在网站上做远程教育系统多少钱创建一个网站需要多少钱

当前位置： 首页 > news >正文

在网站上做远程教育系统多少钱,创建一个网站需要多少钱,公司宣传页面设计,设计师培训方案目录 一、引言
二、图像分类#xff08;image-classification#xff09; 2.1 概述 2.2 技术原理 2.3 应用场景 2.4 pipeline参数 2.4.1 pipeline对象实例化参数 2.4.2 pipeline对象使用参数
2.4 pipeline实战 2.5 模型排名 三、总结 一、引言 pipeline#x… 目录 一、引言  二、图像分类image-classification 2.1 概述 2.2 技术原理 2.3 应用场景 2.4 pipeline参数 2.4.1 pipeline对象实例化参数 2.4.2 pipeline对象使用参数  2.4 pipeline实战 2.5 模型排名 三、总结 一、引言  pipeline管道是huggingface transformers库中一种极简方式使用大模型推理的抽象将所有大模型分为音频Audio、计算机视觉Computer vision、自然语言处理NLP、多模态Multimodal等4大类28小类任务tasks。共计覆盖32万个模型 今天介绍CV计算机视觉的第二篇图像分类image-classification在huggingface库内有1.3万个图像分类模型。 二、图像分类image-classification 2.1 概述 图像分类顾名思义就是将图片分类的模型给定图片返回对应的类别概率值在计算机视觉CV领域模型最多应用也最广泛主要应用场景比如人脸识别、色情图片检测、自动驾驶、医疗影像分析等。 2.2 技术原理 以google在2021年6月3日发布的Vision Transformer (ViT)为例传统的图片识别通过CNN卷机神经网络提取图片信息ViT将Transformer技术应用到图片分类上开启了Transformer应用于计算机视觉的先河。该模型也是image-classification任务的默认模型google/vit-base-patch16-224 ViT视觉transformer主要原理首先将图片切分成大小相等的块序列分辨率为16*16对每个图片块进行线性嵌入添加位置信息通过喂入一个标准的transfromer encoder结构进行特征交叉后送入到MLP层通过增加额外的分类标记构建分类任务完成网络构造。详细论文 2.3 应用场景 社交网络与多媒体管理自动标记和组织用户上传的照片如人脸识别、场景识别。安防监控实时分析监控视频识别异常行为、人脸认证、车牌识别等。医疗影像分析辅助医生诊断如癌症细胞检测、病变识别。自动驾驶识别道路标志、行人、车辆等提高安全性和导航准确性。零售与电商商品识别用于快速库存管理、顾客行为分析和推荐系统。 2.4 pipeline参数 2.4.1 pipeline对象实例化参数 modelPreTrainedModel或TFPreTrainedModel— 管道将使用其进行预测的模型。 对于 PyTorch这需要从PreTrainedModel继承对于 TensorFlow这需要从TFPreTrainedModel继承。image_processor ( BaseImageProcessor ) — 管道将使用的图像处理器来为模型编码数据。此对象继承自 BaseImageProcessor。modelcardstr或ModelCard可选— 属于此管道模型的模型卡。frameworkstr可选— 要使用的框架pt适用于 PyTorch 或tfTensorFlow。必须安装指定的框架。 如果未指定框架则默认为当前安装的框架。如果未指定框架且安装了两个框架则默认为model的框架如果未提供模型则默认为 PyTorch。 taskstr默认为— 管道的任务标识符。num_workersint可选默认为 8— 当管道将使用DataLoader传递数据集时在 Pytorch 模型的 GPU 上时要使用的工作者数量。batch_sizeint可选默认为 1— 当管道将使用DataLoader传递数据集时在 Pytorch 模型的 GPU 上时要使用的批次的大小对于推理来说这并不总是有益的请阅读使用管道进行批处理。args_parserArgumentHandler可选 - 引用负责解析提供的管道参数的对象。deviceint可选默认为 -1— CPU/GPU 支持的设备序号。将其设置为 -1 将利用 CPU设置为正数将在关联的 CUDA 设备 ID 上运行模型。您可以传递本机torch.device或str太torch_dtypestr或torch.dtype可选 - 直接发送model_kwargs只是一种更简单的快捷方式以使用此模型的可用精度torch.float16torch.bfloat16…或autobinary_outputbool可选默认为False——标志指示管道的输出是否应以序列化格式即 pickle或原始输出数据例如文本进行。function_to_applystr可选默认为default— 用于检索分数的模型输出函数。接受四个不同的值 default如果模型只有一个标签则在输出上应用 sigmoid 函数。如果模型有多个标签则在输出上应用 softmax 函数。sigmoid在输出上应用 S 型函数。softmax在输出上应用 softmax 函数。none不对输出应用任何功能。 2.4.2 pipeline对象使用参数  imagestr、List[str]或PIL.ImageList[PIL.Image]——管道处理三种类型的图像 包含指向图像的 http 链接的字符串包含图像本地路径的字符串直接在 PIL 中加载的图像管道可以接受单张图片或一批图片然后必须以字符串形式传递。一批图片必须全部采用相同的格式全部为 http 链接、全部为本地路径或全部为 PIL 图片。 function_to_applystr可选默认为default— 用于检索分数的模型输出函数。接受四个不同的值 如果不指定此参数那么它将根据标签数量应用以下函数 如果模型只有一个标签则将在输出上应用 S 型函数。如果模型有多个标签将在输出上应用 softmax 函数。可能的值包括 sigmoid在输出上应用 S 型函数。softmax在输出上应用 softmax 函数。none不对输出应用任何功能。top_kint可选默认为 5— 管道将返回的顶部标签数。如果提供的数字高于模型配置中可用的标签数则将默认为标签数。timeout可选float默认为 None— 等待从网络获取图像的最长时间以秒为单位。如果为 None则不设置超时并且调用可能会永远阻塞。 