这样一句话：研究表明，在小样本、细粒度岩石图像分类任务中，合理的模型容量与迁移学习策略匹配更为关键，该研究可为小样本条件下岩石岩性智能识别模型的
源域分类损失、目标域聚类损失与MK-MMD域适应损失联合优化，使用Pareto前沿选择折衷解。跨机器迁移（齿轮箱到轴承）实验中，诊断准确率86.5%，比固定权重方法高11.2%，且决策边界附近误判率降低31%。引入动态权重优化策略，对不同工况样本的损失自动加权，权重与损失变化速度成反比。从振动信号提取多频带幅值谱作为节点特征，节点间边权重采用切比雪夫距离代替欧氏距离，强化特征空间中的极端差异。在齿
本文介绍了如何在星图GPU平台自动化部署YOLO12目标检测模型WebUI镜像，实现自定义数据集的迁移学习训练。该方案可快速构建高精度目标检测系统，典型应用于工业质检、安防监控等场景的图像智能分析与识别任务，显著提升检测效率与准确率。
本文介绍了如何在星图GPU平台自动化部署YOLO12镜像，实现小样本目标检测任务。通过迁移学习技术，用户可利用预训练模型快速适应新场景，显著提升在数据稀缺情况下的检测精度，适用于安防监控、智能质检等视觉识别应用。
节点度数：每个节点有多少个邻居。论文中使用 Degree-based Structure Embedding（DSE） 来捕获这种局部结构信息，比如将度数转化为 one-hot 编码。随机游走扩散概率：节点在随机游走中返回自身的概率，反映了节点在图中的“角色”或“位置”。论文中使用 Random Walk-based Structure Embedding（RWSE） 来捕获这种全局结构信息。
迁移学习+时间序列预测，一个能解决数据稀缺和模型泛化两个实际应用核心痛点的方向。几年前这方向的研究还很少，现在已经在顶会顶刊上持续有成果产出了，发展势头可见一斑。到了今年，迁移学习+时序预测的发文门槛虽然有所提高，但机会还是很多，尤其在解决时序数据的固有挑战方面。比如如果你就想快速冲毕业，可以做参数高效微调在时序预测中的应用，这是当前的交叉热点，实现简单，易于成文；如果想拼顶会顶刊，那推荐做领域不
多模态迁移学习是迁移学习和多模态学习的交叉融合领域。它旨在将从一个或多个源模态(如图像、文本、音频)学习到的知识,迁移到目标模态或跨模态任务中,从而提高模型在目标任务上的性能,尤其是在目标数据稀缺的情况下。文本(Text):自然语言描述、标题、评论等图像(Image):照片、医学影像、卫星图片等音频(Audio):语音、音乐、环境声音等视频(Video):电影片段、监控视频、教学视频等其他模态:传
本文探讨了迁移学习如何驱动Transformer模型从BERT到T5的演进。文章分析了BERT的双向编码器、GPT的自回归解码器以及T5统一的文本到文本框架，揭示了不同架构背后共享的迁移学习核心思想。这一范式彻底改变了NLP任务开发模式，通过预训练与微调的结合，实现了知识的高效迁移与应用。
迁移学习
——迁移学习
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
亚马逊云科技技术品牌专区
乐奇 Rokid 开放社区
天工造物局
DAMO开发者矩阵
