深度
深度学习（cudnn加速）
cudnn为网络每一卷积层选最优实现方法，加速网络训练。 设置如下： torch.backends.cudnn.benchmark = True 加速条件如下： 1. 输入数据在训练过程中一般不变化。 2. 数据量较大，并可以同时加载到GPU内存中。 3. 训练次数比较多。 ......
搭建Pytorch2.1+CUDA12.1+Anaconda+Pycharm深度学习环境
环境： Win11 22H2 需要的安装包： Anaconda3-2021.05-Windows-x86_64.exe Python 3.11. pycharm-professional-2021.2.1.exe CUDA12.1与CUDNN V8.9.5 pytorch 2.1 选择性安装Open ......
《动手学深度学习 Pytorch版》 8.3 语言模型和数据集
8.3.1 学习语言模型 依靠在 8.1 节中对序列模型的分析，可以在单词级别对文本数据进行词元化。基本概率规则如下： \[P(x_1,x_2,\dots,x_T)=\prod^T_{t=1}P(x_t|x_1,\dots,x_{t-1}) \]例如，包含了四个单词的一个文本序列的概率是： \[P( ......
深度学习（判断cuda是否可用）
安装完pytorch、cuda和cudnn之后，可以先判断是否可用。 import torch print('CUDA版本:',torch.version.cuda) print('Pytorch版本:',torch.__version__) print('显卡是否可用:','可用' if(torc ......
深度解析集成服务云的多重启动机制：数据集成更智能，业务流畅畅行无阻
集成方案的“点火”时刻！花式启动数据集成 在这篇文章中，我们将探讨轻易云集成服务云的集成方案启动机制，以助您在企业数据集成中灵活应对各种需求，确保数据自由流动。 启动方案是什么 启动方案是指集成方案启动执行的方式。轻易云集成服务云提供了四种启动方式，包括人工启动、定时启动、事件触发、消息启动，允许在 ......
《动手学深度学习 Pytorch版》 8.2 文本预处理
import collections import re from d2l import torch as d2l 解析文本的常见预处理步骤： 将文本作为字符串加载到内存中。 将字符串拆分为词元（如单词和字符）。 建立一个词表，将拆分的词元映射到数字索引。 将文本转换为数字索引序列，方便模型操作。 ......
《动手学深度学习 Pytorch版》 8.1 序列模型
到目前为止，我们遇到的数据主要是表格数据和图像数据，并且所有样本都是独立同分布的。然而，大多数的数据并非如此。比如语句中的单词、视频中的帧以及音频信号，都是有顺序的。 简言之，如果说卷积神经网络可以有效地处理空间信息，那么本章的循环神经网络（recurrent neural network，RNN） ......
深度学习算法原理实现——自写神经网络和训练模型
代码来自：https://weread.qq.com/web/reader/33f32c90813ab71c6g018fffkd3d322001ad3d9446802347 《python深度学习》 from tensorflow.keras.datasets import mnist from t ......
深度学习---目标检测网络YoloX
一、网络介绍 YoloX由旷视科技开源，以YoloV3(Darknet53作为backbone)作为基线，最大的区别在于 Decoupled Head，Data Aug，Anchor Free 和样本匹配（SimOTA）这几个方面，另外还提供了完善的代码，并很贴心的提供了部署脚本，真的很友好了。 P ......
深度学习入门书籍
统计学习方法（第2版） 9.4 https://book.douban.com/subject/33437381/ 作者: 李航 出版社: 清华大学出版社 出版年: 2019-5-1 页数: 464 定价: 98.00元 装帧: 平装 ISBN: 9787302517276 深度学习入门 https ......
时序预测的深度学习算法全面盘点
时序预测的深度学习算法全面盘点 https://blog.csdn.net/qq_34160248/article/details/131349551 https://it.sohu.com/a/690057464_121124360 https://zhuanlan.zhihu.com/p/393 ......
基于深度学习的图像生成与识别技术研究
基于深度学习的图像生成与识别技术是人工智能领域中备受关注的研究领域之一。这些技术借助深度神经网络模型，具有出色的性能和广泛的应用，包括图像生成、图像识别、图像分割等。以下是关于这两个领域的研究方向和趋势： 图像生成技术 生成对抗网络 (GANs)：GANs 是生成图像最引人注目的技术之一。它包括一个 ......
Redis深度历险
Redis深度历险 读书笔记 1 第一篇 基础与应用篇 1.1 Redis的用途 记录帖子的点赞数、评论数和点击数 (hash)。 记录用户的帖子 ID 列表 (排序)，便于快速显示用户的帖子列表 (zset)。 记录帖子的标题、摘要、作者和封面信息，用于列表页展示 (hash)。 记录帖子的点赞用 ......
深度学习中对多个目标标签进行训练和预测代码实例
#Tensofrlow #假设我们有一个任务是从图像中预测物体的位置（x坐标和y坐标）和物体的类别。这个任务有三个目标标签：x坐标、y坐标和类别。 import numpy as np import tensorflow as tf from tensorflow import keras from ......
深度学习梯度与反向传播
梯度与反向传播 1、梯度(方向向量) 1.1 什么是梯度 梯度：是一个向量，导数+变化最快的方向(学习的前进方向) 目标：通过梯度调整(学习)参数$$w$$,尽可能的降低$$loss$$ 一般的，随机初始一个$$w0$$,通过优化器在学习率和梯度的调整下，让$$loss$$函数取到最小值。 1.2 ......
【研究生学习】深度学习中几种常用的卷积形式的原理以及其Pytorch调用
本篇博客主要记录一下在深度学习中几种常用的卷积形式的基本原理、输入输出维度，以及如何在Pytorch中调用这些卷积形式 卷积 卷积实际上是对图像的不同区域进行特征提取，一般认为输入图像的维度为H×W×C，如下图所示： 图像具有颜色通道，一般是RGB，需要理解的是不同通道数的图像和不同的通道数的滤波器 ......
