- 最近在了解模型量化方向，因此写下本文记录分享下自己学习的内容。本文首先简单介绍了模型优化的方法；然后重点阐述了模型量化的原理、分类方法以及模型量化的未来方向；最后对目前模型量化的论文方法进行解读，希望通过本文可以让读者对模型量化有更深入的了解。 最近在了解模型量化方向，因此写下本文记录分享下自己学习的内容。本文首先简单介绍了模型优化的方法；然后重点阐述了模型量化的原理、分类方法以及模型量化的未来方向；最后对目前模型量化的论文方法进行解读，希望通过本文可以让读者对模型量化有更深入的了解。
- EfficientDet:Scalable and Efficient Object Detection可扩展且高效的目标检测方法作者： Mingxing Tan Ruoming Pang Quoc V. Le单位： Google Research, Brain Team发表会议及时间： CVPR 2020 研究背景及论文泛读更好的backbone可以为识别网络提供优质的特征， 该如何搭建... EfficientDet:Scalable and Efficient Object Detection可扩展且高效的目标检测方法作者： Mingxing Tan Ruoming Pang Quoc V. Le单位： Google Research, Brain Team发表会议及时间： CVPR 2020 研究背景及论文泛读更好的backbone可以为识别网络提供优质的特征， 该如何搭建...
- FCOS: Fully Convolutional One-Stage Object Detection一种全卷积单阶段目标检测方法作者： Zhi Tian Chunhua ShenHao Che Tong He单位： The University of Adelaide, Australia发表会议及时间： ICCV 2019 研究背景 Anchor base的缺点检测性能对于ancho... FCOS: Fully Convolutional One-Stage Object Detection一种全卷积单阶段目标检测方法作者： Zhi Tian Chunhua ShenHao Che Tong He单位： The University of Adelaide, Australia发表会议及时间： ICCV 2019 研究背景 Anchor base的缺点检测性能对于ancho...
- 编码器 - 解码器框架是用于离线语义图像分割的最新技术。自从自治系统兴起以来，实时计算越来越受欢迎。在本文中，华为云MVP专家厉天一和大家分享高效语义分割模型Fast SCNN，所谓的Fast-SCNN，即是快速分割卷积神经网络，这是一种高分辨率图像数据（1024x2048px）的实时语义分割模型，适用于低内存嵌入式设备的高效计算。本分享围绕论文概览、模型的算法剖析和代码复现三部分展开。首先... 编码器 - 解码器框架是用于离线语义图像分割的最新技术。自从自治系统兴起以来，实时计算越来越受欢迎。在本文中，华为云MVP专家厉天一和大家分享高效语义分割模型Fast SCNN，所谓的Fast-SCNN，即是快速分割卷积神经网络，这是一种高分辨率图像数据（1024x2048px）的实时语义分割模型，适用于低内存嵌入式设备的高效计算。本分享围绕论文概览、模型的算法剖析和代码复现三部分展开。首先...
- Tensor，它可以是0维、一维以及多维的数组，你可以将它看作为神经网络界的Numpy，它与Numpy相似，二者可以共享内存，且之间的转换非常方便。但它们也不相同，最大的区别就是Numpy会把ndarray放在CPU中进行加速运算，而由Torch产生的Tensor会放在GPU中进行加速运算。对于Tensor，从接口划分，我们大致可分为2类： Tensor，它可以是0维、一维以及多维的数组，你可以将它看作为神经网络界的Numpy，它与Numpy相似，二者可以共享内存，且之间的转换非常方便。但它们也不相同，最大的区别就是Numpy会把ndarray放在CPU中进行加速运算，而由Torch产生的Tensor会放在GPU中进行加速运算。对于Tensor，从接口划分，我们大致可分为2类：
- 本文介绍了MindSpore 1.3的新特性——端侧训练（Java的编译和伪训练） 本文介绍了MindSpore 1.3的新特性——端侧训练（Java的编译和伪训练）
- 基于神经网络的风格迁移方法虽然生成了令人惊艳的风格转换图，然而目前的大部分方法只能学到一些类似颜色分布，整体结构等，对于局部区域的纹理细节等，并不具备很好的学习能力，在这些细节区域还会带来扭曲和变形。本文介绍的基于实例的方法可以很好的缓解以上问题并得到高质量的风格转换图像。 基于神经网络的风格迁移方法虽然生成了令人惊艳的风格转换图，然而目前的大部分方法只能学到一些类似颜色分布，整体结构等，对于局部区域的纹理细节等，并不具备很好的学习能力，在这些细节区域还会带来扭曲和变形。本文介绍的基于实例的方法可以很好的缓解以上问题并得到高质量的风格转换图像。
- 本文介绍了MindSpore 1.3的新特性——端侧训练。 本文介绍了MindSpore 1.3的新特性——端侧训练。
- FPN的预测是在不同特征层独立进行的，即：同时利用低层特征高分辨率和高层特征的高语义信息，通过融合这些不同层的特征达到预测的效果。作者认为足够低层高分辨的特征对于检测小物体是很有帮助的。 FPN的预测是在不同特征层独立进行的，即：同时利用低层特征高分辨率和高层特征的高语义信息，通过融合这些不同层的特征达到预测的效果。作者认为足够低层高分辨的特征对于检测小物体是很有帮助的。
- @Author：Runsen本文博客目标：了解自动编码器的基本知识参考文献https://blog.keras.io/building-autoencoders-in-keras.htmlhttps://medium.com/@curiousily/credit-card-fraud-detection-using-autoencoders-in-keras-tensorflow-for-h... @Author：Runsen本文博客目标：了解自动编码器的基本知识参考文献https://blog.keras.io/building-autoencoders-in-keras.htmlhttps://medium.com/@curiousily/credit-card-fraud-detection-using-autoencoders-in-keras-tensorflow-for-h...
