pytorch

点击蓝色“ AI专栏 ”关注我 哟 选择“ 星标 ”，重磅干货，第一时间送达 这是站长第 31 期免费送丰富宝贵的干货资源与教程 本期绝对是 满满的干货 ！ 获取更多资源请关注 【AI专栏】 先上车pa 01 PART 五套深度学习算法教程！ 作为AI 初学者来说，最大的问题就是： 资料太多！！！看不完！！！ 不知道如何取舍！！！人的精力有限！！！ 因此，本次站长就为各位站友把 高效有用 的入门和进阶学习材料整理好了， 并限时无套路免费送给各位站友！！！ AI学习不仅仅在于模型掌握了多少，更多的在于你的算法分析和设计能力、工程实践能力、算法模型的优化能力。 5本享誉全球的AI好书和项目 免费 送给大家 ！！！ 机器学习基础 《机器学习基础》来了， 一书吃透机器学习！ 先总体来看，这本书分为17个章节： 从每一个章节的设置可以看出这份教材设置的非常细致，将机器学习中的基础概念拆分开来讲，想深入了解吃透深度学习的基础，按这个目录来学也是个不错的选择。 【AI专栏】 只做 干货！！！ 在这里没有任何套路！你只需要 长按下方二维码 回复【 2020 】 加站长微信即可立即获取 五套深度学习和算法学习教程和三套Python学习视频！！！ 现在关注他，还有机会添加他的个人微信号，进行一对一的交流，坑位有限(微信号有 5000 人的限制)，大家抓紧吧！ PyTorch官方教程中文版

机器之心报道 机器之心编辑部 如何应用自动机器学习 (AutoML) 加速图机器学习任务的处理？清华大学发布全球首个开源自动图学习工具包：AutoGL (Auto Graph Learning)，支持在图数据上全自动进行机器学习。 人工智能的蓬勃发展离不开数据、算力、算法这三大要素。而在浩瀚的数据中，有一种数据结构既普遍又复杂，它就是图（graph）。 图是一种用于描述事物之间关系的结构，其基本构成元素为节点和连接节点的边。 很多不同领域的研究问题都可以很自然地建模成图机器学习，例如蛋白质建模、物理系统模拟、组合优化等基础研究;社交媒体分析、推荐系统、虚假新闻检测等互联网应用;以及金融风控、知识表征、交通流量预测、新药发现等。 社交网络图示例。 图结构丰富且具有与生俱来的导向能力，因此非常适合机器学习模型。同时，它又无比复杂，难以进行大规模扩展应用。而且不同的图数据在结构、内容和任务上千差万别，所需要的图机器学习模型也可能相差甚远，这就导致不同任务的模型自动化面临巨大挑战。 如何设计最优的图自动机器学习模型 ，是一个尚未解决的难题。 图 + AutoML = ？ 自动机器学习 (AutoML) 旨在将机器学习的过程自动化，在降低机器学习使用门槛的同时，提升机器学习的效果。但现有的自动机器学习工具，无法考虑图数据的特殊性，因此无法应用在图机器学习模型中。 为了解决该问题

点击蓝字 关注我们,让开发变得更有趣 排版 | 刘思琪 相信大家在刚上手 「OpenVINO 工具套件」 时， 或多或少都会拥有一些这样或那样的困惑吧～ 今天，我们就分享一波28个常见问题的解答， 快来看看下面的回答有没有解决你的困惑吧～ 如果仍有其它疑问可以点击 ⬇️ # 答疑解惑三方式 # 来查看提问的渠道与方式哦 ～ # OpenVINO FAQ # 1. OpenVINO 是免费的吗？ 对，OpenVINO 是开源免费的。 2. OpenVINO 支持模型训练吗？ OpenVINO 是用于模型部署的工具包，不支持模型训练。 3. OpenVINO 支持哪些硬件平台？ 目前 仅支持 Intel® 的硬件平台 ，包括：CPU，集成显卡 iGPU, GNA, FPGA, MovidiusTM VPU。 还支持树莓派。 4. OpenVINO 支持 cuda 吗？ 不支持。 5. 如何了解 OpenVINO 所做产品的优化和升级信息 l 优化指南： 使用 OpenVINO 进行模型部署，主要使用两个模块：模型优化器和推理引擎 l 模型优化器对模型进行优化，具体优化技术可参考： https://docs.openvinotoolkit.org/latest/openvino_docs_MO_DG_prepare_model_Model_Optimization_Techniques

