- 综合排序
- 最热优先
- 最新优先
- 来自专栏一英里广度一英寸深度的学习
腾讯云--GPU训练cifar10
深度学习中，很多图像任务需要构建较大的模型，要训练较大的模型，就需要与之对应的数据集。 这样的训练任务，往往要花费很长时间。作者在训练cifar10任务时，用了近40个小时。 在更大的任务中，用CPU做训练可能要100~200个小时。 很多深度学习框架，都支持GPU，可以通过租用GPU云服务器完成训练。 1. 腾讯云 腾讯云GPU服务器。 笔者利用阿里云OSS服务，下传数据和上传训练模型。 1.4 价格 性能、价格方面没有差别。 2. 阿里云GPU服务器 2.1 GPU 类型 P4 P10 M40 V100 ? conda install tensorflow-gpu conda install keras tensorflow 1.13.1 keras 2.2.4 5.keras 训练cifar10 github 运行 python cifar10_cnn.py steps_per_epoch错误，添加step_per_epoch参数。
7K31发布于 2019-04-23 - 来自专栏算法工程师的学习日志
Python基础训练100题-10
程序分析： 无 def exc(a,b): return (b,a) a=0 b=10 a,b=exc(a,b) print(a,b) 实例048：数字比大小 题目： 数字比较。 import random print(random.uniform(10,20))
41720编辑于 2022-07-27 - 来自专栏全栈程序员必看
VggNet10模型的cifar10深度学习训练
data_batch_(num).bin是训练集，一共有5个训练集；test_batch.bin为测试集 在数据集输读入的时候，也将会根据文件名来获取这些数据，后面代码中将会体现到 二：VGG模型 （这部分是VGG区别与其他模型的一个核心部分，在代码中也是主要根据这部分来构建模型的） 这里对cifar10的数据集进行训练，采用D，16层的一个模型（13个由卷积+池化和3个全连接层组成），直接对照上面部分 三个FC全连接层，其中在第三个全连接层部分，输出的节点（nodes）=n_classes，也就是分类有多少个类型，这里的训练集是cifar10.所以后面给出的n_classes=10. ，应用了别人已经训练好模型的参数，就是vgg16.npy.此时加载这个已经训练好的文件，查看一下他的内部结构形式，利用test_load()就可以查看了 也就是这部分代码 #%% 取出网络的各层的结构形式 ，再次训练，保存了两个文件，迭代3k时又重新迭代，之前的记录没有清除。
69020编辑于 2022-09-27 - 来自专栏深度学习思考者
Caffe for windows 训练minst和cifar-10
由于扣扣好友在训练CIFAR-10数据集，所以就在昨天配好环境的基础上趁热打铁，跑一下Demo吧。 至此，minst的训练demo到此结束。然后试试cifar-10！ CIFAR-10 训练 第一步：数据库的说明：CIFAR-10 60000张 32X32 彩色图像 10类 50000张训练 10000张测试 附上一个的deeplearning的常用数据集下载链接 第四步：训练cifar网络 在…/examples/cifar10文件夹里已经有网络的配置文件，我们只需要将cifar_train_leveldb和cifar_test_leveldb两个文件夹还有 的训练。
91960发布于 2018-01-02 - 来自专栏具身小站
lerobot开源机械臂10次训练记录
训练对应源码及录制的视频，通过网盘可以查看，地址：【https://pan.baidu.com/s/15sMT0nK3QrAPFOKxIOZvyQ?pwd=zhan】 1. 数据录制 # 训练10次（录制10个视频）：control.num_episodes=10 # 每次20秒：control.episode_time_s=20 # 每次训练完恢复现场时间20秒：control.reset_time_s --control.warmup_time_s=5--control.episode_time_s=20--control.reset_time_s=20--control.num_episodes=10
30610编辑于 2026-01-20 cifar10数据集模型搭建与训练
/cifar10/trainLabels.csv' test_csv_file = './cifar10/sampleSubmission.csv' train_folder = '. /cifar10/train/' test_folder = '. /cifar10/test' def parse_csv_file(filepath, folder): """Parses csv files into (filename(path), label test_predict = model.predict_generator(test_generator, workers = 10 /cifar10/submission.csv" generate_submissions(output_file, test_predict_class) # %%
