深度学习

文|曾响铃 来源|科技向令说（xiangling0815） 不同于以往，新基建正在成为各大科技企业大展身手的舞台。 这是一个明显的趋势，虽然“新基建”的概念是由上而下推行的，但落实到市场层面、应用领域，科技企业的探索路径逐步成为了主流认可的方向，影响着行业的发展。 百度作为国内AI的领跑者，经过长期的沉淀和探索，逐步形成了其在AI领域的新基建姿态。回顾518百度云智峰会，百度智能云架构迎来全新升级，以百度大脑为核心，以两个中台即AI中台和知识中台为基本，百度基于AI产业应用初步形成了“一体双翼”的发展姿态。 深入再看AI中台涉及的深度学习领域，这一个姿态在520深度学习开发者大会上又被进一步确立——以飞桨为主体，以产业应用和人才培养为发力方向，更加具象的姿态成为百度飞桨深度学习开源生态后续发展的承载。 那么，当我们站在行业的角度上来看，百度这一个姿态在深度学习领域，又带来怎样的思考？ 一、“一体”搭建，AI企业聚合化输出成为趋势 事实上，当我们回顾行业发展，“一个主体”的搭建在AI企业的生态上尤为常见，也是一个关键性的信号。 在深度学习领域，随着一家AI企业的资源、技术、合作伙伴等达到一定的高度，逐步就会形成特定的生态圈层。对此，企业开始寻求生态资源的整合，搭建一个强劲的AI能力输出口，保持开放，向外部辐射。 这个思路并不陌生，不管是国外谷歌的Tensorflow

　　中国在 AI 预测新冠肺炎患者病情方面，又有新进展。 　　2020 年 7 月 15 日，钟南山、联合腾讯以及广州呼吸健康研究院的专家，在 Nature 子刊 Nature Communications 上，发表了题为《深度学习在新冠肺炎危重患者早期分诊中的应用》（Early triage of critically ill COVID-19 patients using deep learning）的论文。 　　 　　图 | 钟南山团队与腾讯 AI Lab 联合研究成果，已发布于 Nature Communications，并向全球开源。 　　论文第一作者分别是广州呼吸健康研究院院长助理梁文华博士、和腾讯 AI Lab 医疗中心首席科学家姚建华博士；论文共同作者为钟南山院士、广州呼吸健康研究院院长何建行、腾讯 AI Lab 医疗中心负责人黄俊洲。 　　这项研究，也是钟南山团队、与腾讯共同成立的大数据及 AI 联合实验室的成果之一。 　　论文中，钟南山团队与腾讯 AI Lab、披露了利用 AI 预测新冠肺炎患者病情发展至危重的概率研究成果，该成果可分别预测 5 天、10 天和 30 天内病情危重概率，病人的早期分诊将会借此得到优化。 　　 　　此研究基于深度学习所建立的 Cox 模型（Cox 模型，又称比例风险回归模型，即 Proportional Hazards Model）

　　机器之心报道 　　 参与：杜伟、小舟、张倩 　　 继 Yann LeCun 为存在数据偏见的算法辩护被骂退出推特之后，BLM 运动继续在学界蔓延。MIT 宣布永久下架包含种族和性别歧视标签图像的 Tiny Images 数据集，并致歉。此外，谷歌研究科学家 Samy Bengio 针对学界中的「名人效应」提出自己的建议，呼吁「有意识地引用较低关注度学者的论文」，从而引发网友热议。 　　 　　轰轰烈烈的「Black Lives Matter」运动已经持续了一个多月，虽然已有缓和迹象，但整体运动开始往各领域蔓延，包括学术界。 　　在活动刚开始的第十几天，全美学界曾掀起过一场停摆 24 小时的运动，arXiv、Nature、Science 全部暂停更新，以重新思考黑人群体在学界的地位。 　　虽然活动仅进行了一天，但「思考」远未结束。最近，一位非裔女科学家把大家重新拉回了这一话题。 　　事件的起因是 DeepMind 6 月 29 号官宣的一门生成对抗网络（GAN）课程。课程的内容比较基础，主要介绍 GAN 的原理、优化、改进以及一些变体。 　　乍看之下，这门课好像没什么问题。但是，一位名叫 Adji Bousso Dieng 的研究者质问道：「既然你们要开 GAN 的课，为什么我在 DeepMind 提出的 PresGAN 没有被包含在内？是因为这篇论文的一作（我）是黑人女性吗？」