来源：机器之心 本文约2800字，建议阅读6分钟如何应用自动机器学习 (AutoML) 加速图机器学习任务的处理？ 清华大学发布全球首个开源自动图学习工具包：AutoGL (Auto Graph Learning)，支持在图数据上全自动进行机器学习。 人工智能的蓬勃发展离不开数据、算力、算法这三大要素。而在浩瀚的数据中，有一种数据结构既普遍又复杂，它就是图（graph）。 图是一种用于描述事物之间关系的结构，其基本构成元素为节点和连接节点的边。 很多不同领域的研究问题都可以很自然地建模成图机器学习，例如蛋白质建模、物理系统模拟、组合优化等基础研究;社交媒体分析、推荐系统、虚假新闻检测等互联网应用;以及金融风控、知识表征、交通流量预测、新药发现等。 社交网络图示例 图结构丰富且具有与生俱来的导向能力，因此非常适合机器学习模型。同时，它又无比复杂，难以进行大规模扩展应用。而且不同的图数据在结构、内容和任务上千差万别，所需要的图机器学习模型也可能相差甚远，这就导致不同任务的模型自动化面临巨大挑战。 如何设计最优的图自动机器学习模型，是一个尚未解决 的难题。 图 + AutoML = ？ 自动机器学习 (AutoML) 旨在将机器学习的过程自动化，在降低机器学习使用门槛的同时，提升机器学习的效果。但现有的自动机器学习工具，无法考虑图数据的特殊性，因此无法应用在图机器学习模型中。

Attention Is All You Need 2018-04-17 10:35:25 Paper： http://papers.nips.cc/paper/7181-attention-is-all-you-need.pdf Code（PyTorch Version）： https://github.com/jadore801120/attention-is-all-you-need-pytorch Video Tutorial: https://www.youtube.com/watch?v=S0KakHcj_rs 另一个不错的关于这个文章的 Blog： https://kexue.fm/archives/4765 1. Introduction: 　　现有的做 domain translation 的方法大部分都是基于 encoder-decoder framework，取得顶尖性能的框架也都是 RNN + Attention Mechanism 的思路。而本文别出心裁，仅仅依赖于 attention 机制，就可以做到很好的性能，并且，这种方法并适用于并行（parallelization）。 　　 2. Model Architecture : 　　大部分神经序列转换模型（neural sequence transduction models）都有 encoder

随着人工智能技术的发展与普及，Python超越了许多其他编程语言，成为了机器学习领域中最热门最常用的编程语言之一。有许多原因致使Python在众多开发者中如此受追捧，其中之一便是其拥有大量的与机器学习相关的开源框架以及工具库。根据 http:// builtwith.com 的数据显示，45%的科技公司都倾向于使用Python作为人工智能与机器学习领域的编程语言。 使Python如此受欢迎主要由于： Python从设计之初就是为效率而生，以使项目从开发到部署再在运维都能保持较高的生产力； 坊间有大量的基于Python的开源框架及工具库； Python易于上手，可以说是编程小白的福音； 相比起C、Java、C++来讲，Python的语法更简单，更高级，只需要更少行数的代码便能实现其他编程语言同样的功能； Python的跨平台能力； 正是由于Python简单易用以及高开发效率，吸引了大量的开发者为其创建更多新的机器学习工具库；而又因为大量的机器学习工具库的出现，使得Python在机器学习领域变得如此流行。 下面我们就来探索一下机器学习领域中最受欢迎的十大框架或工具库： Tensorflow 如果你正在使用Python来从事机器学习项目，那么你一定听说过其中一个著名的框架——Tensorflow。Tensorflow框架主要由Google大脑团队开发，主要用于深度学习计算

