初读:2020年11月30日至2020年12月3日 啃书进度会在目录中标出来。本次目标是完成第二章2.2节梯度下降算法(P17-P19)。 这一节内容非常聚焦,只讲了梯度下降的原理,介绍了三种实际的梯度下降方法——批量梯度下降算法、随机梯度下降算法和小批量梯度下降算法。 “梯度下降”真是如雷贯
转载地址:https://bbs.huaweicloud.com/forum/thread-66135-1-1.html 作者:Yesterday 最近开始学习mindspore,发现Mindspore对于一位向量的定义是非常不明确的,导致后续操作非常不方便,所以关于这方面我提一下建议,希望Mindspore的开发部门可以注意一下: 一维向量的默认是行向量还是列
转载地址:https://bbs.huaweicloud.com/forum/thread-94801-1-1.html 作者: AAAI 记住一定要看步骤10 首先我们新建一个notebook环境 在选择工作环境时选择Ascend,并且存储配置目前只有OBS桶 Ascend-Powered-Engine 1.0 (Python3)MindSpore-1.0.0,TensorFlow-1.15.0 创建完成
摘要:MindSpore在3.28日正式开源了量子机器学习库MindQuantum,本文介绍MindQuantum的关键技术。 本文分享自华为云社区《MindSpore量子机器学习库MindQuantum》,作者:HWCloudAI 。 MindSpore在3.28日正式开源了量子机器学习库MindQuantum,本文介绍MindQuantum的关键技术。介绍MindQ
背景 自从华为开源了MIndSpore深度学习框架,题主就始终惦记着要充分利用手里有且仅有的游戏本,给它加持一套高大上的支持GPU的MindSpore环境,但让人泪奔的是——MindSpore-gpu不兼容Windows!!! 虽然MindSpore也能在Windows里运行,但那是CPU的安装版。可连GPU都不能用还有什么资格配叫深
转载地址:wsl2 gpu下深度概率训练初体验_MindSpore_昇腾论坛_华为云论坛 作者:芳菲菲兮满堂 之前发过帖子安装好了wsl2下mindspore gpu环境, 想看下wsl2 环境下对gpu性能有多少损耗,同时也想体验下深度概率模型的魅力,二话不说,先跑个demo试试 数据准备 mnist已经被玩坏了,建议新手玩家
国产计算框架MindSpore的r1.3分支源代码存在部分bug,导致无法从源码方式进行gpu环境下的编译。 具体参看: https://www.cnblogs.com/devilmaycry812839668/p/15059000.html https://www.cnblogs.com/devilmaycry812839668/p/15054624.html 本文给出对r1.3分支存在的部分bug就
转载地址:https://bbs.huaweicloud.com/forum/thread-83182-1-1.html 作者:飞翔的企鹅 概述 最近从朋友那儿得知华为的深度学习框架MindSpore更新到了1.0.0版本,效率比起之前提高了好多,到MindSpore官网上看看了一番,官网上可视化教程记事本文档引起了我的兴趣。于是,打算 在这篇记
Anaconda安装 在要运行的环境下安装Anaconda(或Miniconda),我选择的是Anaconda。Anaconda下载地址 安装步骤 #获取下载的文件Anaconda3-2021.04-Linux-x86_64.sh cd ./home wget https://repo.anaconda.com/archive/Anaconda3-2021.05-Linux-x86_64.sh #执行安装文件 bash ./Ana
转载地址:MindSpore Lite体验笔记--实现一个图像分类应用_MindSpore_昇腾论坛_华为云论坛 作者:longvoyage 教程地址:https://www.mindspore.cn/tutorial/lite/zh-CN/r1.1/quick_start/quick_start.html 下载mindspore代码,工程路径mindspore\model_zoo\official\lite\image_classif
摘要:在模型的开发过程中,精度达不到预期常常让人头疼。为了帮助用户解决模型调试调优的问题,我们为MindSpore量身定做了可视化调试调优组件:MindInsight。 本文分享自华为云社区《技术干货 | 模型优化精度、速度我全都要!MindSpore模型精度调优实战(二)》,原文作者:HWCloudAI 。 引言:
本文主要内容源于: https://www.mindspore.cn/tutorial/training/zh-CN/master/use/load_model_for_inference_and_transfer.html#id1 ====================================================================== 本地加载模型 用于推理验证 针对仅推理场景可以使用l