2.4 pipeline实战 识别http链接中的物品 采用pipeline代码如下 import os os.environ[HF_ENDPOINT] https://hf-mirror.com os.environ[CUDA_VISIBLE_DEVICES] 2from transformers import pipeline image_classification pipeline(taskimage-classification,modelgoogle/vit-base-patch16-224) output image_classification(http://images.cocodataset.org/val2017/000000039769.jpg) print(output)[{label: Egyptian cat, score: 0.9374418258666992}, {label: tabby, tabby cat, score: 0.03844244033098221}, {label: tiger cat, score: 0.01441137958317995}, {label: lynx, catamount, score: 0.0032743141055107117}, {label: Siamese cat, Siamese, score: 0.0006795910303480923}]执行后自动下载模型文件 识别结果为埃及猫 [{label: Egyptian cat, score: 0.9374418258666992}, {label: tabby, tabby cat, score: 0.03844244033098221}, {label: tiger cat, score: 0.01441137958317995}, {label: lynx, catamount, score: 0.0032743141055107117}, {label: Siamese cat, Siamese, score: 0.0006795910303480923}] 2.5 模型排名 在huggingface上我们将图像分类image-classification模型按下载量从高到低排序 三、总结 本文对transformers之pipeline的图像分类image-classification从概述、技术原理、pipeline参数、pipeline实战、模型排名等方面进行介绍读者可以基于pipeline使用文中的2行代码极简的使用计算机视觉中的图像分类image-classification模型。 期待您的3连关注如何还有时间欢迎阅读我的其他文章 《Transformers-Pipeline概述》 【人工智能】Transformers之Pipeline概述30w大模型极简应用 《Transformers-Pipeline 第一章音频Audio篇》 【人工智能】Transformers之Pipeline一音频分类audio-classification 【人工智能】Transformers之Pipeline二自动语音识别automatic-speech-recognition 【人工智能】Transformers之Pipeline三文本转音频text-to-audio/text-to-speech 【人工智能】Transformers之Pipeline四零样本音频分类zero-shot-audio-classification​​​​​​​ 《Transformers-Pipeline 第二章计算机视觉CV篇》 【人工智能】Transformers之Pipeline五深度估计depth-estimation​​​​​​​ 【人工智能】Transformers之Pipeline六图像分类image-classification 【人工智能】Transformers之Pipeline七图像分割image-segmentation 【人工智能】Transformers之Pipeline八图生图image-to-image 【人工智能】Transformers之Pipeline九物体检测object-detection 【人工智能】Transformers之Pipeline十视频分类video-classification 【人工智能】Transformers之Pipeline十一零样本图片分类zero-shot-image-classification 【人工智能】Transformers之Pipeline十二零样本物体检测zero-shot-object-detection 《Transformers-Pipeline 第三章自然语言处理NLP篇》 【人工智能】Transformers之Pipeline十三填充蒙版fill-mask 【人工智能】Transformers之Pipeline十四问答question-answering 【人工智能】Transformers之Pipeline十五总结summarization 【人工智能】Transformers之Pipeline十六表格问答table-question-answering 【人工智能】Transformers之Pipeline十七文本分类text-classification 【人工智能】Transformers之Pipeline十八文本生成text-generation 【人工智能】Transformers之Pipeline十九文生文text2text-generation 【人工智能】Transformers之Pipeline二十令牌分类token-classification 【人工智能】Transformers之Pipeline二十一翻译translation 【人工智能】Transformers之Pipeline二十二零样本文本分类zero-shot-classification 《Transformers-Pipeline 第四章多模态Multimodal篇》 【人工智能】Transformers之Pipeline二十三文档问答document-question-answering 【人工智能】Transformers之Pipeline二十四特征抽取feature-extraction 【人工智能】Transformers之Pipeline二十五图片特征抽取image-feature-extraction 【人工智能】Transformers之Pipeline二十六图片转文本image-to-text 【人工智能】Transformers之Pipeline二十七掩码生成mask-generation 【人工智能】Transformers之Pipeline二十八视觉问答visual-question-answering