登录社区云,与社区用户共同成长
邀请您加入社区
2023年3月16日,由中兴通讯主办的以“探索、启发、共振”为主题的ChatGPT发展与挑战高端论坛于南京顺利举办。
本文从数学原理出发介绍了facebook开源的Prophet模型,希望能更好的帮助大家理解并使用。参考prophet官方网站:https://facebook.github.io/prophet/
综合实战项目:智能医疗诊断助手 1. 数据准备: 收集医疗图像数据: 从医院数据库或开放数据集如NIH Chest X-rays获取X光、MRI或CT扫描。 收集相关的临床文本数据: 与医院合作收集症状描述和病史等,确保数据是匿名的。 2. 数据预处理: 图像增强: 使用图像增强技巧,如
第10章 - 最新进展与研究方向 实训操作手册 1. 介绍最新的PyTorch功能和工具 目标:了解PyTorch的最新功能和工具,包括模型优化、部署和监视工具。 内容: a. 动态量化: 动态量化在模型推理时实时进行,通常用于减少模型大小和提高推理速度。 b. TorchServe: PyTorch的官方模型服务
第9章 - 模型部署与生产环境 实训操作手册 1. TorchScript和模型序列化 目标:理解TorchScript的目的,并学会将PyTorch模型转换为TorchScript。 内容: a. 什么是TorchScript? TorchScript提供了一种方法,可以捕获PyTorch模型的定义,使其与Pyt
第8章 - 强化学习与PyTorch 实训操作手册 1. 强化学习基础概念 目标:理解强化学习的核心概念及其与监督学习的区别。 内容: a. 什么是强化学习? 强化学习是机器学习的一个子领域,其中智能体学习如何在环境中采取行动,以便最大化某种概念上的累积奖励。 b. 术语: 智能体(Agent):在环
第7章 - 生成对抗网络 (GAN) 实训操作手册 1. GAN基础概念 目标:理解GAN的工作原理及其与传统神经网络的区别。 内容: a. 什么是GAN? 生成对抗网络(GAN)由两部分组成:生成器 (Generator) 和鉴别器 (Discriminator)。生成器试图产生假的数据,而鉴别器试
第6章 - 优化技巧实训操作手册 1. 正则化技术:Dropout和Batch normalization 1.1 Dropout Dropout是一种防止神经网络过拟合的技术。它在训练期间随机“关闭”一些神经元,使其在前向传播和反向传播中都不工作。 实操步骤: 在你的模型中的适当位置插入Dropout层。选择一个dropout率,例如0.5
第5章 - 循环神经网络 (RNN) 与长短时记忆网络 (LSTM) 实训操作手册 1. RNN基础概念 目标:理解RNN的工作原理及其与传统神经网络的区别。 内容: a. 什么是RNN? RNN是一种用于处理序列数据的神经网络结构。与传统神经网络不同,RNN可以处理长度可变的输入序列,并具有“记忆”功能,能够保留
第4章 - 卷积神经网络 (CNN) 基础实训操作手册 1. 卷积神经网络简介 目标:理解卷积神经网络的基本原理和其在图像处理中的应用。 内容: a. 什么是卷积神经网络(CNN)? CNN是一种深度学习算法,它特别适用于处理具有网格结构的数据,如图像。CNN能够自动和适应地从图像中学习空间层次结构的
第3章 - 神经网络基础实训操作手册 1. 神经网络架构介绍 目标:理解神经网络的基本组成部分以及其工作原理。 内容: a. 什么是神经网络? 神经网络是一种模拟人类大脑神经元工作原理的算法模型,由层层的节点(也称为“神经元”或“单元”)组成。每个节点都会接收输入,对其进行加权处理并通过一个激活函数&
第2章 - PyTorch基础操作实训操作手册 1. 张量操作 目标:掌握基本的张量操作,如索引、切片、连接和变换。 内容: a. 张量索引和切片 张量的索引和切片操作与Numpy数组非常相似。可以使用方括号[]来选择特定的元素、行、列或区域。 实操: import torch tensor = torch.tensor([[1, 2
第1章 - 基础知识实训操作手册 1. 深度学习与神经网络简介 目标:理解深度学习的基本概念,以及它与传统机器学习的区别。 内容: a. 什么是神经网络? 神经网络是一种模拟人脑神经元工作方式的算法模型。它由多个节点(或称为“神经元”)组成,这些节点在层级结构中组织起来。每个连接都有一个权重ÿ
课程大纲 第1章 - 基础知识 介绍深度学习与神经网络PyTorch简介安装PyTorchPyTorch基础概念:张量(Tensors) 实战项目:使用PyTorch进行基础的张量操作,如创建、修改和组合张量。 第2章 - PyTorch基础操作 张量操作自动微分与计算图基本神经网络构建数据加载和处理:使用Data
LSQ 是一种有效的低比特量化算法
目标指令选择阶段会把后端td文件里面的DAG模式和selection DAG的节点相匹配,如果找到一个匹配,则匹配的节点会被有具体机器指令(或者伪指令)的节点代替。
LLVM编译器后端的主要工作是将LLVM中间端表达式(IR)转换成汇编文件,Cpu0 是一个非常简单的 RISC 架构处理器,本文以Cpu0作为硬件的例子,来构建能适配它的编译器后端。
本文针对 LLVM MC做了简单的介绍。受限于笔者知识水平,文中可能会存在某些理解身上的偏差,欢迎批评指正。
ESL设计,即电子系统级(Electronic System Level)设计方法学。ESL设计可以为芯片设计工程师提供开发、优化、验证芯片架构与嵌入软件的方法,以及提供验证服务。
本文主要介绍了 DietCode 的整体架构设计,尝试了解 DietCode 如何针对动态 shape 进行调优。
Adlik 1.0 版本,加入了与燧原科技合作的成果,增加了对燧原 i20 芯片的支持,该芯片是燧原科技发布的基于邃思 2.5 芯片打造的面向数据中心的第二代人工智能推理加速卡。
开年以来,多个图像生成软件在全球迅速蹿红,其作画逼真程度“技惊四座”。AI一路“狂飙”,让生成、篡改等多形式的图片伪造的门槛变得更低,由此引发的隐患也令人忧虑。 图像是信息的主要载体之一,利用AI进行图像造假的行为,是AI可信化发展需要应对的重点问题。
# 人工智能
——# 人工智能
联系我们(工作时间:8:30-22:00)
400-660-0108 kefu@csdn.net