- 语言建模（Language Modeling, LM）是自然语言处理（NLP）中的重要任务之一。它的目标是预测文本序列中下一个词的概率分布，从而捕捉语言中的模式和结构。在本文中，我们将介绍语言建模的发展历程，从传统的N-gram模型到现代的神经网络模型，并详细解释如何实现这些模型。 项目介绍本项目旨在通过构建和比较不同的语言模型，理解其工作原理和性能差异。具体步骤如下：数据预处理构建N-gr... 语言建模（Language Modeling, LM）是自然语言处理（NLP）中的重要任务之一。它的目标是预测文本序列中下一个词的概率分布，从而捕捉语言中的模式和结构。在本文中，我们将介绍语言建模的发展历程，从传统的N-gram模型到现代的神经网络模型，并详细解释如何实现这些模型。 项目介绍本项目旨在通过构建和比较不同的语言模型，理解其工作原理和性能差异。具体步骤如下：数据预处理构建N-gr...
- 1. 介绍DeepArt 是一种将普通照片转化为具有特定艺术风格图片的应用。它利用深度学习技术，尤其是卷积神经网络（CNN），来实现图像风格迁移（style transfer）。DeepArt 可以将任意输入图像转换成类似于著名艺术家的绘画风格，从而生成独特的、充满艺术感的作品。2. 应用使用场景数码艺术创作：数字艺术家可以快速将照片转换为不同艺术风格的作品。社交媒体内容制作：用户可以创建个... 1. 介绍DeepArt 是一种将普通照片转化为具有特定艺术风格图片的应用。它利用深度学习技术，尤其是卷积神经网络（CNN），来实现图像风格迁移（style transfer）。DeepArt 可以将任意输入图像转换成类似于著名艺术家的绘画风格，从而生成独特的、充满艺术感的作品。2. 应用使用场景数码艺术创作：数字艺术家可以快速将照片转换为不同艺术风格的作品。社交媒体内容制作：用户可以创建个...
- 介绍模型解释与可解释性技术（Model Interpretability and Explainability Techniques）旨在理解和解释机器学习模型的决策过程。随着人工智能和机器学习模型在多个领域的广泛应用，透明性和信任度变得至关重要。可解释性帮助我们解答“为什么模型做出了某个决策？”、“哪些特征对结果影响最显著？”等问题。应用使用场景模型解释与可解释性技术在以下场景中有重要应用... 介绍模型解释与可解释性技术（Model Interpretability and Explainability Techniques）旨在理解和解释机器学习模型的决策过程。随着人工智能和机器学习模型在多个领域的广泛应用，透明性和信任度变得至关重要。可解释性帮助我们解答“为什么模型做出了某个决策？”、“哪些特征对结果影响最显著？”等问题。应用使用场景模型解释与可解释性技术在以下场景中有重要应用...
- 1.算法运行效果图预览(完整程序运行后无水印) 1.训练过程 2.样本库 3.提取的步态能量图 4.步态识别结果和样本真实标签 2.算法运行软件版本MATLAB2022a 3.部分核心程序（完整版代码包含详细中文注释，训练CASIA库）digitDatasetPath = ['步态能量图\0\'];imds = imageDatastore(digitDatasetPath,'I... 1.算法运行效果图预览(完整程序运行后无水印) 1.训练过程 2.样本库 3.提取的步态能量图 4.步态识别结果和样本真实标签 2.算法运行软件版本MATLAB2022a 3.部分核心程序（完整版代码包含详细中文注释，训练CASIA库）digitDatasetPath = ['步态能量图\0\'];imds = imageDatastore(digitDatasetPath,'I...
- RNN实现情感分类 概述情感分类是自然语言处理中的经典任务，是典型的分类问题。本节使用MindSpore实现一个基于RNN网络的情感分类模型，实现如下的效果：输入: This film is terrible正确标签: Negative预测标签: Negative输入: This film is great正确标签: Positive预测标签: Positive 数据准备本节使用情感分类的... RNN实现情感分类 概述情感分类是自然语言处理中的经典任务，是典型的分类问题。本节使用MindSpore实现一个基于RNN网络的情感分类模型，实现如下的效果：输入: This film is terrible正确标签: Negative预测标签: Negative输入: This film is great正确标签: Positive预测标签: Positive 数据准备本节使用情感分类的...
- Pix2Pix实现图像转换 Pix2Pix概述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。Pix2Pi... Pix2Pix实现图像转换 Pix2Pix概述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。Pix2Pi...
- Diffusion扩散模型本文基于Hugging Face：The Annotated Diffusion Model一文翻译迁移而来，同时参考了由浅入深了解Diffusion Model一文。关于扩散模型（Diffusion Models）有很多种理解，本文的介绍是基于denoising diffusion probabilistic model （DDPM），DDPM已经在（无）条件图... Diffusion扩散模型本文基于Hugging Face：The Annotated Diffusion Model一文翻译迁移而来，同时参考了由浅入深了解Diffusion Model一文。关于扩散模型（Diffusion Models）有很多种理解，本文的介绍是基于denoising diffusion probabilistic model （DDPM），DDPM已经在（无）条件图...
