用户867573478982

​ 1. 量化感知训练（QAT）的分层精细化配置 场景：直接对 ResNet50 做全量化会导致关键层（如注意力 / 瓶颈层）精度暴跌。 MindSpore 技术实践： 利用mindspore.qua

一、混合精度训练(AMP)深度优化 1.1 AMP配置全景图 1.2 AMP实战训练循环 1.3 自定义AMP包装器 二、图编译优化(JIT)深度实战 2.1 JIT配置全景图 2.2 图算融合实战示

作为一名长期在一线进行AI模型开发的工程师，我最近深入使用了华为的昇腾AI处理器与MindSpore框架。本文将分享从环境搭建到模型训练、推理部署的全流程经验，希望能帮助开发者少走弯路。 一、Mind

在AI大模型浪潮中，仅仅训练模型已经不够了。如何高效地部署、管理和服务大模型，才是真正产生商业价值的关键。今天我将带大家从零开始，用Kubernetes编排MindSpore大模型服务，用Milvus

MindSpore常见问题主要包括数据加载与处理问题、网络构建与训练问题以及分布式并行配置问题等。MindSpore在不同场景下，积累了大量常见的问题案例。以下是对应的案例列表。 1、数据集加载与增强

简介 目前的神经网络模型层出不穷，其中在图像识别的领域不仅非常高效快速，而且准确率也非常高。但我们在提高准确率的道路上是永不止步的，比较矛盾的是在提高精确率的同时也会带来消耗，需要更高的计算资源，这对

​ 摘要： 承接上一篇LeNet网络模型的图像分类实践，本次我们再来认识一个新的网络模型：ResNet-50。不同网络模型之间的主要区别是神经网络层的深度和层与层之间的连接方式，正文内容我们就分析下使

本篇的主要内容是解析一下使用MindSpore深度学习框架训练LeNet网络对Mnist数据集进行分类。首先我给大家展示出本篇内容的一个示意图，帮助大家更直观的看到训练过程的一个重要步骤，如图所示，其

简述：**** 决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的