软硬件环境 ubuntu 18.04 64bit anaconda with 3.7 nvidia gtx 1070Ti cuda 10.1 pytorch 1.5 YOLOv5 YOLOv5环境配置 请参考之前的文章，YOLOv5目标检测 使用COCO数据集 YOLOv5 的预训练模型是基于 COCO 数据集，如果自己想去复现下训练过程，可以依照下面的命令 $ python train.py --data coco.yaml --cfg yolov5s.yaml --weights '' --batch-size 64 yolov5m 48 yolov5l 32 yolov5x 16 COCO 的数据集可以通过 data 文件夹下 get_coco2017.sh 脚本进行下载，包含图片和 lable 文件。 COCO 的数据集实在是太大了，整个压缩包有18G，考虑到自己到的网速还有机器的算力，还是洗洗睡吧。。。 制作自己的数据集 如果没有对应目标的公开数据集，那就只有自己出手收集了，图片到手后，接下来就是艰辛的打标签工作了，这里使用工具 LabelImg ，下载地址是 https://github.com/tzutalin/labelImg/releases/tag/v1.8.1 LabelImg 使用 Qt 做了图形化的界面，操作还是很方便的，这也是选择它的理由，它提供了默认的

点击上方 “ AI算法与图像处理 ”，选择加"星标"或“置顶” 重磅干货，第一时间送达 本文转载自：深度学习与计算机视觉 介绍 如今有大量的资源可以用来学习计算机视觉技术，那我们如何从众多教程中进行选择呢？哪个值得我们去投入时间呢？ 如果你也遇到这些问题，那么恭喜你来对地方了。我们通过理解数百种资源来选择值得你花费时间的资源-这就是我们首先推出本文的主要原因之一。 去年，我们广泛地专注于两个技术的学习方法——机器学习和深度学习，但是我们的社区需要更细化的学习路径—— 一个结构化的计算机视觉学习路径 。 这是可以理解的，因为计算机视觉专家的需求和价值在业界遥遥领先。专门研究计算机视觉及其不同方面，你会看到大量招聘人员试图接近你。 我记得当我开始自己的计算机视觉之旅时，我同时参考了多种资源——书籍、文章(当时并不多)、YouTube视频等等。 因此，我很高兴有机会 为你整理这种结构化的计算机视觉学习路径 。在开始学习之前，让我们了解一下为简化你的学习过程而构建的框架。 我们的计算机视觉学习路径框架 每个月都要有其对应的学习结构，这是我们对每个月需要了解的不同方面进行分类的方式： 目标 ：这个月你会学到什么？关键要点是什么？你的计算机视觉之旅将如何进行？我们会在每个月初提及此问题，以确保你知道该月底的立场以及所处的位置 建议时间 ：你每周平均应在该部分上花费多少时间 学习资源

介绍 如今有大量的资源可以用来学习计算机视觉技术，那我们如何从众多教程中进行选择呢？哪个值得我们去投入时间呢？ 如果你也遇到这些问题，那么恭喜你来对地方了。我们通过理解数百种资源来选择值得你花费时间的资源-这就是我们首先推出本文的主要原因之一。 去年，我们广泛地专注于两个技术的学习方法——机器学习和深度学习，但是我们的社区需要更细化的学习路径—— 一个结构化的计算机视觉学习路径。 这是可以理解的，因为计算机视觉专家的需求和价值在业界遥遥领先。专门研究计算机视觉及其不同方面，你会看到大量招聘人员试图接近你。 我记得当我开始自己的计算机视觉之旅时，我同时参考了多种资源——书籍、文章(当时并不多)、YouTube视频等等。 因此，我很高兴有机会为你整理这种结构化的计算机视觉学习路径。在开始学习之前，让我们了解一下为简化你的学习过程而构建的框架。 我们的计算机视觉学习路径框架 每个月都要有其对应的学习结构，这是我们对每个月需要了解的不同方面进行分类的方式： 目标 ：这个月你会学到什么？关键要点是什么？你的计算机视觉之旅将如何进行？我们会在每个月初提及此问题，以确保你知道该月底的立场以及所处的位置 建议时间 ：你每周平均应在该部分上花费多少时间 学习资源 ：该月你将学习的计算机视觉主题的顶级资源集合，其中包括文章，教程，视频，研究论文和其他类似资源 你可以在此处下载该学习路径的相应信息图。