15800编辑于 2025-07-18- 来自专栏Deep learning进阶路
pytorch进行CIFAR-10分类（4）训练
1、简述 经过前面的数据加载和网络定义后，就可以开始训练了，这里会看到前面遇到的一些东西究竟在后面会有什么用，所以这一步希望各位也能仔细研究一下 2、代码 for epoch in range(2) : # loop over the dataset multiple times 指定训练一共要循环几个epoch running_loss = 0.0 #定义一个变量方便我们对loss进行输出 ，把优化器的参数进行更新，以便进行下一轮 # print statistics # 这几行代码不是必须的，为了打印出loss方便我们看而已，不影响训练过程 所以训练部分的代码其实比较简单： running_loss和后面负责打印损失值的那部分并不是必须的，所以关键行不多，总得来说分成三小节 第一节：把最开始放在trainloader里面的数据给转换成variable
82810发布于 2019-05-25 - 来自专栏和蔼的张星的图像处理专栏
10.YOLO系列及如何训练自己的数据。
训练配置。 1. YOLOV3系列简介。 1.1:简介。 ---- 论文我正在看，等我看完了再写这一部分，但是因为这个模型的训练和检测框架都是端到端的，所以即使 不了解中间的细节也是可以训练和检测的。 ---- 2. 编译环境准备。 我自己的电脑是win10+ubuntu的双系统。 win10下darknet也是可以配置的，但是为了简单和适应linux系统我这次还是选择了ubuntu系统，中间安装opencv的时候空间不够了，我手贱想从win10下面分出来一点空间来给ubuntu的时候 装系统的话就不多说了，win10下装ubuntu的话大概以下几个步骤： ①从win的系统盘右键压缩出来50G(有的话可以再多点)的未分配的空间。
1.9K20发布于 2018-12-07 - 来自专栏深度学习自然语言处理
按照时间线帮你梳理10种预训练模型
这15%中，80%用[mask]替换，10%随机取一个词替换，10%不变。用非监督学习的方法预测这些词。 训练方法：先训练任务1，保存模型；加载模型，训练任务1、任务2；以此类推，直到训练完7个任务。 对BERT-wwm的改进： 预训练数据集做了增加，次数达到5.4B； 训练步数增大，训练第一阶段1M步，batch size为2560；训练第二阶段400K步，batch size为2560。 ? 「 10.ALBERT 」 ALBERT也是采用和BERT一样的Transformer的encoder结果，激活函数使用的也是GELU。 但ALBERT用了全新的参数共享机制，参数量相比BERT来说少了很多（小10倍+）。简单来说，就是：参数更少，效果更好。
2.4K52发布于 2020-09-22 - 来自专栏全栈程序员必看
深度学习 pytorch cifar10数据集训练「建议收藏」
1.加载数据集，并对数据集进行增强，类型转换 官网cifar10数据集 附链接：https://www.cs.toronto.edu/~kriz/cifar.html 读取数据过程中，可以改变 batch_size和num_workers来加快训练速度 transform=transforms.Compose([ #图像增强 transforms.Resize transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5)) #正则化 ]) trainset=tv.datasets.CIFAR10 F.relu(self.q1(x3)) x5=F.relu(self.q2(x4)) x6=self.q3(x5) return x6 训练模型 correct+=(predicted==labels).sum() print("准确率: %d %%" %(100*correct/total)) 接下来可以直接进行训练
59210编辑于 2022-06-25 yolov10训练报错GET was unable to find an engine to execute this computation
