TensorFlow深度學(xué)習(xí)架構(gòu)模型推理Pipeline進(jìn)行人像摳圖推理
Mar 26, 2024 pm 01:00 PM
概述
為了讓ModelScope的使用者能夠快速、方便的使用平臺(tái)提供的各類模型，提供了一套功能完備的Python library，其中包含了ModelScope官方模型的實(shí)現(xiàn)，以及使用這些模型進(jìn)行推理，finetune等任務(wù)所需的資料預(yù)處理，後處理，效果評(píng)估等功能相關(guān)的程式碼，同時(shí)也提供了簡(jiǎn)單易用的API，以及豐富的使用範(fàn)例。透過呼叫l(wèi)ibrary，使用者可以只寫短短的幾行程式碼，就可以完成模型的推理、訓(xùn)練和評(píng)估等任務(wù)，也可以在此基礎(chǔ)上快速進(jìn)行二次開發(fā)，實(shí)現(xiàn)自己的創(chuàng)新想法。
目前l(fā)ibrary提供的演算法模型，涵蓋了圖像，自然語(yǔ)言處理，語(yǔ)音，多模態(tài)，科學(xué)5個(gè)主要的AI領(lǐng)域，數(shù)十個(gè)應(yīng)用場(chǎng)景任務(wù)，具體任務(wù)可參考文檔：任務(wù)的介紹。
深度學(xué)習(xí)框架
ModelScope Library目前已支援Pytorch和Tensorflow等深度學(xué)習(xí)框架，未來(lái)將不斷更新並擴(kuò)展更多框架，敬請(qǐng)期待！所有官方模型均可透過ModelScope Library進(jìn)行模型推理，有些模型也能夠使用該函式庫(kù)進(jìn)行訓(xùn)練和評(píng)估。如需完整的使用信息，請(qǐng)查看相應(yīng)模型的模型卡片。
模型推理Pipeline
模型的推理
在深度學(xué)習(xí)中，推理是指模型對(duì)資料進(jìn)行預(yù)測(cè)的過程。 ModelScope執(zhí)行推理時(shí)會(huì)利用pipeline來(lái)依序執(zhí)行必要的操作。一個(gè)典型的pipeline通常包括資料預(yù)處理、模型前向推理和資料後處理三個(gè)步驟。
Pipeline介紹
pipeline()方法是ModelScope框架中最基礎(chǔ)的使用者方法之一，可用來(lái)快速進(jìn)行各種領(lǐng)域的模型推理。借助pipeline()方法，使用者只需一行程式碼即可輕鬆完成對(duì)特定任務(wù)的模型推理。
pipeline()方法是ModelScope框架中最基礎(chǔ)的使用者方法之一，可用來(lái)快速進(jìn)行各種領(lǐng)域的模型推理。借助pipeline()方法，使用者只需一行程式碼即可輕鬆完成對(duì)特定任務(wù)的模型推理。
Pipeline的使用
本文將簡(jiǎn)單介紹如何使用pipeline方法載入模型進(jìn)行推理。透過pipeline方法，使用者可以輕鬆地從模型倉(cāng)庫(kù)中根據(jù)任務(wù)類型和模型名稱拉取所需模型進(jìn)行推理。此方法的主要優(yōu)點(diǎn)在於簡(jiǎn)單易用，能夠快速且有效率地進(jìn)行模型推論。 pipeline方法的便利之處在於它提供了一種直接的方式來(lái)獲取和應(yīng)用模型，無(wú)需用戶深入了解模型的具體細(xì)節(jié)，從而降低了使用模型的門檻。透過pipeline方法，使用者可以更專注於解決問題和
- 環(huán)境準(zhǔn)備
- 重要參數(shù)
- Pipeline基本用法
- #指定預(yù)處理、模型進(jìn)行推理
- 不同場(chǎng)景任務(wù)推理pipeline使用範(fàn)例
Pipeline基本用法
中文分詞
pipeline函數(shù)支援指定特定任務(wù)名稱，載入任務(wù)預(yù)設(shè)模型，建立對(duì)應(yīng)pipeline物件。
Python程式碼
from modelscope.pipelines import pipelineword_segmentation = pipeline('word-segmentation')input_str = '開源技術(shù)小棧作者是Tinywan，你知道不？'print(word_segmentation(input_str))PHP 程式碼
<?php $operator = PyCore::import("operator");$builtins = PyCore::import("builtins");$pipeline = PyCore::import('modelscope.pipelines')->pipeline;$word_segmentation = $pipeline("word-segmentation");$input_str = "開源技術(shù)小棧作者是Tinywan，你知道不？";PyCore::print($word_segmentation($input_str));線上轉(zhuǎn)換工具：https://www.swoole.com/ py2php/
輸出結(jié)果
