深度pytorch 5.1
机器学习之pytorch环境配置以及cuda安装
关于conda环境下安装cuda配置和pytorch 安装cuda 查看显卡型号 （进入cmd环境下） nvidia-smi 下载对应的cuda CUDA Toolkit Archive | NVIDIA Developer） 选择与cuda相匹配的版本（版本尽量靠近些电脑的） 建议使用迅雷下载，网 ......
AI_Pytorch_损失函数
###数据和向量 损失函数 ###数据的归一化 Z-score 均值方差归一化(standardization）： 把所有数据归一化到均值为0方差为1的分布中。适用于数据分布没有明显的边界，有可能存在极端的数据值。 数据符合正态分布，消除离群点的影响 min-max标准化 最值归一化(Normali ......
深度学习中的深度学习
作者：禅与计算机程序设计艺术 《深度学习中的深度学习》技术博客文章 1. 引言 1.1. 背景介绍 深度学习作为一种新兴的机器学习技术，近年来在图像识别、语音识别、自然语言处理等领域取得了举世瞩目的成果。它通过多层神经网络的构建，能够高效地学习复杂的非线性特征，从而实现对数据的准确预测。本文将介绍深 ......
基于深度学习的图像识别技术详解
作者：禅与计算机程序设计艺术 《2. 基于深度学习的图像识别技术详解》 1. 引言 1.1. 背景介绍 随着计算机科技的快速发展，计算机视觉领域也取得了显著的进步，而图像识别技术作为计算机视觉领域的重要分支之一，在众多应用场景中发挥着重要作用。 1.2. 文章目的 本文旨在对基于深度学习的图像识别技 ......
数据增强：如何让深度学习模型更好地处理图像数据
作者：禅与计算机程序设计艺术 数据增强：如何让深度学习模型更好地处理图像数据 作为一名人工智能专家，我经常会被问到如何让深度学习模型更好地处理图像数据。今天，我将深入探讨数据增强的概念和技术，以及如何通过数据增强来提高深度学习模型的性能。 1. 引言 1.1. 背景介绍 随着深度学习技术的快速发展， ......
基于深度学习的物体检测算法研究
作者：禅与计算机程序设计艺术 《88.《基于深度学习的物体检测算法研究》 1. 引言 1.1. 背景介绍 随着计算机视觉和人工智能的发展，物体检测技术在各个领域得到了广泛应用，如自动驾驶、智能安防、医疗影像分析等。物体检测是计算机视觉中的一个重要任务，其目的是在图像或视频中检测出物体的位置和范围，为 ......
在vue文件中使用 deep深度选择器
# 使用场景 有的时候我们需要在父组件中去修改第三方组件或者子组件的样式就会使用到`deep深度选择器`。比如：App组件中定义了.title的样式，也想让Test子组件中的.title也应用对应的样式 的算法 Few-shot learning指从少量标注样本中进行学习的一种思想 根据样本量 的需求可以分为：传统监督式学习、Few-shot Learning、One-shot Learning、Zero-shot Learning 海量数据 + ......
AI_Pytorch_卷积基本概念
###卷积的特征： 卷积--卷积计算--一种计算规则 滑窗式点乘求和操作 1.网络局部连接（Local Connectivity）2.卷积核参数共享（Parameter Sharing） 局部连接 权值共享 01.卷积层的节点仅仅和其前一层的局部节点相连接，只用来学习局部特征 02.权值共享,就是输 ......
[渗透测试]—5.1 网络设备的安全漏洞
在这一章节中，我们将重点讨论网络设备（如路由器、交换机等）的安全漏洞，以及如何进行网络设备的渗透测试。请放心，我们会尽量讲得详细、通俗易懂，并提供尽可能多的实例。 ### 5.1 网络设备的安全漏洞 网络设备，如路由器和交换机，是构成计算机网络的基本元素。这些设备负责在网络中转发数据包，从而实现设备 ......
深度优先搜索DFS与回溯
导入：数独问题 深入浅出程序设计竞赛187页 学生基础：必须在熟练掌握递归和暴力枚举的基础上 需要讲解：函数栈空间 P1706 全排列问题 #include<iostream> using namespace std; int n; int v[10];//标记i有没被选中 int a[10];// ......
避免梯度爆炸：让深度学习算法快速稳定地训练
[toc] 避免梯度爆炸：让深度学习算法快速稳定地训练 作为一名人工智能专家，程序员和软件架构师，我深刻理解深度学习算法在训练过程中可能会遇到的问题——梯度爆炸。因此，在本文中，我将结合自己的经验和知识，探讨如何避免梯度爆炸，让深度学习算法能够快速稳定地训练。 1. 引言 1.1. 背景介绍 随着人 ......
【深度学习】基于多注意力机制的语音识别与语音合成算法设计与实现
[toc] 基于多注意力机制的语音识别与语音合成算法设计与实现 ## 1. 引言 - 1.1. 背景介绍 语音识别与语音合成是人工智能领域中的重要研究方向，语音识别可以帮助人们理解和使用语言，语音合成则可以让人们更方便地与计算机进行交互。随着深度学习算法的快速发展，基于深度学习的语音识别与语音合成算 ......
