一周未见，甚是想念，今天小Mi带大家学习异常检测(Anomaly detection)！废话不多说，我们开始吧~ 1 定义 异常检测(Anomaly detection)这个算法很有意思：它虽然主要用于非监督学习问题，但从某些角度看，它又和一些监督学习问题很类似。 什么是异常检测： 通常飞机的引擎从生产线上流出时需要进
一周未见，甚是想念，今天小Mi带大家学习异常检测(Anomaly detection)的多元部分！废话不多说，我们开始吧~ 7 多元高斯分布 今天学习的内容是异常检测算法的更进一步，涉及到多元高斯分布，它有一些优势，也有一些劣势，它能捕捉到之前的算法检测不出来的异常，首先我们来看一个例子。 假设有上图
转眼间，小Mi带大家已经机器学习了两个月了，今天带大家一起放松放松，我们和电脑来几场简单的“决斗”！ 场景1： 在没有丰富表情包的聊天时代，大家的表情是不是纯粹靠兔斯基和石头剪刀布来简单进行娱乐，要不今天安排下和计算机无聊来几局？ 逻辑分析： 代码展示： import random #导入随机模
小Mi学习，向上积极！在上一篇机器学习中，小Mi已经带大家认识了单变量线性回归的数学模型，以及对应代价函数的图形解释，小Mi也提及过，我们真正需要的是一种有效的算法，能够自动地找出这些使代价函数J取最小值的参数，来，因此它来了它来了！今天小Mi在此基础上，继续带大家一起学习梯度下降算法。 3
今天小Mi带大家学习如何设计一个机器学习系统，也会带大家了解设计复杂的机器学习系统时可能会遇到的一些问题。当然啦，除此之外，小Mi还会提供一些关于巧妙构建复杂机器学习系统的小tips。哦，对了，偷偷告诉你们，可能会帮助大家在构建大型的机器学习系统时，节省大量的时间哦~ 1 初始步骤
【GiantPandaCV导语】上学期快结束的时候参加了华为和CCF组织的零售商品识别的比赛，队伍名称为GiantPandaCV队，比赛大约持续了两个月，期间从开始摸索MindSpore框架，配置环境，上手ModelArts花费了不少功夫。现在比赛终于告一段落，本文进行一下复盘。 背景 CCF大数据与计算智能大赛（C
【GiantPandaCV导语】上学期快结束的时候参加了华为和CCF组织的零售商品识别的比赛，队伍名称为GiantPandaCV队，比赛大约持续了两个月，期间从开始摸索MindSpore框架，配置环境，上手ModelArts花费了不少功夫。现在比赛终于告一段落，本文进行一下复盘。 背景 CCF大数据与计算智能大赛（CCF Bi
1. 摘要 在前面两次的分享中，我们主要探讨了LeNet卷积神经网络，分析了卷积、池化、全连接这些操作运算的特点和用法，以及LeNet中每一层的计算和作用。在了解过该网络的原理后，那么本次我们将通过使用MindSpore工具实现MNIST数据集的分类。 2. 模型的构造 对于一个完整图片
危险，危险，危险——好久不见，等你在这里见面~在经过前两期关于神经网络的简单介绍后，今天小Mi将进一步介绍神经网络的代价函数、前向传播和反向传播，废话不多说，我们开干吧~ 1 代价函数 首先引入一些便于稍后讨论的新标记方法： 假设神经网络的训练样本有m个，每个包含一组输入x和一组输出信
在上周小Mi给大家的介绍中，我们谈到了怎样使用反向传播算法计算代价函数的导数。今天，小Mi将继续带大家了解神经网络的实现过程，废话不多说，赶快跟小Mi一起学起来吧~ 4 实现注意：展开参数 首先，有一个细节的实现过程值得关注一下，就是如何把参数从矩阵展开成向量，以便我们在高级最优化步骤
今天小Mi带大家学习如何设计一个机器学习系统，也会带大家了解设计复杂的机器学习系统时可能会遇到的一些问题。当然啦，除此之外，小Mi还会提供一些关于巧妙构建复杂机器学习系统的小tips。哦，对了，偷偷告诉你们，可能会帮助大家在构建大型的机器学习系统时，节省大量的时间哦~ 1 初始步骤
一周未见，动力不减！小Mi又带着知识点和大家见面啦！（敲黑板~） 上周小Mi带着大家简单地学习了机器学习的概念，还有其常见的两个大类，监督学习和无监督学习，这次小Mi决定跟大家一起复习下机器学习中常用的线性代数知识。话说矩阵、向量还记得不，逆和转置到底是什么玩意儿？你的大学老师是不是已
小Mi学习，向上积极！前两节小Mi带大家学习了单变量线性回归，还具体分析了自动求解最小代价函数参数的梯度下降法。这不有了单变量，是不是肯定有多变量？！今天小Mi跟大家一起讨论的就是一种更为有效，适合实际情况的形式-多变量线性回归~~ 1 多维特征 既然是多变量线性回归，那么肯定是存在多
