HelloWorld 开发者社区

科技资讯

全部资讯

开源项目

全部项目

推荐好文

LiftPool:双向池化操作,细节拉满,再也不怕丢特征了 | ICLR 2021

<blockquote论文参考信号处理中提升方案提出双向池化操作LiftPool,不仅下采样时能保留尽可能多的细节,上采样时也能恢复更多的细节。从实验结果来看,LiftPool对图像分类能的准确率和鲁棒性都有不错的提升,而对语义分割的准确性更能有可观的提升。不过目前论文还在准备开源阶段,期待开源后

EfficientNetV2:谷歌又来了,最小的模型,最高的准确率,最快的训练速度 | ICML 2021

<blockquote<p 论文基于trainingawareNAS和模型缩放得到EfficientNetV2系列,性能远优于目前的模型。另外,为了进一步提升训练速度,论文提出progressivelearning训练方法,在训练过程中同时增加输入图片尺寸和正则化强度。从实验结果来看,Ef

Hybrid-PSC:基于对比学习的混合网络,解决长尾图片分类 | CVPR 2021

<blockquote<p 论文提出新颖的混合网络用于解决长尾图片分类问题,该网络由用于图像特征学习的对比学习分支和用于分类器学习的交叉熵分支组成,在训练过程逐步将训练权重调整至分类器学习,达到更好的特征得出更好的分类器的思想。另外,为了节省内存消耗,论文提出原型有监督对比学习。从实验结果来看,

YOLOF:单层特征检测也可以比FPN更出色 | CVPR 2021

<blockquote<p 论文通过分析发现FPN的成功在于divideandconquer策略解决了目标检测的优化问题,借此研究设计了仅用单层特征预测的高效检测网络YOLOF。YOLOF在结构上没有很多花哨的结构,却在准确率、推理速度和收敛速度上都有不错的提升,相对于眼花缭乱的FPN魔改结

Diffusion扩散模型

模型简介当前有四大生成模型:生成对抗模型、变微分自动编码器、流模型以及扩散模型。扩散模型在诸多应用领域都有出色的表现,如计算机视觉,NLP、波形signal处理、多模态建模、分子图建模、时间序列建模、对抗性净化等。原理:扩散现象物理:物质分子从高浓度向低浓度区域转移,直到均匀分布。AI:由熵增定律驱

MindSpore社区活动:图像语义分割模型-DeepLabV3

在前期的图像检测阶段,分割模型使用完全卷积的神经网络FCNN,其中掩模和边界被放置好,然后,输入通过一个非常深的网络进行处理,其中累积的卷积和池会导致图像的分辨率和质量显著降低,因此,结果是高信息丢失率的结果。DeepLab模型利用空洞卷积和空洞空间卷积池化金字塔(ASPP)架构解决了这一挑战。De

MindSpore社区活动:数据并行,让训练加速

概述数据并行是最常用的并行训练方式,用于加速模型训练和处理大规模数据集。在数据并行模式下,训练数据被划分成多份,然后将每份数据分配到不同的计算节点上,例如多卡或者多台设备。每个节点独立地处理自己的数据子集,并使用相同的模型进行前向传播和反向传播,最终对所有节点的梯度进行同步后,进行模型参数更新。相关

如何开始定制你自己的大型语言模型

2023年的大型语言模型领域经历了许多快速的发展和创新,发展出了更大的模型规模并且获得了更好的性能,那么我们普通用户是否可以定制我们需要的大型语言模型呢?首先你需要有硬件的资源,对于硬件来说有2个路径可以选。高性能和低性能,这里的区别就是是功率,因为精度和消息长度直接与参数计数和GPU功率成比例

正在加载更多文章…

加载更多

已加载文章中没有匹配内容,可继续加载更多。