/usr/local/php-8.2.14/bin/php demo.php 2024-03-25 21:41:42,434 - modelscope - INFO - PyTorch version 2.2.1 Found.2024-03-25 21:41:42,434 - modelscope - INFO - Loading ast index from /home/www/.cache/modelscope/ast_indexer2024-03-25 21:41:42,577 - modelscope - INFO - Loading done! Current index file version is 1.13.0, with md5 f54e9d2dceb89a6c989540d66db83a65 and a total number of 972 components indexed2024-03-25 21:41:44,661 - modelscope - WARNING - Model revision not specified, use revision: v1.0.32024-03-25 21:41:44,879 - modelscope - INFO - initiate model from /home/www/.cache/modelscope/hub/damo/nlp_structbert_word-segmentation_chinese-base2024-03-25 21:41:44,879 - modelscope - INFO - initiate model from location /home/www/.cache/modelscope/hub/damo/nlp_structbert_word-segmentation_chinese-base.2024-03-25 21:41:44,880 - modelscope - INFO - initialize model from /home/www/.cache/modelscope/hub/damo/nlp_structbert_word-segmentation_chinese-baseYou are using a model of type bert to instantiate a model of type structbert. This is not supported for all configurations of models and can yield errors.2024-03-25 21:41:48,633 - modelscope - WARNING - No preprocessor field found in cfg.2024-03-25 21:41:48,633 - modelscope - WARNING - No val key and type key found in preprocessor domain of configuration.json file.2024-03-25 21:41:48,633 - modelscope - WARNING - Cannot find available config to build preprocessor at mode inference, current config: {'model_dir': '/home/www/.cache/modelscope/hub/damo/nlp_structbert_word-segmentation_chinese-base'}. trying to build by task and model information.2024-03-25 21:41:48,639 - modelscope - INFO - cuda is not available, using cpu instead.2024-03-25 21:41:48,640 - modelscope - WARNING - No preprocessor field found in cfg.2024-03-25 21:41:48,640 - modelscope - WARNING - No val key and type key found in preprocessor domain of configuration.json file.2024-03-25 21:41:48,640 - modelscope - WARNING - Cannot find available config to build preprocessor at mode inference, current config: {'model_dir': '/home/www/.cache/modelscope/hub/damo/nlp_structbert_word-segmentation_chinese-base', 'sequence_length': 512}. trying to build by task and model information./home/www/anaconda3/envs/tinywan-modelscope/lib/python3.10/site-packages/transformers/modeling_utils.py:962: FutureWarning: The `device` argument is deprecated and will be removed in v5 of Transformers.warnings.warn({'output': ['開源', '技術(shù)', '小', '棧', '作者', '是', 'Tinywan', '，', '你', '知道', '不', '？']}輸入多條樣本
pipeline物件也支援傳入多個(gè)樣本列表輸入，傳回對(duì)應(yīng)輸出列表，每個(gè)元素對(duì)應(yīng)輸入樣本的回傳結(jié)果。多條文字的推理方式是輸入data在pipeline內(nèi)部用迭代器單條處理後append到同一個(gè)返回List。