​ Python是一种跨平台的计算机程序设计语言。是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。 Python现如今已成为真正的万金油语言，哪里需要哪里用，不管是做web，做爬虫自动化，做数据分析，甚至是做机器学习和深度学习都是信手拈来，周边的类库丰富到无法想象。 今天就来推荐一份Python书单，这年头程序员不能不会python了！ Python系列书单 ​ Python基础教程 本书包括Python程序设计的方方面面：首先从Python的安装开始，随后介绍了Python的基础知识和基本概念，包括列表、元组、字符串、字典以及各种语句；然后循序渐进地介绍了一些相对高级的主题，包括抽象、异常、魔法方法、属性、迭代器；此后探讨了如何将Python与数据库、网络、C语言等工具结合使用，从而发挥出Python的强大功能，同时介绍了Python程序测试、打包、发布等知识；最后，作者结合前面讲述的内容，按照实际项目开发的步骤向读者介绍了10个具有实际意义的Python项目的开发过程。 作者简介 Magnus Lie Hetland 挪威科技大学副教授，教授算法；黑客，喜欢钻研新锐编程语言，是Python语言的坚定支持者。写过很多Python方面的书和在线教程

本文始发于个人公众号： TechFlow ，原创不易，求个关注 今天这篇是 Pytorch专题 第一篇文章。 大家好，由于我最近自己在学习Pytorch框架的运用，并且也是为了响应许多读者的需求，推出了这个Pytorch专题。由于这个专题是周末加更的，所以不能保证更新进度，我尽量和其他专题一样，每周一更。 Pytorch简介 Pytorch底层是Torch框架，Torch框架是一个科学计算框架，拥有一个与Numpy类似的张量操作库。非常灵活，但是它的语言是Lua，比较小众，因此没有广泛流行。 后来开发团队在Torch的基础上包装了一层Python的Api，使得我们可以通过Python来进行调用。它是由Facebook的人工智能小组开发维护的，目前在业内也非常流行，尤其是学术界，几乎清一色的Pytorch。它拥有两个最大的优点，一个是 动态网络 ，像是TensorFlow等框架定义出来的神经网络是静态的，一旦写死不能轻易改变。但是Pytorch我们可以零延迟地改变任何神经网络。第二个有点是具有 强大的GPU加速计算的工具 ，Pytorch的GPU加速非常好用。 另外Pytorch的语法更加简洁规范，更加Pythonic，学习曲线也更平稳一些。 写出来的代码更加容易理解 ，更适合初学者。 当然由于诞生的时间还短，并且在工业界的普及度还不如TensorFlow，所以它也有一些短板

昆仑数据田春华老师在微信公众号的专栏培训：工业数据分析与实战。培训给出了一些实际的数据分析例子，包括“设备管理”、“运作优化”和“营销服务”三类；然后讲了数据分析的基本框架、方法和技术；最后给出了大数据时代，数据分析的认识误区和挑战。田老师发音不标准啊，好多词听好几遍，再关联上下文，连猜带蒙的才勉强能明白，不过有的也不一定对。记录以反复学习。 视频链接： https://appgzdr0r6c3350.h5.xiaoeknow.com/v1/course/column/p_5e90181d2f5c2_Ut1xWLXN?type=3&share_user_id=u_5e91169429c27_G0xxVfLReS&share_type=2&scene=%E5%88%86%E4%BA%AB&access_entry=1%3Fentry%3D2&entry_type=2001&func_type=1&entry=2&is_redirect=1 随着大数据越来越火，业界也产生了一种质疑：是不是大数据相当于一个算命，所有的问题都可以通过大数据来解决呢？今天，我们就这个话题进行一下概念澄清，也辅助我们工业界的从业者有一个更好的入门。 讲到大数据分析，我们过去也总结过，一个合格的数据分析师，应该具备什么技能，大概包括最基本的数学知识，包括统计学的一些知识，包括计算机，以及数据融合的一些知识点

