深度学习

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 作者：william 链接：https://zhuanlan.zhihu.com/p/128521630 本文转载自知乎专栏：自动驾驶全栈工程师，作者已授权，未经许可请勿二次转载。 Particle Filter - Kidnapped vehicle project Github: https://github.com/williamhyin/CarND-Kidnapped-Vehicle Email: williamhyin@outlook.com 1. Definition of Particle Filter 粒子滤波器是贝叶斯滤波器或马尔可夫定位滤波器的实现。粒子过滤器基于“适者生存的原理”主要用于解决定位问题。粒子滤波的优势在于易于编程并且灵活。 三种滤波器的性能对比: 正如你在上面的图片中看到的，红点是对机器人可能位置的离散猜测。每个红点都有 x 坐标、 y 坐标和方向。粒子滤波器是由几千个这样的猜测组成的机器人后验信度表示。一开始，粒子是均匀分布的，但过滤器使他们生存的比例正比于粒子与传感器测量的一致性。 1.权重(Weights)： 粒子滤波器通常携带离散数量的粒子。每个粒子都是一个包含 x 坐标、 y 坐标和方向的矢量。颗粒的存活取决于它们与传感器测量结果的一致性

　　2020 年，人工智能商业化落地全面加速。百度，作为国内人工智能领军企业，围绕最早开源的自研 AI 框架飞桨，在人工智能开发领域有着长期高强度的投入。 　　今年 5 月份的「WAVE SUMMIT 2020」深度学习开发者峰会上，百度飞桨发布包括端到端图像分类开发套件 PaddleClas 在内的 7 项开源新品、23 项重要升级，全面助力开发者进行人工智能开发。 　　除了全新发布，面向中小企业，飞桨企业版 EasyDL 全新升级，预置丰富网络和模型，提供零门槛、便捷高效的开发。对企业开发者而言，EasyDL 可谓是一站式开发利器。 　　在 EasyDL 开发平台之外，2017 年百度 AI 开发者大会上也曾发布对话系统定制平台 UNIT，搭载了业界领先的对话理解与对话管理技术，可以帮助开发者赋予产品智能对话的交互能力。2019 年，UNIT 升级到 3.0 版本，提供强大的智能对话解决方案。 　　纵深布局人工智能技术十数年，开发者一直是百度极为重视的力量。当前百度飞桨累积开发者数量已超过 190 万，服务企业数量达到 84000 家，发布模型数量已超过 23 万个。 　　为了更好的服务广大开发者，帮助大家快速学习掌握人工智能技术。在今年 WAIC 开发者日期间，机器之心将联合百度组织「开发者日百度公开课」，为广大开发者提供 3 小时极致学习机会，从 NLP、CV 到零门槛

作者 阿里云资深技术专家 隐达 一、异构计算ABC 简单的介绍几个概念，同道中人可以忽略这一段。云计算取代传统IT基础设施已经基本成为业界共识和不可阻挡的趋势。云计算离不开数据中心，数据中心离不开服务器，而服务器则离不开CPU。当然，世事无绝对，上述三个“离不开”自然是针对当下以及并不久远的未来而言。而异构计算的“异构”指的是“不同于”CPU的指令集。 异构计算听起来是一个高大上兼不明觉厉的概念，实际上，我们大致可以用“加速协处理器”的概念来替代异构计算，这样理解起来也许就容易多了。云计算在最开始指的就是基于CPU的计算，异构计算异军突起之后，云计算就分成了基于CPU的通用计算和基于CPU+FPGA、CPU+GPU的异构计算。 可能有的读者说：CPU+ASIC难道不是异构计算么？当然算，只不过，抛开ASIC的优点（高性能、大批量前提下的低成本）不说，ASIC的高开发成本（进入10nm工艺时代，流一次片可能动辄几百万乃至数千万美元）和长上市时间（从立项到上市最少也要一到两年的时间）是两个非常不利的因素。因为目前异构计算所针对的垂直行业都具有快速变化、快速迭代的特点，是ASIC完全没有办法满足的。所以到目前为止，基于ASIC的异构计算占比极少，基本可以忽略不计。 本文聚焦于讨论基于FPGA的异构计算，为了行文方便起见，下文中提到异构计算就是指FPGA异构计算。 下面的图、表对CPU

