登录社区云，与社区用户共同成长
邀请您加入社区
茄子小说创作助手是一款专为网文新人设计的AI辅助工具，通过"辅助而非替代"理念解决创作痛点。该工具提供从灵感激发到发布的全流程支持，包括智能大纲生成、多版本剧情走向、细节对话生成等功能，并配备视觉化辅助和市场分析。相比通用型工具，茄子助手更注重网文特性和新人友好度，内置激励机制和学习社区，形成创作变现闭环。其移动端适配和傻瓜式操作降低了创作门槛，帮助新人作者提升效率和质量，在激
迁移学习是一种将预训练模型的知识迁移到新任务的机器学习方法。文章详细介绍了迁移学习的核心概念、应用场景和实现策略，包括特征提取和微调两种主要方法。通过PyTorch代码示例展示了如何使用ResNet18进行迁移学习，包括模型加载、层替换、数据预处理和训练流程。关键点包括：1）冻结预训练层参数；2）替换全连接层适配新任务；3）合理设置学习率和优化器；4）使用数据增强防止过拟合。实验表明迁移学习能显著
接下来让我们看另外的一个例子，我的离职同事——前端工程师张磊，他将三年来的工作文件和素材，做成了skill。这套框架能帮助我们去繁从简聚焦核心，不被数据绑架，坚守长期价值，只为核心用户，主动定义规则而非跟风。如果我们为您单独开发这个功能，会让产品变得复杂，让其他几百家客户用起来不舒服。• 客户要“和某系统专属对接” → 开放API，让他们自己对接，你收服务费• 客户要“特殊权限逻辑” → 看看现有
AI模型训练的核心是“数据决定上限，技术决定落地”，而高质量训练过程更是数据从“训练资源”转化为“可计量资产”的关键。本文从中启联信100+AI项目实战出发，拆解AI模型训练全流程（数据准备→模型选型→训练实施→调优优化→评估部署），重点讲解新手易踩的技术坑、实战优化技巧，结合数据资产入表要求，实现“训练出可用模型+沉淀可入表资产”双重目标，小白可跟着落地，企业可直接复用流程与规范。
简单来说，迁移学习就是利用在一个大型数据集（如ImageNet）上预训练好的模型，将其学到的通用特征（如边缘、纹理、形状）迁移到我们自己的、数据量较小的新任务上。掌握它，意味着你能在资源受限的真实业务场景中，快速交付高质量的模型。比如，公司想做一个工业瑕疵检测系统，但能收集到的合格品和瑕疵品图片只有几千张，用传统方法训练一个复杂的CNN模型，要么过拟合，要么效果平平。当新分类头训练得差不多了，我们
比如 vLLM，以及列表倒数第二项的 Custom Provider (自定义提供商)。选择了 Custom Provider 之后，它就会允许我们手动填入本地 Ollama 的地址了。接下来这个界面是在问你：你想用什么方式提供这串密钥？Paste API key now：直接在这里输入并保存在配置文件里（适合我们现在的本地测试和绝大多数情况）。Use external secret provid
摘要：本项目基于MATLAB R2025b平台，采用迁移学习技术实现风电功率预测。针对风电数据分布异质性、噪声缺失等问题，构建了一维卷积神经网络结合自注意力机制的时序预测模型。通过源域风电场预训练和目标域微调策略，有效提升预测精度和模型泛化能力。项目包含完整的数据预处理、特征工程、模型构建及可视化流程，解决了风电预测中的数据稀缺、领域适应等关键问题。实验表明，该方法能显著降低对目标域数据的依赖，预
从今年ICML等顶会的录用情况来看，多模态融合+迁移学习这个组合持续火爆。TPAMI上也有不少成果。而在工业界方面，谷歌、微软等巨头的动态也展示了这方向清晰的商业化路径。可以看出，多模态融合+迁移学习是个相当不错的研究方向。目前比较常见的思路还是参数微调、数据迁移、具体问题改进等，如果大家想发文，也可以尝试边缘设备、生成式迁移等切入点。为了方便大家快速定位自己的研究，我整理了17篇多模态融合+迁移
这个模型的核心目标是实现分布式驱动汽车的稳定性控制，主要采用分层式直接横摆力矩控制策略。整个系统分为上下两层，上层包括四种控制器：模型预测控制（MPC）、滑模控制（SMC）、PID控制和LQR控制。下层则基于轮胎滑移率的最优分配策略，确保车辆在不同工况下的稳定性和操控性。分布式驱动汽车稳定性控制。采用纯Simulink模型搭建，包括控制策略和车辆动力学模型。采用分层式直接横摆力矩控制，上层包括模型