Error: /usr/local/cuda-11.8/lib64/libcudnn_cnn_train.so.8: undefined symbol: _ZN10cask_cudnn2kr8isAmpereEPNS0 Error: /usr/local/cuda-11.8/lib64/libcudnn_cnn_train.so.8: undefined symbol: _ZN10cask_cudnn2kr8isAmpereEPNS0 Error: /usr/local/cuda-11.8/lib64/libcudnn_cnn_train.so.8: undefined symbol: _ZN10cask_cudnn2kr8isAmpereEPNS0 Error: /usr/local/cuda-11.8/lib64/libcudnn_cnn_train.so.8: undefined symbol: _ZN10cask_cudnn2kr8isAmpereEPNS0 _do_train(world_size) File "/home/fut/anaconda3/envs/yolo10/lib/python3.8/site-packages/ultralytics
24100编辑于 2025-07-17- 来自专栏罗西的思考
深度学习分布式训练框架 horovod (10) --- run on spark
[源码解析] 深度学习分布式训练框架 horovod (10) --- run on spark 目录 [源码解析] 深度学习分布式训练框架 horovod (10) --- run on spark 本系列其他文章如下： [源码解析] 深度学习分布式训练框架 Horovod (1) --- 基础知识 [源码解析] 深度学习分布式训练框架 horovod (2) --- 从使用者角度切入 [源码解析] 深度学习分布式训练框架 horovod (3) --- Horovodrun背后做了什么 [源码解析] 深度学习分布式训练框架 horovod (4) --- 网络基础 & Driver [源码解析] 深度学习分布式训练框架 horovod (5) --- 融合框架 [源码解析] 深度学习分布式训练框架 horovod (6) --- 后台线程架构 [源码解析] 深度学习分布式训练框架 horovod (7) --- DistributedOptimizer [源码解析] 深度学习分布式训练框架 horovod (8) --- on spark [源码解析] 深度学习分布式训练框架 horovod
2.5K20发布于 2021-07-08 - 来自专栏腾讯IMWeb前端团队
造神计划-10天前端免费学习训练营
腾讯课堂IMWeb前端训练营为你独家定制 造神计划——10天前端免费魔鬼特训 （2017.4.15-2017.4.24） 特训内容 1、基于微信社群，项目式教学，点亮你的技术图谱，成长进步看得见； 2、用10天养成自驱动学习习惯，走进技术大神生活； 3、腾讯导师直播答疑，鹅厂前端真相揭露； 4、求职“前”规则，前端笔试面试技巧。
53810编辑于 2022-06-29 - 来自专栏DeepHub IMBA
YOLOv10的改进、部署和微调训练总结
前几天YOLOv10也刚刚发布了。我们这篇文章就来看看YOLOv10有哪些改进，如何部署，以及微调。 YOLOv10通过无nms的训练解决了延迟问题，作者为无nms训练引入了一致的双任务，同时获得了具有竞争力的性能和低推理延迟。 送一作者介绍了一种使用双标签分配和一致匹配度量的无nms训练策略。 在训练过程中，一对一头部与传统的一对多头部合并，两者共享相同的优化目标，但使用不同的匹配策略。 为了协调训练过程，使用了一致的匹配度量。该度量使用平衡语义预测和位置回归任务的统一方法，评估一对多和一对一分配的预测和实例之间的一致性。 并且继承了Ultralytics的传统，无论是部署还是自定义训练和微调都十分的友好，有兴趣的可以现在开始研究了。
2.7K21编辑于 2024-06-03 - 来自专栏机器学习与生成对抗网络
CVPR 2020 | 10篇改进GAN的论文（网络、训练、正则等）
通过用characteristic function distance（CFD）改进GAN，可获得一个易于实现、训练的模型。 为缓解生成对抗网络中模式坍塌，提出一种训练方法：在训练过程中将某些假样本视为真实样本。该策略可以减小生成器在发生梯度爆炸的区域中接收到的梯度值。 为克服当前生成模型这一缺点，提出在训练优化目标中添加一个新的频谱正则项。 尽管GAN在图像合成任务中取得了巨大成功，但很难适应不同数据集，部分原因是训练期间不稳定及对超参数敏感。 10 AdversarialNAS: Adversarial Neural Architecture Search for GANs ?
1.4K21发布于 2020-06-19 - 来自专栏贾志刚-OpenCV学堂
CVPR 2020 | 10篇改进GAN的论文（网络、训练、正则等）
通过用characteristic function distance（CFD）改进GAN，可获得一个易于实现、训练的模型。 为缓解生成对抗网络中模式坍塌，提出一种训练方法：在训练过程中将某些假样本视为真实样本。该策略可以减小生成器在发生梯度爆炸的区域中接收到的梯度值。 为克服当前生成模型这一缺点，提出在训练优化目标中添加一个新的频谱正则项。 尽管GAN在图像合成任务中取得了巨大成功，但很难适应不同数据集，部分原因是训练期间不稳定及对超参数敏感。 10 AdversarialNAS: Adversarial Neural Architecture Search for GANs ?