- @Author：Runsen@[toc] Load DatasetCIFAR-10 datasetimport numpy as npfrom sklearn.metrics import accuracy_scorefrom tensorflow.keras.datasets import cifar10from tensorflow.keras.utils import to_categ... @Author：Runsen@[toc] Load DatasetCIFAR-10 datasetimport numpy as npfrom sklearn.metrics import accuracy_scorefrom tensorflow.keras.datasets import cifar10from tensorflow.keras.utils import to_categ...
- @Author：Runsen@[toc] 循环神经网络RNN前馈神经网络（例如 MLP 和 CNN）功能强大，但它们并未针对处理“顺序”数据进行优化换句话说，它们不具有先前输入的“记忆”例如，考虑翻译语料库的情况。 你需要考虑 “context” 来猜测下一个出现的单词RNN 适合处理顺序格式的数据，因为它们具有 循环 结构换句话说，他们保留序列中早期输入的记忆但是，为了减少参数数量，不同时... @Author：Runsen@[toc] 循环神经网络RNN前馈神经网络（例如 MLP 和 CNN）功能强大，但它们并未针对处理“顺序”数据进行优化换句话说，它们不具有先前输入的“记忆”例如，考虑翻译语料库的情况。 你需要考虑 “context” 来猜测下一个出现的单词RNN 适合处理顺序格式的数据，因为它们具有 循环 结构换句话说，他们保留序列中早期输入的记忆但是，为了减少参数数量，不同时...
- @Author：Runsen@[toc] 基本卷积神经网络（CNN）-CNN的基本结构：CNN与MLP相似，因为它们只向前传送信号（前馈网络），但有CNN特有的不同类型的层Convolutional layer：在一个小的感受野（即滤波器）中处理数据Pooling layer：沿2维向下采样（通常为宽度和高度）Dense (fully connected) layer：类似于MLP的隐藏层i... @Author：Runsen@[toc] 基本卷积神经网络（CNN）-CNN的基本结构：CNN与MLP相似，因为它们只向前传送信号（前馈网络），但有CNN特有的不同类型的层Convolutional layer：在一个小的感受野（即滤波器）中处理数据Pooling layer：沿2维向下采样（通常为宽度和高度）Dense (fully connected) layer：类似于MLP的隐藏层i...
- 图神经网络在学界与业界最新的发展情况。 图神经网络在学界与业界最新的发展情况。
- 进入ModelArts点击如下链接：https://www.huaweicloud.cn/product/modelarts.html ， 进入ModelArts主页。点击“进入控制台”按钮，输入用户名和密码登录，进入ModelArts使用页面创建ModelArts notebook下面，我们在ModelArts中创建一个notebook开发环境，ModelArts notebook提供网... 进入ModelArts点击如下链接：https://www.huaweicloud.cn/product/modelarts.html ， 进入ModelArts主页。点击“进入控制台”按钮，输入用户名和密码登录，进入ModelArts使用页面创建ModelArts notebook下面，我们在ModelArts中创建一个notebook开发环境，ModelArts notebook提供网...
上滑加载中
推荐直播
-
香橙派AIpro的远程推理框架与实验案例2025/07/04 周五 19:00-20:00
郝家胜 -华为开发者布道师-高校教师
AiR推理框架创新采用将模型推理与模型应用相分离的机制，把香橙派封装为AI推理黑盒服务，构建了分布式远程推理框架，并提供多种输入模态、多种输出方式以及多线程支持的高度复用框架，解决了开发板环境配置复杂上手困难、缺乏可视化体验和资源稀缺课程受限等痛点问题，真正做到开箱即用，并支持多种笔记本电脑环境、多种不同编程语言，10行代码即可体验图像分割迁移案例。
回顾中 -
鸿蒙端云一体化应用开发2025/07/10 周四 19:00-20:00
倪红军 华为开发者布道师-高校教师
基于鸿蒙平台终端设备的应用场景越来越多、使用范围越来越广。本课程以云数据库服务为例，介绍云侧项目应用的创建、新建对象类型、新增存储区及向对象类型中添加数据对象的方法，端侧（HarmonyOS平台）一体化工程项目的创建、云数据资源的关联方法及对云侧数据的增删改查等操作方法，为开发端云一体化应用打下坚实基础。
即将直播
热门标签