在目标检测任务中，当目标域数据稀缺时，传统深度学习模型往往面临严重的性能下降。本文提出一套完整的基于迁移学习的YOLOv5小样本场景自适应方案，通过预训练权重微调、域自适应模块和数据增强策略，实现少量标注样本下的高效检测。文章涵盖理论基础、代码实现、实验验证和部署指南
本文档聚焦于两套MATLAB代码，分别为家用电动汽车充电负荷预测代码（car_prediction.m）与电动汽车V2G（Vehicle-to-Grid，车辆到电网）功率需求分析代码（V2GPOWER.m）。前者依托蒙特卡洛法，通过构建电动汽车充电相关参数的概率模型，实现对家用电动汽车一天内充电负荷的精准预测；后者则综合考量电动汽车日行驶规律、充放电特性，完成V2G场景下总功率需求曲线的绘制，为电
这是一个。
一、引言在工程优化、资源分配、路径规划等实际场景中，多目标优化问题（Multi-Objective Optimization Problems，MOPs）需同时优化多个相互冲突的目标函数（如成本最小化与效率最大化、精度提升与能耗降低），其核心目标是找到逼近真实 Pareto 最优前沿（POF）且分布均匀的解集。
本文介绍了如何在星图GPU平台上一键自动化部署3D Face HRN人脸重建模型镜像，实现高质量3D人脸重建。该技术特别适用于文化遗产数字化保护，能够精准重建少数民族面部特征，为人类学研究和数字存档提供高效解决方案，有效提升小众族群的模型精度。
尽管大规模预训练模型对于基础细胞建模至关重要，但大多数模型专注于人类或小鼠系统，忽视了酵母（酿酒酵母）等模式生物，且常常未能有效利用现有的生物先验知识。为此，我们提出了scYeast，这是首个专为酵母设计、能够无缝嵌入生物先验的基础细胞模型。scYeast采用了一种新颖的非对称并行架构，将转录调控信息直接注入Transformer的注意力机制，利用训练过程中已有的生物学知识。经过基于大规模酵母单细
下图中可以看到，超过127个类别的后，迁移学习的新能是微弱的递增，如果说，是因为，PASCAL 任务只有20个类别，因此在127个类别上预训练不会导致性能下降，但是SUN-CLS是397个类别，综合考虑这两个例子，虽然在大量的类别上进行预训练当然是很好的，但是但当预训练使用的不同类别超过127个时，收益就会递减。，ImageNet数据集中，1000个类别，每个类别使用500张图片进行预训练，然后在
当前，人工智能应用正加速从云端向边缘侧与终端设备渗透。在这一趋势下，计算效率高、延迟低、隐私性好的本地化推理成为关键需求。专为神经网络计算设计的NPU（神经网络处理单元）因其在能效比上的巨大优势，已成为边缘AI芯片的核心组件。与此同时，小模型（参数量通常在千万级以下）凭借其更小的体积、更快的速度以及对硬件更低的依赖，在移动端、IoT设备和工业嵌入式场景中展现出强大的应用潜力。将小模型部署于NPU，
这段代码通过从训练数据集中提取前4张图像及其标签，并进行反标准化处理后，使用matplotlib将图像显示出来，同时在每张图像上方显示对应的类别名称。这有助于可视化和验证数据预处理以及数据集加载是否正确。这段代码旨在为神经网络中的权重和BatchNorm层的γ参数提供初始化方法。通过使用MindSpore的Normal初始化器，可以确保权重和γ参数按照指定的正态分布进行初始化，从而有助于稳定和加速
迁移学习是指通过将一个已经在某一任务上训练好的模型，应用于另一个任务上。在迁移学习中，一般会将预训练模型的权重加载到新的模型中，然后对新的模型进行微调。预训练模型是指在大规模的数据集上训练好的模型这些模型通常具有很好的泛化能力，可以应用于各种任务，如图像分类、目标检测、语音识别等。预训练模型可以作为迁移学习的基础，将其应用于新的任务中，可以显著提高模型的效果，并减少训练时间和计算资源的消耗。微调是
mindspore 实现 ResNet 50迁移学习；具体 ResNet 50 的模型原理以及实现，可以参考本博客的 ResNet50 分类；迁移学习背景：把已训练好的模型参数迁移到新的模型来帮助新模型训练；原因：a. 避免从 0 开始重复造轮子；b. 减少训练成本；如果采用导出特征向量的方法进行迁移学习，后期的训练成本非常低，用CPU都完全无压力，没有深度学习机器也可以做。
