DCGAN（深度卷积对抗生成网络，Deep Convolutional Generative Adversarial Networks）是GAN的直接扩展。不同之处在于，DCGAN会分别在判别器和生成器中使用卷积和转置卷积层。它最早由Radford等人在论文中进行描述。判别器由分层的卷积层、BatchNorm层和LeakyReLU激活层组成。输入是3x64x64的图像，输出是该图像为真图像的概率。

从今天开始就是学习自然语言处理领域的几个实战案例。今天学习的内容是基于LSTM+CRF来实现序列标注。序列标注任务概述条件随机场(CRF)的基本原理基于LSTM+CRF实现序列标注的主要代码序列标注指给定输入序列，给序列中每个Token进行标注标签的过程。序列标注问题通常用于从文本中进行信息抽取，包括分词(Word Segmentation)、词性标注(Position Tagging)、命名实体

今天是LLM原理和实践的第三课，今天学习的目标学习通过GPT实现情感分类的代码。本次所使用的数据集来自互联网电影资料库（Internet Movie Database，简称IMDb）的电影评论数据，目标是识别电影评论的情感类型：积极的或则消极的，用于训练的数据集标注了评论对应的情感类型。本次所使用的模型为，是GPT-1中的一个文本分分类模型。

从今天开始以后就是实践类的课程了，我选择从NLP方向开始学习，今天学习的目标是如何实现基于BERT的对话情绪识别？1.了解的BERT模型的原理2.实战基于BERT模型的情绪识别代码。

自卷积神经网络模型取得成功以来，更深、更宽、更复杂的网络成为卷积神经网络搭建的主流。但是随着网络往更深、更宽的方向发展，人们发现模型的准确率并不能一直上升达到100%，甚至会出现下降，这种现象被称为“神经网络的退化”。神经网络退化的产生说明卷积神经网络不能够简单的使用堆叠的方法进行优化。2015年，152层深的ResNet（残差网络）的出现提出了一种新的解决方案，将训练深度扩展到的数数千层的同时保

将底层（stride 32）的预测（FCN-32s）进行2倍的上采样得到原尺寸的图像，并与从pool4层（stride 16）进行的预测融合起来（相加），这一部分的网络被称为FCN-16s。语义在图像领域指的是图像的内容，对图片意思的理解。这里面主要学习的要点是理解的FCN模型模型的原理，模型评价指标的计算原理和方法，另外一方面是着重掌握基于mindspore进行模型开发的相关代码。在卷积过程的卷

上节课的学习了ResNet50图像分类相关的内容，今天学习的内容是的"ResNet50迁移学习"相关的内容。迁移学习就是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。在实际场景中的，由于训练数据集不足，所以很少会从头开始训练整个网络。普遍做法是，在一个大的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。今天学习的内容是采用ResNe

Pix2Pix是基于条件生成对抗网络（cGAN, Condition Generative Adversarial Networks ）实现的一种深度学习图像转换模型，该模型是由Phillip Isola等作者在2017年CVPR上提出的，可以实现语义/标签到真实图片、灰度图到彩色图、航空图到地图、白天到黑夜、线稿图到实物图的转换。生成器和判别器。传统上，尽管此类任务的目标都是相同的从像素预测像素

从今天开始到第25天的学习内容都是生成式网络的内容。今天要学习的第一个生成式网络是CycleGAN，目标是实现图像风格迁移互换。CycleGAN(Cycle Generative Adversarial Network) 即循环对抗生成网络，来自论文。该模型实现了一种在没有配对示例的情况下学习将图像从源域 X 转换到目标域 Y 的方法。该模型一个重要应用领域是域迁移(Domain Adaptati

本次学习的扩散模型（Diffusion Models）主要是基于denoising diffusion probabilistic model （DDPM）的模型。DPM已经在（无）条件图像/音频/视频生成领域取得了较多显著的成果，现有的比较受欢迎的的例子包括由OpenAI主导的GLIDE和DALL-E 2、由海德堡大学主导的潜在扩散和由Google Brain主导的图像生成。