Python程式碼
from modelscope.pipelines import pipelineword_segmentation = pipeline('word-segmentation')inputs =['開源技術(shù)小棧作者是Tinywan，你知道不？','webman這個(gè)框架不錯(cuò)，建議你看看']print(word_segmentation(inputs))PHP 程式碼
<?php $operator = PyCore::import("operator");$builtins = PyCore::import("builtins");$pipeline = PyCore::import('modelscope.pipelines')->pipeline;$word_segmentation = $pipeline("word-segmentation");$inputs = new PyList(["開源技術(shù)小棧作者是Tinywan，你知道不？", "webman這個(gè)框架不錯(cuò)，建議你看看"]);PyCore::print($word_segmentation($inputs));輸出
[{'output': ['開源', '技術(shù)', '小', '棧', '作者', '是', 'Tinywan', '，', '你', '知道', '不', '？']},{'output': ['webman', '這個(gè)', '框架', '不錯(cuò)', '，', '建議', '你', '看看']}]#批次推理
pipeline對(duì)於批次推理的支援類似於上面的“輸入多條文字”，差異在於會(huì)在使用者指定的batch_size尺度上，在模型forward過程實(shí)現(xiàn)批次前向推理。
inputs =['今天天氣不錯(cuò)，適合出去游玩','這本書很好，建議你看看']# 指定batch_size參數(shù)來(lái)支持批量推理print(word_segmentation(inputs, batch_size=2))# 輸出[{'output': ['今天', '天氣', '不錯(cuò)', '，', '適合', '出去', '游玩']}, {'output': ['這', '本', '書', '很', '好', '，', '建議', '你', '看看']}]輸入一個(gè)資料集
from modelscope.msdatasets import MsDatasetfrom modelscope.pipelines import pipelineinputs = ['今天天氣不錯(cuò)，適合出去游玩', '這本書很好，建議你看看']dataset = MsDataset.load(inputs, target='sentence')word_segmentation = pipeline('word-segmentation')outputs = word_segmentation(dataset)for o in outputs:print(o)# 輸出{'output': ['今天', '天氣', '不錯(cuò)', '，', '適合', '出去', '游玩']}{'output': ['這', '本', '書', '很', '好', '，', '建議', '你', '看看']}#指定預(yù)處理、模型進(jìn)行推理
pipeline函數(shù)支援傳入實(shí)例化的預(yù)處理對(duì)象、模型對(duì)象，從而支援使用者在推理過程中客製化預(yù)處理、模型。
建立模型物件進(jìn)行推理
Python程式碼
from modelscope.models import Modelfrom modelscope.pipelines import pipelinemodel = Model.from_pretrained('damo/nlp_structbert_word-segmentation_chinese-base')word_segmentation = pipeline('word-segmentation', model=model)inputs =['開源技術(shù)小棧作者是Tinywan，你知道不？','webman這個(gè)框架不錯(cuò)，建議你看看']print(word_segmentation(inputs))PHP 程式碼
<?php $operator = PyCore::import("operator");$builtins = PyCore::import("builtins");$Model = PyCore::import('modelscope.models')->Model;$pipeline = PyCore::import('modelscope.pipelines')->pipeline;$model = $Model->from_pretrained("damo/nlp_structbert_word-segmentation_chinese-base");$word_segmentation = $pipeline("word-segmentation", model: $model);$inputs = new PyList(["開源技術(shù)小棧作者是Tinywan，你知道不？", "webman這個(gè)框架不錯(cuò)，建議你看看"]);PyCore::print($word_segmentation($inputs));輸出