嵌入式深度学习1-引言
嵌入式深度学习引论 博主序 这一系列博客，是以Bert Moons的《Embedded Deep Learning》为蓝本进行翻译得到的。考虑到中文互联网上资源较少，才决定写成公开博客发布至互联网的。 此系列博客选择性地做了一些翻译和梳理的工作。书中涉及的部分实例可能不会被摘录，过于基础的内容也会被 ......
Pytorch环境深度学习环境
Pytorch环境深度学习环境 1、安装minicoda 下载地址：Miniconda — miniconda documentation 设置环境变量： 安装路径\Miniconda3 安装路径\Miniconda3\Scripts 安装路径\Miniconda3\Library\bin 测试：打 ......
动手学深度学习_4 多层感知机
from pixiv 多层感知机原理 隐藏层 严格一点来讲：我们需要隐藏层是因为线性是一个很强的假设，线性模型在有些情况会不适用或者出错。 一个形象的例子： 就如同上面图片中展示的XOR问题,如果我们现在想要将绿和红球分开，如果只用一条"线性"，我们会发现我们是做不到的，起码要两条及以上的"线性" ......
Go结构体深度探索：从基础到应用
在Go语言中，结构体是核心的数据组织工具，提供了灵活的手段来处理复杂数据。本文深入探讨了结构体的定义、类型、字面量表示和使用方法，旨在为读者呈现Go结构体的全面视角。通过结构体，开发者可以实现更加模块化、高效的代码设计。这篇文章旨在为您提供关于结构体的深入理解，助您更好地利用Go语言的强大功能。 关 ......
深度学习在图像识别领域还有哪些应用？
深度学习在图像识别领域的应用非常广泛，除了之前提到的图像分类、目标检测、语义分割和图像生成，还有其他一些应用。 图像超分辨率重建：深度学习技术可以用于提高图像的分辨率，例如通过使用生成对抗网络（GAN）和变分自编码器（VAE）等技术，可以将低分辨率的图像转换为高分辨率的图像，从而提高了图像的清晰度和 ......
QRes v1.1是由Anders Kjersem开发的一个工具，用于在Windows上更改分辨率。它提供了一些命令行选项来控制分辨率、颜色深度和刷新率等参数
QRes v1.1是由Anders Kjersem开发的一个工具，用于在Windows上更改分辨率。它提供了一些命令行选项来控制分辨率、颜色深度和刷新率等参数。 协助用户更改桌面分辨率，颜色深度和刷新率。具有命令行工具，无需启动GUI界面即可更改所有这些设置。显示使用情况信息并自动将配置保存在注册表 ......
5. 深度学习计算
层与块 块是由若干个层组成, 在编程中我们一般用类表示块, 一般我们通过实例化nn.Sequential()来构建模型, 而有时我们需要自定义块; class MLP(nn.Module): # 用模型参数声明层。这里，我们声明两个全连接的层 def __init__(self): # 调用MLP的 ......
机器学习与深度学习
深度学习和机器学习是人工智能领域的两个重要概念，他们之间存在密切的关系，同时又有一些重要的区别。 机器学习（Machine Learning）： 机器学习是一种数据分析技术，它使计算机系统能从以往的经验（或者说数据）中学习并改进自身的性能，而无需进行明确的编程。换句话说，机器学习就是让机器从数据中找 ......
2023版：深度比较几种.NET Excel导出库的性能差异
2023版：深度比较几种.NET Excel导出库的性能差异 2023版：深度比较几种.NET Excel导出库的性能差异 引言 背景和目的 本文介绍了几个常用的电子表格处理库，包括EPPlus、NPOI、Aspose.Cells和DocumentFormat.OpenXml，我们将对这些库进行性能 ......
nlp基础-深度学习的博客及其提炼
Norm 浅谈Transformer的初始化、参数化与标准化 RMSNorm：去掉了LayerNorm的均值，只保留了方差 Pre-norm和Post-norm的对比： 为什么Pre-norm效果更差数学解释 Pre-norm模型没有Post-norm '深'，所以理论上限更低 Pre-norm的残 ......
尝试用ColabPro训练深度学习模型
Colab中使用.ipynb文件，即我们平时使用的Jupyter Notebook文件来完成相关代码的执行。如果要训练模型，需要将模型封装成可以经过ipynb文件执行的形式。 在具体的运行时类型中，可以选择不同的运行时，其中包含了可选的GPU和CPU。GPU中有V100、A100、T4这几种可以选择 ......
深度学习 学习与训练中遇到的问题 记录
RuntimeError: Sizes of tensors must match except in dimension 1. Got 61 and 60 in dimension 2 错误产生原因：在模型中有以下操作：torch.cat(x, y) 当x, y的尺寸不一致时，就会出现以上错误。 ......
动手学深度学习_3 线性神经网络
summer pocket_久岛鸥 我将会跨越七大洋，将我的爱意带到你的身边 线性回归基本概念 这里的price泛化后就是我们的y，即标签label 这里的area,age泛化后就是我们的X，即特征features 当L（W，b）能够通过直接求导得到W与b,那么我们称之W与b有解析解（因为L（W,b ......
深度学习|如何确定 CUDA+PyTorch 版本
对于深度学习初学者来说，配置深度学习的环境可能是一大难题，因此本文主要讲解CUDA; cuDNN; Pytorch 三者是什么，以及他们之间的依赖关系。 CUDA CUDA（Compute Unified Device Architecture）是由NVIDIA开发的用于并行计算的平台和编程模型。C ......