来源|专知 【导读】小样本学习是一类重要的机器学习方法，旨在解决数据缺少的情况下如何训练模型的问题。在CVPR2020的Tutorial，来自valeo.ai的学者给了Spyros Gidaris关于小样本学习的最新教程报告。 在过去的几年里，基于深度学习的方法在图像理解问题上取得了令人印象深刻的效果，如图像分类、目标检测或语义分割。然而，真实字计算机视觉应用程序通常需要模型能够(a)通过很少的注释例子学习，(b)不断适应新的数据而不忘记之前的知识。不幸的是，经典的监督深度学习方法在设计时并没有考虑到这些需求。因此，计算机视觉的下一个重大挑战是开发能够解决这方面现有方法的重要缺陷的学习方法。本教程将介绍实现这一目标的可能方法。小样本学习(FSL)利用先验知识，可以快速地泛化到只包含少量有监督信息的样本的新任务中。 https:// annotation-efficient-learning.github.io / 目录内容： 概述 小样本学习种类 度量学习 带记忆模块的元学习 基于优化的元学习 学习预测模型参数 无遗忘小样本学习 来源： oschina 链接： https://my.oschina.net/u/4397965/blog/4318125

5月18日，"ABC SUMMIT 2020百度夏季云智峰会"在线上召开。刚刚经历了人事变动的百度云迎来重磅升级，大会以"百度智能云加速产业智能化"为主题，百度智能云全新战略、新架构首次亮相，AI中台、知识中台两大创新平台及8大全新行业解决方案重磅登场。 王海峰表示，全新升级的百度智能云融合了云计算、百度大脑、大数据等百度核心技术，将在新基建大潮中，成为加速AI工业化大生产的关键力量。 用一句话总结：全面智能化（AI化）。 (王海峰在2020百度夏季云智峰会上发布百度智能云全新战略) 当下，人工智能技术发展日趋成熟，成为科技革命和产业变革的重要驱动力。在此背景下，百度智能云全新战略升级， "以云计算为基础，以人工智能为抓手，聚焦重要赛道。"王海峰表示，百度智能云业务目前已经远远超越了基础云计算，人工智能、大数据、区块链、物联网构成了智能云新的业务基础。人工智能是百度的优势所在，也是服务客户的抓手。有了基础和抓手之后，百度智能云将聚焦社会价值及商业价值兼具的重要赛道，并持续探索和拓展新赛道。 为了更好地执行新战略，百度智能云对业务架构进行了调整。新架构分为三层，底层是百度大脑，包括基础层、感知层、认知层和安全，是百度核心技术引擎。中间是平台，包括通用的基础云平台、AI中台、知识中台，以及针对场景的平台和其他关键组件。在基础层和平台的支持下，上层的智能应用和解决方案将为各行各业赋能

最近英伟达发布了最新GPU-A100，当我们先后经历了K系列、M系列、P系列、V系列之后，这一次的A系列发布又会带来哪些影响，未来行业的走势如何，新入行的同学究竟选择哪个领域入门比较合适。今天我将从3个方向为大家一一剖析， 计算力变强了，会给行业带来什么影响 计算力变便宜了，会给行业带来什么影响 英伟达的野心在哪里，对行业有什么影响 1 计算力变强的影响 这次新的GPU在算力方面变强的幅度是比较夸张的，根据官方数据显示，在Bert模型的场景下，训练和预测都有大幅度的提升。 同时新的机器搭载了三星的40G的超大HBM2显存。这些信号意味着什么呢？意味着计算框架的算力层面价值在弱化。过去提到TensorFlow、PyTorch，大家比的是哪种框架在分布式场景下更快，因为当模型的训练量大到单机很难在短时间内收敛，因为当模型大小大到单机内存没法承载之后，只能依赖分布式的方案去解决问题。 今天，A100即使在单机情况下也提供了可能过去可能2到5台机器的分布式能力。也就是说，今天单机的能力变强了。在计算框架层面，未来更多地需要从计算力优化的角度转向如何提升用户体验，提供更简单的开发接口。 所以，未来深度学习的开发会变得更简单，得益于框架的向用户体验转型。另外，框架级别的优化工作以及各种模型量化工作，将只在部分超大规模的应用场景下有意义。 如果把AI拆分成三层，最下方是计算力为代表的芯片GPU