[{'output': ['開源', '技術(shù)', '小', '棧', '作者', '是', 'Tinywan', '，', '你', '知道', '不', '？']},{'output': ['webman', '這個(gè)', '框架', '不錯(cuò)', '，', '建議', '你', '看看']}]建立預(yù)處理器和模型物件進(jìn)行推理
from modelscope.models import Modelfrom modelscope.pipelines import pipelinefrom modelscope.preprocessors import Preprocessor, TokenClassificationTransformersPreprocessormodel = Model.from_pretrained('damo/nlp_structbert_word-segmentation_chinese-base')tokenizer = Preprocessor.from_pretrained(model.model_dir)# Or call the constructor directly: # tokenizer = TokenClassificationTransformersPreprocessor(model.model_dir)word_segmentation = pipeline('word-segmentation', model=model, preprocessor=tokenizer)inputs =['開源技術(shù)小棧作者是Tinywan，你知道不？','webman這個(gè)框架不錯(cuò)，建議你看看']print(word_segmentation(inputs))[{'output': ['開源', '技術(shù)', '小', '棧', '作者', '是', 'Tinywan', '，', '你', '知道', '不', '？']},{'output': ['webman', '這個(gè)', '框架', '不錯(cuò)', '，', '建議', '你', '看看']}]圖片
#注意：
- 確保你已經(jīng)安裝了OpenCV函式庫(kù)。如果沒有安裝，你可以透過pip安裝
pip install opencv-python
沒有安裝會(huì)提示：PHP Fatal error: Uncaught PyError: No module named 'cv2' in /home/www/build/ai/demo3.php:4
- 確保你已經(jīng)安裝深度學(xué)習(xí)框架包TensorFlow庫(kù)
否則提示modelscope.pipelines.cv.image_matting_pipeline requires the TensorFlow library but it was not found in your environment. Checkout the instructions on the installation page: https://www.tensorflow.org/install and follow the ones that match your environment.。
報(bào)錯(cuò)信息表明，你正在嘗試使用一個(gè)名為?modelscope.pipelines.cv.image_matting_pipeline?的模塊，該模塊依賴于?TensorFlow?庫(kù)。然而，該模塊無(wú)法正常工作，因?yàn)槿鄙俦匾?TensorFlow?依賴。
可以使用以下命令安裝最新版本的 TensorFlow
pip install tensorflow
圖片
人像摳圖（'portrait-matting'）
輸入圖片
圖片
Python 代碼
import cv2from modelscope.pipelines import pipelineportrait_matting = pipeline('portrait-matting')result = portrait_matting('https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/image_matting.png')cv2.imwrite('result.png', result['output_img'])PHP 代碼?tinywan-images.php
<?php $operator = PyCore::import("operator");$builtins = PyCore::import("builtins");$cv2 = PyCore::import('cv2');$pipeline = PyCore::import('modelscope.pipelines')->pipeline;$portrait_matting = $pipeline("portrait-matting");$result = $portrait_matting("https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/image_matting.png");$cv2->imwrite("tinywan_result.png", $result->__getitem__("output_img"));加載本地文件圖片$result = $portrait_matting("./tinywan.png");
執(zhí)行結(jié)果