☀️ 第17天学习在实际应用场景中，由于训练数据集不足，所以很少有人会从头开始训练整个网络。普遍的做法是，在一个非常大的基础数据集上训练得到一个预训练模型，然后使用该模型来初始化网络的权重参数或作为固定特征提取器应用于特定的任务中。本章将使用迁移学习的方法对ImageNet数据集中的狼和狗图像进行分类。
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
如果配置 eval_indexes ，必须包含三个元素，分别为损失值、预测值和标签在 eval_network 输出中的位置，此时，损失值将传给损失评价函数，预测值和标签将传给其他评价函数。若预测字体为蓝色即为预测正确，若预测字体为红色则预测错误，如图，可以看到准确率还是非常高的。实际应用场景中，因为训练数据集不足，普遍的网络训练策略是，在一个非常大的基础数据集上训练得到一个预训练模型，然后用该模
apply_nms 函数：应用非极大值抑制（NMS）的函数，根据得分和重叠阈值对预测框进行筛选，保留最佳的框。SsdInferWithDecoder ：包装了 SSD 模型推断过程的类。检测时需要非极大值抑制：排除概率低且重叠度较大的预测框。随机采样：提高模型针对不同大小、形状图像时的鲁棒性。COCOMetrics ：计算预测框的评估类。的每个样本，通过网络生成预测结果。初始化网络参数函数和动态学
batch_size = 18 # 批量大小image_size = 224 # 训练图像空间大小num_epochs = 5 # 训练周期数lr = 0.001 # 学习率momentum = 0.9 # 动量workers = 4 # 并行线程个数# 数据集目录路径# 创建训练数据集"""数据加载"""# 数据增强操作scale = 32trans = [else:trans = [# 数据映
在实际应用场景中，由于训练数据集不足，所以很少有人会从头开始训练整个网络。普遍的做法是，在一个非常大的基础数据集上训练得到一个预训练模型，然后使用该模型来初始化网络的权重参数或作为固定特征提取器应用于特定的任务中。本章将使用迁移学习的方法对ImageNet数据集中的狼和狗图像进行分类。迁移学习详细内容见。
迁移学习是一种在深度学习领域中广泛使用的技术，它允许模型在大规模训练集上学习到的特征迁移应用到另一个相关任务上，可以在许多情况下提高深度学习模型的效率和性能，但也需要谨慎选择和应用，以避免潜在的问题。
一般的语义分割架构可以被认为是一个编码器-解码器网络。编码器通常是一个预训练的分类网络，像 VGG、ResNet，然后是一个解码器网络。这些架构不同的地方主要在于解码器网络。解码器的任务是将编码器学习到的可判别特征（较低分辨率）从语义上投影到像素空间（较高分辨率），以获得密集分类。不同于分类任务中网络的最终结果（对图像分类的概率）是唯一重要的事，语义分割不仅需要在像素级有判别能力，还需要有能将编码
在实际应用场景中，由于训练数据集不足，所以很少有人会从头开始训练整个网络。普遍的做法是，在一个非常大的基础数据集上训练得到一个预训练模型，然后使用该模型来初始化网络的权重参数或作为固定特征提取器应用于特定的任务中。本章将使用迁移学习的方法对ImageNet数据集中的狼和狗图像进行分类。
迁移学习是一种机器学习方法，具体是指将已经在某一领域（或任务）学习到的知识或模型，应用到另一个不同但相关的领域（或任务）中，以提高在该新任务上的学习效率和效果。这种知识或模型的迁移可以包括网络参数、特征表示、数据间的关系等多种形式的知识。
动态多目标优化问题（DMOPs）的核心定义与挑战动态多目标优化问题（Dynamic Multi-Objective Optimization Problems, DMOPs）是指优化过程中目标函数、约束条件或决策变量边界随时间（环境参数）动态变化的复杂优化问题，其核心目标是在环境变化后，快速追踪新的Pareto 最优前沿（POF）与Pareto 最优解集（POS），同时保证解集的收敛性（贴近真实
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
AtomGit开源社区
龙虾开发者社区
魔珐星云开发社区
开源鸿蒙跨平台开发者社区
昇腾开源生态专区