深度学习在自然语言处理领域的应用案例
[toc] 深度学习在自然语言处理领域的应用案例 引言 随着深度学习技术的快速发展，自然语言处理领域也迎来了巨大的变革。深度学习通过学习大量语料库中的语法、语义、上下文信息，使得机器在处理自然语言任务时表现更为出色。在自然语言处理领域，深度学习技术已经应用到了文本分类、情感分析、机器翻译、问答系统等 ......
深度学习中的元学习与CatBoost的应用
[toc] 《深度学习中的元学习与 CatBoost 的应用》 1. 引言 1.1. 背景介绍 在深度学习这个领域，模型规模越来越庞大，训练时间也越来越长。为了提高模型的训练效率，研究人员提出了许多方法，其中包括迁移学习。迁移学习是指将在一个任务上训练好的模型，迁移到另一个相似的任务上，从而提高模型 ......
利用深度学习实现智能安全威胁检测人工智能安全领域热门博客文章
[toc] 《23. 利用深度学习实现智能安全威胁检测 - 人工智能安全领域热门博客文章》 1. 引言 1.1. 背景介绍 随着互联网的快速发展，网络安全问题日益突出，人工智能在网络安全领域的应用也日益广泛。人工智能安全威胁检测是人工智能在网络安全领域的一个重要应用，旨在通过深度学习等机器学习技术对 ......
深度学习在智能城市中的应用：实现城市运行的智能化管理
[toc] 深度学习在智能城市中的应用：实现城市运行的智能化管理 1. 引言 智能城市是一个利用先进的信息通信技术和物联网技术，实现城市运行的智能化管理、智能化服务、智能化安保、智能化交通等方面的综合性平台。近年来，随着深度学习技术的发展，智能城市建设得到了更快速、更高效的发展。本文旨在介绍深度学习 ......
Pytorch | `torch.multiprocessing.spawn` 函数的使用
`torch.multiprocessing.spawn` 是 PyTorch 中用于启动多进程的函数，可以用于分布式训练等场景。其函数签名如下： ```python torch.multiprocessing.spawn( fn, args=(), nprocs=1, join=True, dae ......
PyTorch 从入门到放弃 —— 加载数据
PyTorch 有两种基础数据类型： torch.utils.data.DataLoader 和 torch.utils.data.Dataset. Dataset，它们存储着样本和对应的标记。 Dataset是样本数据集，DataLoader对Dataset进行封装，方便加载、遍历和分批等。 im ......
深度解析SpringBoot内嵌Web容器
**你好，我是刘牌！** ## 前言 今天分享一个SpringBoot的内嵌Web容器，在SpringBoot还没有出现时，我们使用Java开发了Web项目，需要将其部署到Tomcat下面，需要配置很多xml文件，SpringBoot出现后，就从繁琐的xml文件中解脱出来了，SpringBoot将W ......
Bert Pytorch 源码分析：五、模型架构简图
注意力层： ``` 输入 -> LLQ -> @ -> /√ES -> softmax -> @ -> LLO -> Dropout -> 输出 | ↑ ↑ + > LLK + | | | + > LLV + ``` FFN 层： ``` 输入 -> LL1 -> GELU -> Dropout - ......
Bert Pytorch 源码分析：四、编解码器
```py # Bert 编码器模块 # 由一个嵌入层和 NL 个 TF 层组成 class BERT(nn.Module): """ BERT model : Bidirectional Encoder Representations from Transformers. """ def __in ......
Bert Pytorch 源码分析：三、Transformer块
```py # PFF 层，基本相当于两个全连接 # 每个 TF 块中位于注意力层之后 class PositionwiseFeedForward(nn.Module): "Implements FFN equation." def __init__(self, d_model, d_ff, dro ......
Pytorch | 输入的形状为[seq_len, batch_size, d_model]和 [batch_size, seq_len, d_model]的区别
首先导入依赖的torch包。 ```python import torch ``` 我们设： + seq_len（序列的最大长度）：5 + batch_size（批量大小）：2 + d_model（每个单词被映射为的向量的维度）：10 + heads（多头注意力机制的头数）：5 + d_k（每个头的 ......
Pytorch | view()函数的使用
### 函数简介 Pytorch中的view函数主要用于Tensor维度的重构，即返回一个有相同数据但不同维度的Tensor。 根据上面的描述可知，view函数的操作对象应该是Tensor类型。如果不是Tensor类型，可以通过`tensor = torch.tensor(data)`来转换。 ## ......
Bert Pytorch 源码分析：二、注意力层
```py # 注意力机制的具体模块 # 兼容单头和多头 class Attention(nn.Module): """ Compute 'Scaled Dot Product Attention """ # QKV 尺寸都是 BS * ML * ES # （或者多头情况下是 BS * HC * M ......