/usr/local/php-8.2.14/bin/php tinywan-images.php 2024-03-25 22:17:25,630 - modelscope - INFO - PyTorch version 2.2.1 Found.2024-03-25 22:17:25,631 - modelscope - INFO - TensorFlow version 2.16.1 Found.2024-03-25 22:17:25,631 - modelscope - INFO - Loading ast index from /home/www/.cache/modelscope/ast_indexer2024-03-25 22:17:25,668 - modelscope - INFO - Loading done! Current index file version is 1.13.0, with md5 f54e9d2dceb89a6c989540d66db83a65 and a total number of 972 components indexed2024-03-25 22:17:26,990 - modelscope - WARNING - Model revision not specified, use revision: v1.0.02024-03-25 22:17:27.623085: I tensorflow/core/util/port.cc:113] oneDNN custom operations are on. You may see slightly different numerical results due to floating-point round-off errors from different computation orders. To turn them off, set the environment variable `TF_ENABLE_ONEDNN_OPTS=0`.2024-03-25 22:17:27.678592: I tensorflow/core/platform/cpu_feature_guard.cc:210] This TensorFlow binary is optimized to use available CPU instructions in performance-critical operations.To enable the following instructions: AVX2 AVX512F AVX512_VNNI FMA, in other operations, rebuild TensorFlow with the appropriate compiler flags.2024-03-25 22:17:28.551510: W tensorflow/compiler/tf2tensorrt/utils/py_utils.cc:38] TF-TRT Warning: Could not find TensorRT2024-03-25 22:17:29,206 - modelscope - INFO - initiate model from /home/www/.cache/modelscope/hub/damo/cv_unet_image-matting2024-03-25 22:17:29,206 - modelscope - INFO - initiate model from location /home/www/.cache/modelscope/hub/damo/cv_unet_image-matting.2024-03-25 22:17:29,209 - modelscope - WARNING - No preprocessor field found in cfg.2024-03-25 22:17:29,210 - modelscope - WARNING - No val key and type key found in preprocessor domain of configuration.json file.2024-03-25 22:17:29,210 - modelscope - WARNING - Cannot find available config to build preprocessor at mode inference, current config: {'model_dir': '/home/www/.cache/modelscope/hub/damo/cv_unet_image-matting'}. trying to build by task and model information.2024-03-25 22:17:29,210 - modelscope - WARNING - Find task: portrait-matting, model type: None. Insufficient information to build preprocessor, skip building preprocessorWARNING:tensorflow:From /home/www/anaconda3/envs/tinywan-modelscope/lib/python3.10/site-packages/modelscope/utils/device.py:60: is_gpu_available (from tensorflow.python.framework.test_util) is deprecated and will be removed