作者 | 王金许       责编 | 欧阳姝黎

出品 | CSDN(ID:CSDNnews)

随着计算机视觉的应用场景拓展得愈加广泛,与此同时,AI开发者对企业级视觉模型开发的精度与推理速度也更加关注,一方面要求模型精度越来越高,另一方面要求推理速度越快越好,这不仅考验开发者的建模能力,还与开发方式的选择、开发平台的易用性紧密相关。

为了帮助开发者一次性掌握高精度视觉模型的开发与落地,近期,CSDN联合百度飞桨推出《AI开发精讲:高精度视觉模型定制与部署实战》系列公开课,内容覆盖高质量数据获取、模型训练优化技巧、端模型部署实战共三讲,课程将通过双讲师互动授课+实操的形式,从底层技术能力到平台实战演示,逐步打通模型开发落地的各个环节。

其中,在视觉模型开发过程中,当开发者在获取高质量训练数据后,就需要进行算法建模和模型调参,从而达到更好的模型效果。但调参与优化并不容易,由于时间和算力的局限,算法工程师很难快速验证多数想法的可行性,同时,对任务进行持续的调优也是非常大的挑战。

为了简单、高效地提升模型效果,算法工程师应该如何应对这些挑战?有没有一款“神奇器”,能让AI开发变得更加灵活、便捷?

课程预告

3月16日(星期二)20:00,在《AI开发精讲:高精度视觉模型定制与部署实战》第二讲上,来自百度的两位技术专家和产品经理,将为AI初学者与专业算法开发者深度解析高精度模型调参原理并进行实战演示。

课程重点

1.视觉模型的典型应用场景

2.构建高精度视觉模型的关键因素

3. 调参原理与 BML 模型优化实战

长汀

百度智能云事业群组 AI 产品业务部 产品经理。南航大学硕士,具有大数据平台类、 AI 平台类产品设计经验,主要参与了 BML 模型训练、模型管理方面的产品设计工作。

可乐

百度智能云事业群组 AI 产品研发部高级研发工程师。浙江大学硕士,深度参与百度 EasyDL/BML 视觉产品的研发工作,在图像分类、物体检测等视觉领域有多年的算法积累与实战经验,对视觉模型的优化有丰富的经验。

课时安排

1、开课前会有短信提醒或者邮件提醒,还请报名的时候填写正确的手机号码及邮箱地址

课程安排如下:

19:45—20:00 学员提前入场

20:00—20:45  讲师上课

20:45—21:00 讲师互动答疑环节

扫二维码立即报名

点击阅读原文,免费参加,遇见未来!

视觉模型精度如何更上一层楼?百度技术专家实战演示调参技巧相关推荐

  1. XGBoost实战与调参优化

    本篇主要内容包括XGBoost的入门教学.调参优化,将之前自己遇到的问题细心的整理一遍:XGBoost参数繁多,所以如果要调参,就一定要知道每个参数的作用于意义,因此本人十分建议在实战之前对XGBoo ...

  2. 机器学习算法总结之XGBoost(下) 实战与调参

    写在前面 XGBoost原理已在前一篇有过说明:机器学习算法总结之XGBoost(上) 本文思路与之前一篇GBDT调参( 基于scikit-learn的梯度提升树GBDT调参学习)思路相同,先遍历xg ...

  3. 人工智能框架实战精讲:Keras项目-英文语料的DNN、Word2Vec、CNN、LSTM文本分类实战与调参优化

    Keras项目-英文语料的文本分类实战 一.机器学习模型 1.1 数据简介 1.2 数据读取与预处理 1.3 数据切分与逻辑回归模型构建 二.全连接神经网络模型 2.1 模型训练 2.2 模型结果展示 ...

  4. 【Yolact训练自己的数据从实战到调参】

    100%完美运行,期间踩过许多坑,数据集的坑.代码的坑都有.现在做一下总结,也希望后来者能快速上手,避免浪费不必要的时间. 文章目录 一.训练自己的数据与预测 1.训练自己的数据train.py 1. ...

  5. XGBoost调参技巧(二)Titanic实战Top9%

    学习Kaggle的第一个比赛就是Titanic,断断续续的半年时间,从小白到杀入9%.XGBoost果真是Kaggle杀器,帮我在Titanic中进入9%.zillow进入22%. 简介 Titani ...

  6. 神经网络实战记录11—调参技巧2—fine-tune(基于VGGNet tensorboard代码改)

    1.fine-tune的基本思想: 不使用随机数来初始化,而使用之前已经创建好的模型来做初始化 2.使用fine-tune的步骤: 第一步:save models 创建model文件夹,并用saver ...

  7. Lesson 14.3 Batch Normalization综合调参实战

    Lesson 14.3 Batch Normalization综合调参实战   根据Lesson 14.2最后一部分实验结果不难看出,带BN层的模型并不一定比不带BN层模型效果好,要充分发挥BN层的效 ...

  8. 千寻和省cors精度对比_使用中海达RTK实战演示千寻cors账号对比省cors网络,验证其测量效果究竟如何...

    原标题:使用中海达RTK实战演示千寻cors账号对比省cors网络,验证其测量效果究竟如何 最近看到有很多的网友都在问千寻cors账号的定位服务怎么样?还在考虑要不要从省cors网络转用千寻cors网 ...

  9. NVIDIA专家实战演示,教你快速搭建基于Python的车辆信息识别系统

    主讲人 | 何琨 英伟达 量子位编辑 | 公众号 QbitAI 随着智慧城市.自动驾驶的快速落地,车辆的检测和识别应用场景非常广泛,如车牌识别.车流统计.车辆属性识别等. 近日,在英伟达x量子位发起的 ...

最新文章

  1. 科大星云诗社动态20201223
  2. C#操作Access数据库 增删改查
  3. 永久免费!原型设计利器摹客RP正式发布
  4. 马尔科夫随机场之图像去燥【Matlab实现,PRML例子】
  5. 信息学奥赛一本通 2031:【例4.17】四位完全平方数
  6. Pandas DateOffset
  7. 随想录(scons编译)
  8. 【新闻发布系统】项目文档
  9. Linux下clock计时函数学习
  10. Size Classes with Xcode 6
  11. 190601每日一句
  12. 人工智能——状态空间表示法
  13. 图片信息用浏览器显示:data:image/png;base64,+图片内容
  14. batchsize太小的缺点随着batchsize逐渐增大的优缺点如何平衡batchsize的大小
  15. [jzoj100047]【NOIP2017提高A组模拟7.14】基因变异
  16. 记录一次Broken Pipe断链问题排查
  17. [error] Keil:..\SYSTEM\usart\usart.c(38): error: #260-D: explicit type is missing (“int“ assumed)
  18. 【菜鸟dei学习】Nginx简单配置:负载均衡与动静分离
  19. 【vn.py】源码解析之布林通道(BollChannel)策略
  20. 制作中英文双语(多语)网站教程, 0基础1小时WordPress建站视频课程 (一步步建站, 一步也不少)

热门文章

  1. 语义分割之VOC2012、Cityscapes数据集介绍
  2. 【lucene】高级搜索篇
  3. 个人工作用SQL短句,不定时更新
  4. VMware VCSA 6.0安装过程 (转)
  5. Python播放、关闭音乐代码
  6. 最全的常用正则表达式大全
  7. 解决android webkit的css postion:fixed支持问题
  8. 《数值分析》学习笔记 ·002——误差知识
  9. [vscode] python debugging
  10. 【spring-boot】前端传图像到后端