1.2K20发布于 2020-06-19 - 来自专栏自然语言处理(NLP)论文速递
自然语言处理（NLP）10 大预训练模型
在此过程中，肯定有很多同学会用到或者学习NLP预训练模型，为此作者整理了目前2023年NLP的十大预训练模型及论文，模型效果不分先后。 后台回复：10大预训练模型 获取论文全文 1、BERT模型 BERT模型（Bidirectional Encoder Representations from Transformers）是由谷歌在 GPT-2是OpenAI 2018年GPT模型的“直接放大”，其参数计数和训练数据集的大小都增加了10倍。 采用生成性预训练对模型进行训练;经过训练，它可以根据前一个Token预测下一个Token是什么。该模型在零样本和小样本学习任务上表现出了强大的学习能力。 10、StructBERT StructBERT模型是一个预训练的语言模型，由阿里巴巴达摩院2019年提出的NLP预训练模型。
7.6K50编辑于 2023-03-06 - 来自专栏OpenCV与AI深度学习
实战 | YOLOv10 自定义数据集训练实现车牌检测 (数据集+训练+预测 保姆级教程)
导读 本文主要介绍如何使用YOLOv10在自定义数据集训练实现车牌检测 (数据集+训练+预测 保姆级教程)。 YOLOv10 通过为无 NMS 训练引入了一致的双重分配并以提高准确性为导向的核心模型设计策略，解决了答案。 与先前的版本和其他当代版本相比，YOLOv10 在延迟和准确性方面都有显著提高。 YOLOv10自定义数据集训练 【1】准备数据集。 300张图片样本，训练集210张，验证集60张，测试集30张。 【2】配置训练环境。
9K22编辑于 2024-06-05 - 来自专栏新智元
【像训练CNN一样快速训练RNN】全新RNN实现，比优化后的LSTM快10倍
项目已经开源：https://github.com/taolei87/sru 先看论文摘要，有个大概的了解： 标题非常直接，也是很多人都想实现的——《像训练CNN一样快速训练RNN》： ? 我们所提出的循环单元，运行速度与卷积层一样快，比cuDNN优化的LSTM快5-10倍。我们展示了这种循环单元在广泛应用中的有效性，包括分类、问答、语言建模、翻译和语音识别。 因此，不断增大的模型和超参数数量也大大增加了训练时间。 显然，计算力已经成为深度学习研究的一大主要瓶颈。作为应对，研究人员开始深入挖掘并行计算的潜力，很多人使用GPU加速训练来扩展深度学习。 可以看出，两者区别非常明显，即使是优化后的LSTM，运行速度也可能慢10倍多。 ? 图1：cuDNN优化后的LSTM和使用conv2d的字级卷积的处理时间：即使是优化后的LSTM，运行速度也可能慢10倍多 于是，作者提出了“简单循环单元”（Simple Recurrent Unit，SRU
2.7K50发布于 2018-03-22 - 来自专栏机器之心
语音生成的「智能涌现」：10万小时数据训练，亚马逊祭出10亿参数BASE TTS
在最近的一项研究中，亚马逊正式推出了 BASE TTS，将 TTS 模型的参数规模提升到了前所未有的 10 亿级别。 100K hours of data 论文链接：https://arxiv.org/pdf/2402.08093.pdf BASE TTS 是一个多语言、多说话人的大型 TTS（LTTS）系统，在约 10 万小时的公共领域语音数据上进行了训练，比此前的训练数据量最高者 VALL-E 翻了一番。 本文的主要贡献概述如下： 1、提出了 BASE TTS，这是迄今为止最大的 TTS 模型，具有 10 亿参数，并在由 10 万小时公共领域语音数据组成的数据集上进行了训练。 他们从头开始训练了自回归模型，而不对文本进行预训练。
46210编辑于 2024-02-26
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号