in a future version.Instructions for updating:Use `tf.config.list_physical_devices('GPU')` instead.2024-03-25 22:17:29,213 - modelscope - INFO - loading model from /home/www/.cache/modelscope/hub/damo/cv_unet_image-matting/tf_graph.pbWARNING:tensorflow:From /home/www/anaconda3/envs/tinywan-modelscope/lib/python3.10/site-packages/modelscope/pipelines/cv/image_matting_pipeline.py:45: FastGFile.__init__ (from tensorflow.python.platform.gfile) is deprecated and will be removed in a future version.Instructions for updating:Use tf.gfile.GFile.2024-03-25 22:17:29,745 - modelscope - INFO - load model done輸出圖片
圖片
以上是TensorFlow深度學(xué)習(xí)架構(gòu)模型推理Pipeline進(jìn)行人像摳圖推理的詳細(xì)內(nèi)容。更多資訊請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！
熱AI工具
Undress AI Tool
免費(fèi)脫衣圖片
Undresser.AI Undress
人工智慧驅(qū)動(dòng)的應(yīng)用程序，用於創(chuàng)建逼真的裸體照片
AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。
Clothoff.io
AI脫衣器
Video Face Swap
使用我們完全免費(fèi)的人工智慧換臉工具，輕鬆在任何影片中換臉！
熱門文章
熱工具
記事本++7.3.1
好用且免費(fèi)的程式碼編輯器
SublimeText3漢化版
中文版，非常好用
禪工作室 13.0.1
強(qiáng)大的PHP整合開發(fā)環(huán)境
Dreamweaver CS6
視覺化網(wǎng)頁(yè)開發(fā)工具
SublimeText3 Mac版
神級(jí)程式碼編輯軟體(SublimeText3)
超越ORB-SLAM3！ SL-SLAM：低光、嚴(yán)重抖動(dòng)和弱紋理場(chǎng)景全搞定
May 30, 2024 am 09:35 AM
寫在前面今天我們探討下深度學(xué)習(xí)技術(shù)如何改善在複雜環(huán)境中基於視覺的SLAM（同時(shí)定位與地圖建構(gòu)）表現(xiàn)。透過將深度特徵提取和深度匹配方法相結(jié)合，這裡介紹了一種多功能的混合視覺SLAM系統(tǒng)，旨在提高在諸如低光條件、動(dòng)態(tài)光照、弱紋理區(qū)域和嚴(yán)重抖動(dòng)等挑戰(zhàn)性場(chǎng)景中的適應(yīng)性。我們的系統(tǒng)支援多種模式，包括拓展單目、立體、單目-慣性以及立體-慣性配置。除此之外，也分析如何將視覺SLAM與深度學(xué)習(xí)方法結(jié)合，以啟發(fā)其他研究。透過在公共資料集和自採(cǎi)樣資料上的廣泛實(shí)驗(yàn)，展示了SL-SLAM在定位精度和追蹤魯棒性方面優(yōu)
一文搞懂：AI、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的連結(jié)與區(qū)別
Mar 02, 2024 am 11:19 AM
在當(dāng)今科技日新月異的浪潮中，人工智慧（ArtificialIntelligence,AI）、機(jī)器學(xué)習(xí)（MachineLearning,ML）與深度學(xué)習(xí)（DeepLearning,DL）如同璀璨星辰，引領(lǐng)著資訊科技的新浪潮。這三個(gè)詞彙經(jīng)常出現(xiàn)在各種前沿討論和實(shí)際應(yīng)用中，但對(duì)於許多初涉此領(lǐng)域的探索者來(lái)說(shuō)，它們的具體含義及相互之間的內(nèi)在聯(lián)繫可能仍籠罩著一層神秘面紗。那讓我們先來(lái)看看這張圖?？梢钥闯?，深度學(xué)習(xí)、機(jī)器學(xué)習(xí)和人工智慧之間存在著緊密的關(guān)聯(lián)和遞進(jìn)關(guān)係。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)特定領(lǐng)域，而機(jī)器學(xué)習(xí)
超強(qiáng)！深度學(xué)習(xí)Top10演算法！
Mar 15, 2024 pm 03:46 PM