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 本文是标定系列解读第三篇，介绍了Camera-Lidar标定，通过对一些基础知识和小细节进行讨论和理论推导，给出了一些可以提升标定精度的改进建议。 另外本文还给出了一个简单的开源代码对上述标定原理进行实践，以及提供了一个仿真程序，可以直观感受标定数据对系统可观性的影响。希望能够给大家一些启发。 目录 1. 前言 2. 理论 2.1 基于平面约束的相机激光标定算法 2.1.1 平面约束 2.1.2 2D 激光和相机外参数初始值求解 2.1.3 3D 激光和相机外参数初始值求解 2.1.4 外参数优化 2.2 推论：所有平行的平面提供的约束等价。 2.3 拓展：标定板的边界约束 3. 实践 3.1 代码梳理和上手操作 3.2 仿真代码的特别说明 3.2.1 系统可观性的判断 3.2.2 利用仿真代码验证平行平面提供的约束等价 3.2.2 利用仿真代码指导采集数据：如何充分旋转标定板 4. 结语 5. 参考文献 1. 前言 从理论上看，相机和激光之间外参数的标定原理非常简单，但在实际标定过程中，特别是一个初学者采集数据进行标定时，却发现标定结果非常不理想。如何采集有效的标定数据（何种运动轨迹，如何晃动标定板）对于激光相机标定而言非常重要。 读完本文，你会发现原来采集数据时标定板和传感器之间只做纯粹的平移运动是没有意义的

2020CVPR -- Deep Unfolding Network for Image Super-Resolution [paper] : Deep Unfolding Network for Image Super-Resolution [github] : https://github.com/cszn/USRNet Abstract Learning-based single image super-resolution (SISR) methods are continuously showing superior effectiveness and efficiency over traditional model-based methods, largely due to the end-to-end training. However, different from model-based methods that can handle the SISR problem with different scale factors, blur kernels and noise levels under a unified MAP (maximum a posteriori) framework, learning-based methods generally

阿里云ECS云服务器通用型g6和g5的区别以及选择建议 阿里云ECS云服务器通用型g6和通用型g5实例有什么区别?通用型g5和g6都是用于性能均衡场景，CPU内存比都是1:4，本文来说说通用型g6和通用型g5的区别以及选择方法：官方文档： 云服务器ECS共享标准型S6实例 ECS云服务器通用型g6和通用型g5有什么区别? 顾名思义，通用型g6是通用型g5的升级版，ECS云服务器通用型g6是第六代云服务器，性能全面提升的同时价格有所下调，如何选择?云E优站长博客建议选择通用型g6实例。 通用型g6云服务器是阿里云的第六代云服务器，第六代云服务器是基于第二代Intel至强可扩展处理器，睿频从上一代2.7Ghz提升到3.2Ghz，E2E计算性能有3-15%的提升;支持vnni指令集,对于深度学习的推理场景有2-4倍性能提升;虚拟化优化性能抖动，ping flood延时超过1ms的报文数<1/100万。 通用型g6和通用型g5区别对比表 综上，阿里云ECS云服务器通用型g6是通用型g5的升级版，性能有所提升，如何选择?新手站长网还是建议性价比放在第一位，虽然通用型g6是g5的升级版，但是通用型g5的性能也不差，如果通用型g5拥有更优惠的折扣，通用型g5也是可以选择的。 来源： oschina 链接： https://my.oschina.net/u/4339497/blog/4283703

云栖号资讯：【 点击查看更多行业资讯 】 在这里您可以找到不同行业的第一手的上云资讯，还在等什么，快来！ 你有没有这样的一种感觉，图深度学习就是一堆启发式的东西，有时会起作用，但没有人知道为什么。在本文中，作者讨论了图同构问题，图同构测试的 Weisfeiler-Lehman 启发式，以及如何用它来分析图神经网络的表达能力。这是关于图神经网络表达能力的系列三篇文章中的第一篇。在第二部分中，他将讨论如何脱离 Weisfeiler-Lehman 层次结构；在第三部分中，他将建议为什么重温整个图同构框架可能是个好主意。 前文回顾：《图深度学习：成果、挑战与未来》 传统的前馈网络（多层感知器）是已知的通用逼近器：它们可以将任何平滑函数近似到任何所需的精度。对于相对最近才出现的图神经网络，其表示特性还不是很了解。人们在实验中经常会观察到，图神经网络在某些数据集上表现出色，但同时在其他数据集上的表现却令人失望。为找到这种行为的根源，我们必须回答这样一个问题：图神经网络有多强大？ 其中挑战之一是，应用程序中遇到的图是乱序和离散结构（分别是节点和边缘特征以及连通性）的组合，因此，这个问题可以用不同的方式提出。一种可能的表述是图神经网络是否能够区分不同类型的图结构。这是图论中的一个经典问题，称为图同构问题，目的是确定两个图在拓扑上是否等价【1】。两个同构图具有相同的连通性，不同之处只是它们节点的排列