- DCGAN生成漫画头像在下面的教程中，我们将通过示例代码说明DCGAN网络如何设置网络、优化器、如何计算损失函数以及如何初始化模型权重。在本教程中，使用的动漫头像数据集共有70,171张动漫头像图片，图片大小均为96*96。 GAN基础原理这部分原理介绍参考GAN图像生成。 DCGAN原理DCGAN（深度卷积对抗生成网络，Deep Convolutional Generative Adve... DCGAN生成漫画头像在下面的教程中，我们将通过示例代码说明DCGAN网络如何设置网络、优化器、如何计算损失函数以及如何初始化模型权重。在本教程中，使用的动漫头像数据集共有70,171张动漫头像图片，图片大小均为96*96。 GAN基础原理这部分原理介绍参考GAN图像生成。 DCGAN原理DCGAN（深度卷积对抗生成网络，Deep Convolutional Generative Adve...
- 基于MobileNetv2的垃圾分类 MobileNetv2模型原理介绍MobileNet网络是由Google团队于2017年提出的专注于移动端、嵌入式或IoT设备的轻量级CNN网络，相比于传统的卷积神经网络，MobileNet网络使用深度可分离卷积（Depthwise Separable Convolution）的思想在准确率小幅度降低的前提下，大大减小了模型参数与运算量。并引入宽度系数... 基于MobileNetv2的垃圾分类 MobileNetv2模型原理介绍MobileNet网络是由Google团队于2017年提出的专注于移动端、嵌入式或IoT设备的轻量级CNN网络，相比于传统的卷积神经网络，MobileNet网络使用深度可分离卷积（Depthwise Separable Convolution）的思想在准确率小幅度降低的前提下，大大减小了模型参数与运算量。并引入宽度系数...
- K近邻算法实现红酒聚类本实验主要介绍使用MindSpore在部分wine数据集上进行KNN实验。 1、K近邻算法原理介绍K近邻算法（K-Nearest-Neighbor, KNN）是一种用于分类和回归的非参数统计方法，最初由 Cover和Hart于1968年提出(Cover等人,1967)，是机器学习最基础的算法之一。它正是基于以上思想：要确定一个样本的类别，可以计算它与所有训练样本的距离... K近邻算法实现红酒聚类本实验主要介绍使用MindSpore在部分wine数据集上进行KNN实验。 1、K近邻算法原理介绍K近邻算法（K-Nearest-Neighbor, KNN）是一种用于分类和回归的非参数统计方法，最初由 Cover和Hart于1968年提出(Cover等人,1967)，是机器学习最基础的算法之一。它正是基于以上思想：要确定一个样本的类别，可以计算它与所有训练样本的距离...
- Vision Transformer图像分类感谢ZOMI酱对本文的贡献。 Vision Transformer（ViT）简介近些年，随着基于自注意（Self-Attention）结构的模型的发展，特别是Transformer模型的提出，极大地促进了自然语言处理模型的发展。由于Transformers的计算效率和可扩展性，它已经能够训练具有超过100B参数的空前规模的模型。ViT则是自然语言... Vision Transformer图像分类感谢ZOMI酱对本文的贡献。 Vision Transformer（ViT）简介近些年，随着基于自注意（Self-Attention）结构的模型的发展，特别是Transformer模型的提出，极大地促进了自然语言处理模型的发展。由于Transformers的计算效率和可扩展性，它已经能够训练具有超过100B参数的空前规模的模型。ViT则是自然语言...
- ShuffleNet图像分类 ShuffleNet网络介绍ShuffleNetV1是旷视科技提出的一种计算高效的CNN模型，和MobileNet, SqueezeNet等一样主要应用在移动端，所以模型的设计目标就是利用有限的计算资源来达到最好的模型精度。ShuffleNetV1的设计核心是引入了两种操作：Pointwise Group Convolution和Channel Shuffle... ShuffleNet图像分类 ShuffleNet网络介绍ShuffleNetV1是旷视科技提出的一种计算高效的CNN模型，和MobileNet, SqueezeNet等一样主要应用在移动端，所以模型的设计目标就是利用有限的计算资源来达到最好的模型精度。ShuffleNetV1的设计核心是引入了两种操作：Pointwise Group Convolution和Channel Shuffle...
- ResNet50图像分类图像分类是最基础的计算机视觉应用，属于有监督学习类别，如给定一张图像(猫、狗、飞机、汽车等等)，判断图像所属的类别。本章将介绍使用ResNet50网络对CIFAR-10数据集进行分类。 ResNet网络介绍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... ResNet50图像分类图像分类是最基础的计算机视觉应用，属于有监督学习类别，如给定一张图像(猫、狗、飞机、汽车等等)，判断图像所属的类别。本章将介绍使用ResNet50网络对CIFAR-10数据集进行分类。 ResNet网络介绍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...
- ResNet50迁移学习 ResNet网络介绍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2... ResNet50迁移学习 ResNet网络介绍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2...
- FCN图像语义分割全卷积网络（Fully Convolutional Networks，FCN）是UC Berkeley的Jonathan Long等人于2015年在Fully Convolutional Networks for Semantic Segmentation[1]一文中提出的用于图像语义分割的一种框架。FCN是首个端到端（end to end）进行像素级（pixel lev... FCN图像语义分割全卷积网络（Fully Convolutional Networks，FCN）是UC Berkeley的Jonathan Long等人于2015年在Fully Convolutional Networks for Semantic Segmentation[1]一文中提出的用于图像语义分割的一种框架。FCN是首个端到端（end to end）进行像素级（pixel lev...
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签