自2006年深度學(xué)習(xí)概念被提出以來(lái)，20年快過去了，深度學(xué)習(xí)作為人工智慧領(lǐng)域的一場(chǎng)革命，已經(jīng)催生了許多具有影響力的演算法。那麼，你所認(rèn)為深度學(xué)習(xí)的top10演算法有哪些呢？以下是我心目中深度學(xué)習(xí)的頂尖演算法，它們?cè)趧?chuàng)新、應(yīng)用價(jià)值和影響力方面都佔(zhàn)有重要地位。 1.深度神經(jīng)網(wǎng)路（DNN）背景：深度神經(jīng)網(wǎng)路（DNN）也叫多層感知機(jī)，是最普遍的深度學(xué)習(xí)演算法，發(fā)明之初由於算力瓶頸而飽受質(zhì)疑，直到近些年算力、數(shù)據(jù)的爆發(fā)才迎來(lái)突破。 DNN是一種神經(jīng)網(wǎng)路模型，它包含多個(gè)隱藏層。在該模型中，每一層將輸入傳遞給下一層，並
TensorFlow深度學(xué)習(xí)架構(gòu)模型推理Pipeline進(jìn)行人像摳圖推理
Mar 26, 2024 pm 01:00 PM
概述為了讓ModelScope的使用者能夠快速、方便的使用平臺(tái)提供的各類模型，提供了一套功能完備的Pythonlibrary，其中包含了ModelScope官方模型的實(shí)現(xiàn)，以及使用這些模型進(jìn)行推理，finetune等任務(wù)所需的資料預(yù)處理，後處理，效果評(píng)估等功能相關(guān)的程式碼，同時(shí)也提供了簡(jiǎn)單易用的API，以及豐富的使用範(fàn)例。透過呼叫l(wèi)ibrary，使用者可以只寫短短的幾行程式碼，就可以完成模型的推理、訓(xùn)練和評(píng)估等任務(wù)，也可以在此基礎(chǔ)上快速進(jìn)行二次開發(fā)，實(shí)現(xiàn)自己的創(chuàng)新想法。目前l(fā)ibrary提供的演算法模型，
AlphaFold 3 重磅問世，全面預(yù)測(cè)蛋白質(zhì)與所有生命分子相互作用及結(jié)構(gòu)，準(zhǔn)確度遠(yuǎn)超以往水平
Jul 16, 2024 am 12:08 AM
編輯|蘿卜皮自2021年發(fā)布強(qiáng)大的AlphaFold2以來(lái)，科學(xué)家們一直在使用蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)模型來(lái)繪制細(xì)胞內(nèi)各種蛋白質(zhì)結(jié)構(gòu)的圖譜、發(fā)現(xiàn)藥物，并繪制每種已知蛋白質(zhì)相互作用的「宇宙圖」。就在剛剛，GoogleDeepMind發(fā)布了AlphaFold3模型，該模型能夠?qū)Πǖ鞍踪|(zhì)、核酸、小分子、離子和修飾殘基在內(nèi)的復(fù)合物進(jìn)行聯(lián)合結(jié)構(gòu)預(yù)測(cè)。AlphaFold3的準(zhǔn)確性對(duì)比過去許多專用工具（蛋白質(zhì)-配體相互作用、蛋白質(zhì)-核酸相互作用、抗體-抗原預(yù)測(cè)）有顯著提高。這表明，在單個(gè)統(tǒng)一的深度學(xué)習(xí)框架內(nèi)，可以實(shí)現(xiàn)
Numpy安裝攻略：一文解決安裝難題
Feb 21, 2024 pm 08:15 PM
Numpy安裝攻略：一文解決安裝難題，需要具體程式碼範(fàn)例引言：Numpy是Python中一款強(qiáng)大的科學(xué)計(jì)算庫(kù)，它提供了高效的多維數(shù)組物件和對(duì)數(shù)組資料進(jìn)行操作的工具。但是，對(duì)於初學(xué)者來(lái)說(shuō)，安裝Numpy可能會(huì)帶來(lái)一些困擾。本文將為大家提供一份Numpy安裝攻略，幫助大家快速解決安裝難題。一、安裝Python環(huán)境：在安裝Numpy之前，首先需要確保已經(jīng)安裝了Py
百度智慧雲(yún)端千帆大模型平臺(tái)再升級(jí)：5款大模型、55個(gè)工具組件上新！
Mar 22, 2024 am 08:10 AM
服務(wù)8萬(wàn)個(gè)企業(yè)用戶，累計(jì)幫助用戶精調(diào)1.3萬(wàn)個(gè)大模型，幫助用戶開發(fā)出16萬(wàn)個(gè)大模型應(yīng)用，自2023年12月以來(lái)百度智能雲(yún)千帆大模型平臺(tái)API日調(diào)用量環(huán)比增長(zhǎng)97%. ..從一年前國(guó)內(nèi)大模型平臺(tái)的“開路先鋒”到如今的大模型“超級(jí)工廠”，百度智能雲(yún)千帆大模型平臺(tái)在國(guó)內(nèi)大模型市場(chǎng)牢牢佔(zhàn)據(jù)著領(lǐng)先身位，但奔跑的腳步卻並未停歇。 3月21日，百度智能雲(yún)在北京首鋼園召開千帆產(chǎn)品發(fā)表會(huì)，百度智能雲(yún)在大會(huì)期間宣布：1、攜手北京市石景山區(qū)，共建全國(guó)首個(gè)百度智能雲(yún)千帆大模型產(chǎn)業(yè)創(chuàng)新基地，助推區(qū)域產(chǎn)業(yè)起飛；2、滿足企業(yè)「效價(jià)
在PyCharm中快速安裝PyTorch：簡(jiǎn)易指南
Feb 24, 2024 pm 09:54 PM
PyTorch安裝指南：在PyCharm中快速搭建開發(fā)環(huán)境PyTorch是當(dāng)前深度學(xué)習(xí)領(lǐng)域中備受歡迎的框架之一，具有易用性和靈活性的特點(diǎn)，深受開發(fā)者青睞。本文將為大家介紹如何在PyCharm中快速建置PyTorch的開發(fā)環(huán)境，方便大家開始深度學(xué)習(xí)專案的開發(fā)。步驟一：安裝PyTorch首先，我們需要安裝PyTorch。 PyTorch的安裝通常需要考慮到系統(tǒng)環(huán)境