几天不见，甚是想念！小Mi系列的活动正在如火如荼地进行中，小Mi看到大伙儿的热情，动力更加十足，这不又迫不及待地更新来了！ 在上期的多变量线性回归介绍中，我们学习了多维特征、多变量的梯度下降法以及在实现梯度下降过程中的特征缩放和如何选择学习率这两个技巧，今天小Mi在其基础上，继续带领
一周未见，，甚是想念！今天小Mi带大家学习如何降维，这是我们遇到的第二种类型的无监督学习问题！废话不多说，我们开始吧~ 1 降维示例 首先，什么是降维呢？这个问题应该最先搞清楚，由于数据集通常有许多特征，我们可以举一个简单的例子来分析： 假设有未知两个的特征： 长度，用厘米表示； 是用英寸
内容来源：华为开发者大会2021 HMS Core 6 AI技术论坛，主题演讲《MindSpore联邦学习框架解决隐私合规下的数据孤岛问题》。 演讲嘉宾：华为MindSpore联邦学习工程师 大家都知道，人工智能的发展离不开广泛的数据支撑。数据是基础，也是关键。但行业中小规模、碎片化，亦是大规模、高质量的数
划水之时看了看B站视频： 【亦】微笑面对显卡短缺：不买更快乐 https://www.bilibili.com/video/BV1RZ4y1c7qT 在显卡短缺之下不仅仅电脑游戏玩家被卡脖子就连高校和小公司里的AI从业者也被卡脖子，在如此情景之下该考虑的不是说如何用AMD的opencl替代NVIDIA的cuda，而是要想
目录 一、mindspore简介 二、训练环境 三、数据集与数据加载 四、模型训练和验证 五、迁移学习 六、模型测试和导出 一、mindspore简介 MindSpore是华为开源的全场景深度学习框架，旨在实现易开发、高效执行、全场景覆盖三大目标，其中易开发表现为API友好、调试
摘要：简要介绍一下akg正反向算子的注册和关联流程。 本文分享自华为云社区《AKG正反向算子注册+关联》，作者：木子_007 。 一、环境 硬件：eulerosv2r8.aarch64 mindspore：1.1 算子注册需要编译安装框架才能生效，所以默认环境中已经有了mindspore的源码，并且已经可以编译安装 二、正向算子
如何使用MindSpore自定义优化器 引言动机层归一化的缺陷自适应梯度裁剪如何用MindSpore自定义优化器并且实现AGC_SGDmindspore.nn.optim.Momentum使用MindSpore实现AGC MindSpore社区贡献活动 引言 神经网络的参数众多，我们需要选择合适的算法来进行参数的更新和
前段时间在gitee上给MindSpore提过几个问题，后来一直没有回复，前几天得到了回复又通过网络视频聊了聊自己认为该开源项目还有哪些不足的地方，最后获赠了个小书包，对这个小礼物还是蛮喜欢的，下面给出自己拍的图片，以此纪念。 MindSpore的gitee地址： https://gi
转载地址：https://bbs.huaweicloud.com/forum/thread-61773-1-1.html 作者：红色石头 MindSpore！这款刚刚开源的深度学习框架我爱了！ 犹记得今年的华为开发者大会 HDC 2020 上，一直受人瞩目的深度学习框架 MindSpore 终于开源了。 我之前一直关注 MindSpore，还是挺期待的。MindSpore
转载地址：https://bbs.huaweicloud.com/forum/thread-61282-1-1.html 作者： OwlLite 深度学习大潮出现之后，AI行业迎来了历史上的又一轮兴奋期。如今也同经历过的历史一样，兴奋已经过去，很多乐观的预言（例如“全自动驾驶”）并没有实现而且被业界认为不可能在当前技术架构下实现。不过
转载地址：https://bbs.huaweicloud.com/forum/thread-107580-1-1.html 作者：KAIKAI 1、教程地址：https://www.mindspore.cn/tutorial/lite/zh-CN/master/quick_start/image_segmentation.html# 2、Android Studio 安装地址：https://developer.android.com/studio 3、下载图像分割ima
转载地址：https://bbs.huaweicloud.com/forum/thread-75723-1-1.html 作者：liaops 一、软硬件环境 硬件平台：阿里云服务器 规格族：计算平衡增强型 c6e 实例规格：ecs.c6e.large vCPU：2 vCPU 内存：4 GiB 处理器主频/睿频：2.5 GHz/3.2 GHz 处理器型号：Intel Xeon(Cascade Lake) Platinum 826