MindSpore计算框架提供了一个官方版本的预训练模型存储库,或者叫做官方版本的预训练模型中心库,那就是 MindSpore / hub 。 首先我们需要明确概念: 第一个就是 mindspore_hub 是一个Python库,或者说是一个Python包(package), 我们需要在Python中调用mindspore_hub库中的函数,来下载
代码原地址: https://www.mindspore.cn/tutorial/training/zh-CN/r1.2/use/load_dataset_text.html =======================================================
要迁移的项目为图像压缩算法https://github.com/ywz978020607/HESIC 1.自定义算子迁移--LowerBoundFunction类 为了能够准确迁移底层封装的类,需要详细测试原版类以及迁移测试 pytorch中自定义的算子有torch.autograd.Function import torch import torch.nn as nn class LowerBo
原文地址: https://gitee.com/mindspore/mindspore/issues/I3ZG99 Software Environment: -- MindSpore r1.2 GPU ( pip install this package) -- Python 3.7.5 -- Linux Ubuntu 18.04 显卡1660ti nvidia Intel i7 cpu 代码: import mindspore from mindspore
摘要:为大家梳理了针对常见精度问题的调试调优指南,将以“MindSpore模型精度调优实战”系列文章的形式分享出来,帮助大家轻松定位精度问题,快速优化模型精度。 本文分享自华为云社区《技术干货 | 更快定位精度问题!MindSpore模型精度调优实战(一)》,原文作者:HWCloudAI 。 引言: 在模型的开
代码原地址: https://www.mindspore.cn/tutorial/zh-CN/r1.2/model.html 建立神经网络: import mindspore.nn as nn class LeNet5(nn.Cell): """ Lenet网络结构 """ def __init__(self, num_class=10, num_channel=1): s
参考地址: https://www.mindspore.cn/tutorial/zh-CN/r1.2/dataset.html ======================================================== 数据集下载: mkdir -p ./datasets/MNIST_Data/train ./datasets/MNIST_Data/test wget -NP ./datasets/MNIST_Data/train https://mi
深度学习框架 MindSpore —— 华为出品的AI计算框架 官网地址: https://www.mindspore.cn/ 源代码地址: https://gitee.com/devilmaycry812839668/mindspore ============================================================== 安装方法: (注意
Mindspore实现手写字体识别 一、实验目的 加深对神经网络原理的理解 熟悉Minspore平台 掌握训练过程 二、实验环境 Windows + Python3+ 一台装有集成开发环境(IDE)—— PyCharm的计算机 三、实验内容 1.下载数据集放置目录如下 四、代码填写 #encoding=utf-8 import matplotli
根据mindspore线性拟合官方案例改编而成 f(x)=w * sin(x) + b,下面脚本展示将以 f(x)=2 * sin(x) +3为实例。 #导入所需的工具包 import numpy as np from mindspore import dataset as ds from mindspore.common.initializer import Normal from mindspore
如果训练的网络需要自定义loss function, 正常情况下得到的loss是三个loss的权重加和。采用的策略就是自定义了loss function + train wrapper,使用了LossMonitor来查看总的loss。假设现在想在训练过程中自定义callback函数把总的loss+三个子的loss都打印出来。那么就需要把loss f
本次演示使用MindSpore。所以首先需要安装MindSpore。大家可以参考MindSpore官网页面安装:https://www.mindspore.cn/install 在使用MindSpore进行模型训练过程中,首先添加检查点(CheckPoint)保存模型的参数,这样在后面进行推理及再训练的时候使用很方便。 CheckPoint:MindSpore存储
摘要:所谓全场景AI,是指可以将深度学习技术快速应用在云边端不同场景下的硬件设备上,包括云服务器、移动终端以及IoT设备等等,高效运行并能有效协同。 本文分享自华为云社区《AI框架的挑战与MindSpore的解决思路》,原文作者:HWCloudAI 。 全场景统一AI框架的挑战 所谓全场景AI,是指可