Advertisement

UAI03_云模型学习部分_

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本章节聚焦于“云模型”的核心概念、理论框架及其在不确定性数据处理中的应用，并探讨其学习方法与实践案例。 文章摘自李德毅教授PPT授课中的云模型内容，涵盖数据挖掘引用、正向及逆向的云模型代码以及相关案例。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • UAI03_云模型学习部分_
    优质
    本章节聚焦于“云模型”的核心概念、理论框架及其在不确定性数据处理中的应用，并探讨其学习方法与实践案例。 文章摘自李德毅教授PPT授课中的云模型内容，涵盖数据挖掘引用、正向及逆向的云模型代码以及相关案例。
     
  • TensorRT深度学习模型部署实战
    优质
    《TensorRT深度学习模型部署实战》是一本专注于使用NVIDIA TensorRT进行高效深度学习模型优化与部署的技术书籍，适合AI开发者和研究人员提升生产环境下的模型性能。 现在为大家介绍一套新课程——深度学习-TensorRT模型部署实战。这套2022年4月推出的完整版视频教程包含代码与课件资源。 该课程分为四个部分： 第一部分：CUDA-驱动API精简，涵盖CUDA驱动API的使用、错误处理方法以及上下文管理技巧，并介绍其在开发中的位置和最佳实践。 第二部分：CUDA-运行时API精简。此章节将教授如何利用CUDA运行时API进行编程，重点在于简化操作并确保实用性。内容包括编写核函数以加速模型预处理（如仿射变换），掌握Yolov5后端处理的优化策略以及共享内存的应用技巧。 第三部分：TensorRT基础学习。这部分课程涵盖TensorRT的基础知识，包括如何编译和推理模型、使用ONNX解析器，并深入探讨ONNX结构及其编辑修改方法；同时还会讲解int8量化技术、插件开发流程及简化版插件开发策略以及动态shape的应用技巧。 第四部分：TensorRT高级应用。通过项目驱动的方式学习大量具体的深度学习案例，如分类器、目标检测等，掌握针对这些任务的封装技术和多线程技术，并了解框架设计的相关知识和技术细节。
     
  • 深度学习模型概览（MATLAB | Deep Learning Designer）第一部分
    优质
    本教程为《深度学习模型概览》系列的第一部分，使用MATLAB中的Deep Learning Designer工具介绍基础概念和操作流程。 预训练模型包含以下部分（注意由于文件巨大被分为了三部分）：AlexNet、Darknet_19、Darknet_53、DenseNet_201、EfficientNet_b0、Inception_ResNet_v2、Inception_v3、LeNet、LeNet_Places365、mobileNet_v2、NasNet_large、NasNet_mobile、ResNet_18、ResNet_50、ResNet_101、shuffleNetVGG_16和Xception。所有模型变量储存在其对应名字的mat文件夹中，加载后的模型变量皆为net。使用较新版本的Matlab可以支持更多的这些模型，在Matlab深度学习工具箱中的深度网络编辑器里可以从工作区导入，并根据需求进一步改进。 关于每个模型的具体内容解释，请参考相关文档或博客文章。
     
  • 深度学习模型概览（MATLAB | Deep Learning Designer）第二部分
    优质
    本教程为《深度学习模型概览》系列的第二部分，采用MATLAB与Deep Learning Designer工具，深入讲解深度学习模型的设计、训练及优化。 该部分预训练模型包含EfficientNet_b0（part2）、Inception_ResNet_v2(part2)、Inception_v3(part2)、LeNet(part2)、LeNet_Places365（part2）、mobileNet_v2(part2)、NasNet_large(part2)、NasNet_mobile(part2)和ResNet_18(part2)，所有模型变量储存在其对应名字的mat文件夹中，加载后模型变量皆为net。使用MATLAB版本越高所支持其中的模型越多，在MATLAB deep learning toolbox中的深度网络编辑器里可以从工作区导入这些模型，并根据自己的需求进一步进行改进。 关于具体细节可以参考相关文档或博客文章以获得更多信息。
     
  • 深度学习模型综述（MATLAB | Deep Learning Designer）第三部分
    优质
    本篇文章为《深度学习模型综述》系列的第三部分，重点介绍使用MATLAB中的Deep Learning Designer工具进行模型设计和实现的方法。 预训练模型包括ResNet_50（part3）、ResNet_101（part3）、shuffleNet（part3）以及VGG_16（part3）。所有模型变量存储在其对应的mat文件夹中，加载后模型变量皆为net。使用Matlab的最新版本可以支持更多的这些模型，在Matlab深度学习工具箱中的深度网络编辑器可以从工作区导入，并根据自己的需求进一步改进。关于每个模型的具体内容解释，请参考相关文档或资源。
     
  • PyTorch/ONNX深度学习模型的C++部署
    优质
    本教程深入介绍如何将基于PyTorch和ONNX格式的深度学习模型转换并部署到C++环境中，实现高效跨平台应用。 本课程将介绍如何创建并优化用于Pytorch和ONNX的C++部署框架，并利用英伟达显卡（通过CUDA/TensorRT）加速模型推理的过程。此外，还将探讨在产品中应用这些技术的方法。课程会定义一套统一接口来加载各种ONNX模型，并特别关注在实际部署过程中可能遇到的问题及解决方案。
     
  • 深度学习模型的部署及剪枝优化案例分析
    优质
    本文通过具体案例深入探讨了深度学习模型在实际应用中的部署流程及其面临的挑战，并提出剪枝优化策略以提升模型效率和性能。 深度学习模型部署与剪枝优化实例课程旨在帮助同学们快速掌握模型部署与优化方法。
     
  • 移动端上的深度学习模型部署
    优质
    本文探讨了在移动设备上实现深度学习模型的有效方法与技术，旨在优化资源利用并提高模型运行效率。 本段落主要讨论了训练调试与移动端部署问题。在训练调试方面，作者提供了两篇文章供读者参考：一篇介绍了整体的调试方法，另一篇讲述了如何避免过拟合。在移动端部署方面，文章探讨了深度学习模型在移动设备上的部署挑战和解决方案。