　　7 月 20 日，科创板迎来首家 AI 芯片龙头，中科寒武纪科技股份有限公司（下称寒武纪）登陆科创板，申购代码为“688256”，拟募资 28 亿元。截止当天上午，寒武纪上市首日开盘上涨约 290%，当前市值已突破 1000 亿元。 　　 　　图｜寒武纪登陆科创板（来源：寒武纪） 　　公开资料显示，寒武纪是目前全球少数几家全面掌握智能芯片、基础系统软件研发和产品化核心技术的企业之一，其可以提供云边端一体、软硬件协同、训练推理融合、并具备统一生态的系列化智能芯片产品和平台化基础系统软件。 　　成立四年来，寒武纪每年都会推出新品，相比一般芯片公司 1-3 年推出新品的速度，较高的产品迭代速度和研发能力，让这只独角兽得以快速奔跑。在研发上，寒武纪非常“大手笔”。据该司招股书资料显示，2017 年、2018 年和 2019 年连续三年，寒武纪研发费用分别为 2986.19 万元、24011.18 万元和 54304.36 万元，研发费用率分别为 380.73%、205.18% 和 122.32%，研发费用比营业收入还高，这对一家创业公司来说显得尤为宝贵。 　　 　　图 | 寒武纪主要财务数据及财务指标（来源：寒武纪招股书） 　　本次寒武纪上市的科创板，于 2019 年 6 月 13 日正式开板。时隔一年，科创板总市值已经达到 1.72 万亿元，而本次寒武纪上市，标志着科创板迎来 AI

一.迁移学习的概念 什么是迁移学习呢？迁移学习可以由下面的这张图来表示： 这张图最左边表示了迁移学习也就是把已经训练好的模型和权重直接纳入到新的数据集当中进行训练，但是我们只改变之前模型的分类器（全连接层和softmax/sigmoid），这样就可以节省训练的时间的到一个新训练的模型了！ 但是为什么可以这么做呢？ 二.为什么可以使用迁移学习? 一般在图像分类的问题当中，卷积神经网络最前面的层用于识别图像最基本的特征，比如物体的轮廓，颜色，纹理等等，而后面的层才是提取图像抽象特征的关键，因此最好的办法是我们只需要保留卷积神经网络当中底层的权重，对顶层和新的分类器进行训练即可。那么在图像分类问题当中，我们如何使用迁移学习呢？一般使用迁移学习，也就是预训练神经网络的步骤如下; 1.冻结预训练网络的卷积层权重 2.置换旧的全连接层，换上新的全连接层和分类器 3.解冻部分顶部的卷积层，保留底部卷积神经网络的权重 4.同时对卷积层和全连接层的顶层进行联合训练，得到新的网络权重 既然我们知道了迁移学习的基本特点，何不试试看呢？ 三.迁移学习的代码实现 我们使用迁移学习的方法来进行猫狗图像的分类识别，猫猫的图像在我的文件夹里如下图所示： 然后导包： import tensorflow as tf from tensorflow import keras import matplotlib

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！ 人工智能是在1956年作为一门新兴学科的名称正式提出的，自此之后，它已经取得了惊人的成就，获得了迅速的发展，它的发展历史，可归结为孕育、形成、发展这三个阶段。 1 孕育阶段 这个阶段主要是指1956年以前。自古以来，人们就一直试图用各种机器来代替人的部分脑力劳动，以提高人们征服自然的能力，其中对人工智能的产生、发展有重大影响的主要研究成果包括： 早在公元前384-公元前322年，伟大的哲学家亚里士多德(Aristotle)就在他的名著《工具论》中提出了形式逻辑的一些主要定律，他提出的三段论至今仍是演绎推理的基本依据。 英国哲学家培根(F. Bacon)曾系统地提出了归纳法，还提出了“知识就是力量”的警句。这对于研究人类的思维过程，以及自20世纪70年代人工智能转向以知识为中心的研究都产生了重要影响。 德国数学家和哲学家莱布尼茨(G. W. Leibniz)提出了万能符号和推理计算的思想，他认为可以建立一种通用的符号语言以及在此符号语言上进行推理的演算。这一思想不仅为数理逻辑的产生和发展奠定了基础，而且是现代机器思维设计思想的萌芽。 英国逻辑学家布尔(C. Boole)致力于使思维规律形式化和实现机械化，并创立了布尔代数。他在《思维法则

来源|专知 【导读】慕尼黑大学开设的《高级深度学习》技术课程，重点介绍计算机视觉的前沿深度学习技术。最新一期介绍了《生成式对抗网络》进展，讲述了GAN的知识体系，值得关注。 https:// dvl.in.tum.de/teaching/ adl4cv-ss20/ slides下载地址： Index of /slides/adl4cv-ss20 ​ dvl.in.tum.de 来源： oschina 链接： https://my.oschina.net/u/4360424/blog/4318126