人工智能

迁移学习 (transfor learning) or 微调(fine tune)

(一)微调 / 迁移学习 数据标注是一个很贵的事情,我们希望在经过大量的数据训练以后。我们的模型具备了一定的学习能力,在以后只需要给一点点的提示就能够学会一个新的事物。就是迁移学习的概念,名字不一样而已。 (1)网络架构 一个神经网络可以分为两块 特征收取将原始像素变为能够线性分割的特征 线性分类器来做分类 那么微调是怎么做的呢? 有一个神经网络net,它的训练来自于A数据集,而

序列标注任务常用方法

1. HMM 1.1 模型原理 HMM中,有5个基本元素:{N,M,A,B,π},结合序列标志任务(NER)对其的概念定义为: N:状态的有限集合。在这里,是指每一个词语背后的标注。 M:观察值的有限集合。在这里,是指每一个词语本身。 A:状态转移概率矩阵。在这里,是指某一个标注转移到下一个标注的概率。 B:观测概率矩阵,也就是发射概率矩阵。在这里,是指在某个标注下,生成某个词的概率。 π:初始

关于数

数字有什么难以理解的吗?我们一、二、三这样数下去,不就知道了吗? 加法就是连续记数。比如,4与5的加法,就是从4出发,数上5步,由此得到数字9。所谓a加b,就是表示从a开始,数了b步而得到的数。但数着数着,位值制的概念就出来了,位置的位,数值的值,也就是什么是十位,什么是百位。 如果只能用一个位置来记数,那么数到9,我们就不能往下数了,这时候,需要增加一个位置,这个新的数位就是十位,数到99时,需

AI修图革命:IOPaint+cpolar让废片拯救触手可及

文章目录 前言 【视频教程】 1.什么是IOPaint? 2.本地部署IOPaint 3.IOPaint简单实用 4.公网远程访问本地IOPaint 5.内网穿透工具安装 6.配置公网地址 7.使用固定公网地址远程访问 总结 前言旅行拍照时意外拍到路人闯入?证件照背景不合规?传统修图软件学习成本高,在线工具又担心隐私泄露&#

SM2算法功能简述(一) 数字签名生成流程

SM2数字签名算法由一个签名者对数据产生数字签名,并由一个验证者验证签名的可靠性。每个签名者有一个公钥和一个私钥,其中私钥用于产生签名,验证者用签名者的公钥验证签名。在签名的生成过程之前,要用密码杂凑函数对M (包含ZA和待签消息M)进行压缩;在验证过程之前,要用密码杂凑函数对M′(包含ZA和验证消息M′)进行压缩。 SM2推荐椭圆曲线参数如下: 使用素数域256位椭圆曲线 椭圆曲线方程:y2 =

到底是什么原因造成的呢

昨天的收益为什么这么少?按说跟平常应该没有什么不同,我50个赞点完,平均点一个赞,1.1左右的收益率(最低也应该有一个钻贝),那么点赞收益就应该有55个钻贝左右,即便按最少的算,也应该有50个钻贝,我看了一下昨天的收益详图,点赞收益却只有40个钻贝,比我计算的居然少了10到15个钻贝!同样的点赞,比平时竟然少了这么多收益,这确实令我有些意外。 文章收益这一块,跟我平时相比,少了一个大咖的点赞,但算

人工智能从入门到精通:深度学习模型部署与生产环境实践

第十章:深度学习模型部署与生产环境实践 学习目标 掌握深度学习模型部署的基本流程 了解常用的模型部署平台和工具 学会将训练好的模型转换为部署格式 理解生产环境中模型部署的最佳实践 学习如何处理模型部署中的性能和可靠性问题 10.1 模型部署基础 10.1.1 模型部署流程深度学习模型部署是将训练好的模型应用到实际生产环境中的过程,通常包括以下步骤:

一文详解对抗训练方法

对抗训练方法 Adversarial learning主要是用于样本生成或者对抗攻击领域,主要方法是通过添加鉴别器或者根据梯度回传生成新样本,其主要是为了提升当前主干模型生成样本的能力或者鲁棒性 一. 对抗训练定义 ==对抗训练是一种引入噪声的训练方式,可以对参数进行正则化,提升模型鲁棒性和泛化能力== 1.1 对抗训练特点 相对于原始输入,所添加的扰动是微小的 添加的噪声可以使得模型预测错

Hadoop三种文件存储格式Avro、Parquet、ORC

也是知识,要了解 URL: 为什么我们需要不同的文件格式? 对于 MapReduce 和 Spark 等支持 HDFS 的应用程序来说,一个巨大的瓶颈是在特定位置查找相关数据所需的时间以及将数据写回另一个位置所需的时间。这些问题随着管理大型数据集的困难而变得复杂,例如不断发展的模式或存储限制。 在处理大数据时,存储此