深度学习

好的模型结构是深度学习成功的关键因素之一，不仅是非常重要的学术研究方向，在工业界实践中也是模型是否能上线的关键。对各类底层深度学习模型设计和优化技术理解的深度是决定我们能否在深度学习项目中游刃有余的关键。 那我们究竟如何去长期学好模型优化相关的算法呢？ 有三AI推出了CV秋季划-模型优化组 ，供长期学习相关内容，学习不限时长，永久有效。 详情大家可以听以下直播视频解读，更多补充可看图文。 点击边框调出视频工具条 整个学习内容 秋季划模型优化小组，聚焦于让大家能够跟随我们社区长期学习模型优化相关的算法，学习的东西包括8大方向：数据使用，模型使用和调参，模型性能分析，紧凑模型设计，模型剪枝，模型量化，模型蒸馏，自动化模型设计。当然最后，我们还计划额外增加模型部署的内容。 总体的学习资料包括几个部分： (1) 学习书籍：有三自己撰写的模型设计教材。 (2) 有三录制的模型设计相关的视频与PPT，以及有三AI出品的不定期更新的模型优化相关的付费直播。 (3) 知识星球社区：包括两个，一个是专用于秋季划模型优化学习小组存储资料的星球，永久有效，不对外开放。 另一个是对外开放的有三AI知识星球，包括很多内容，大家可以自行阅读下文了解。 【杂谈】有三AI知识星球指导手册出炉！和公众号相比又有哪些内容？ (4) 有三AI内容组，项目组，运营组：是学习后下一步从业的真正目标

近日，国家工业信息安全发展研究中心、工信部电子知识产权中心发布《2020人工智能中国专利技术分析报告》，展示我国人工智能领域创新发展新态势。其中，在人工智能专利申请量和授权量方面，百度分别以9364件专利申请和2682件专利授权处于第一位，这也是百度连续三年在该人工智能领域专利分析报告中总申请量授权量蝉联第一，展现出中国AI“头雁”的实力。 报告中的人工智能专利申请排名显示，我国权利主体在人工智能领域技术创新活跃，前十名中，我国的企业、高校及科研院所占了8个名额。其中，百度人工智能领域专利申请成绩斐然，申请数量超过微软和三星两家国外权利主体数量之和。此外，百度在深度学习技术、自然语言处理、智能语音、自动驾驶、知识图谱、智能推荐、交通大数据多个领域位居专利申请量和授权量首位。 在深度学习领域，百度专利申请量和授权量均为第一名，体现出其在深度学习技术领域具有较强的技术优势。且百度深度学习专利申请量在近三年稳步增长，处于匀速上升的态势。随着百度深度学习技术的快速发展，专利的转化应用也迈入了快车道，百度飞桨深度学习平台是我国首个自主研发、开源开放、功能完备的产业级深度学习平台。 在自然语言处理领域，百度专利申请量以1383件稳居第一，与第三名微软公司申请数量647件相比，具有较大的领先优势。疫情期间百度自然语言处理技术作用巨大，百度灵医智惠基于自然语言处理技术推出的“智能咨询助手

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 编辑：3D视觉工坊 https://www.zhihu.com/question/64055675/answer/1243801178 本文仅作为学术分享，如果有侵权，会删文处理 三十岁，研究生毕业的你，现在收入多少？ 作者：湘人 https://www.zhihu.com/question/64055675/answer/273682893 罗胖说，人总要给自己确定几件可以坚持10年甚至更长时间的事情，我想先从此帖的更新开始吧，不出意外的话，每年都会更新一次，即作为一年个人、家庭情况的汇报，也把它当作自己成长的记录，想必N年以后回头看，会有不一样的感受。 这是更新的第三年了，2020年家庭收入为77W，媳妇儿40W、我37W。她的工作与近几年国家重点扶持的两机专项相关，而且始终做着与研究生所学专业强相关的事情，加班少，挣的还比我多。每当媳妇儿鄙视我加班多、操心多、性价比差的时候，我只能大谈“情怀”与之斗争^_^。房子还是那一套，闺女马上要上幼儿园，即将开启“吞金碎钞”的新时代。面对房山地区近今年高考平均水平，我俩甚是担心，对主城区学区房的憧憬愈加强烈。评估家庭现有财务状况发现，如果我们要买城区一550W左右的学区房（30多坪，老破小区），需要抵押现有房产+掏空家庭存款+各种借款

目录 前言 1.整理一份思维导图 2.搜集一些大厂真题面试题自己解答 3. 不断的复述和巩固知识点 4. 加深技术的厚度 5. 出去装X吧 打铁还需自身硬（此方法不适合所有人） 小黄鸭学习法 关于结构化思维 5W1H法 链路法 其他方法 算法的学习方法 金玉良言 前言 以java面试为例，每一年的重点都是不一样的，招聘要求中可能出现你没有使用过的技术， 如：RPC、springboot、docker等。如果，2个月后要去面试，你心仪的公司，招聘要求上出现这样的你没有用过的技术，都不知道面试官会问这个技术的哪些问题。每年新出现的技术很多，但大部分是属于针对特定应用领域的编程框架。比如十几年前的各类Web编程框架，十年前的中间件框架，最近几年的深度学习框架等等。要快速掌握一个技术，需要学习的内容分为领域知识和框架两部分，并在此基础上要做一些实例来练习。领域知识是针对这个领域内通用的，即便是换个框架也能用的上。而框架知识则是领域知识的封装，方便编程使用的。 小编在这里总结了一篇学习方法，只要你本身不是很菜，用此方法两个月足够学好多个技术，而且是真学会、可以拿出来用的那种。需要注意的是，此方法对于大部分技术都很有效（比如java，spring，Redis、网络、操作系统等等），但对于算法、数据结构、设计模式这种需要慢慢积累基本功的不太有效。 1.整理一份思维导图

原创 Linuxer Linux阅码场 2017-11-11 Linuxer已经从一个单纯的读者服务公众号转变为一个为广大用户解决linux学习，工作以及职业生涯实际问题的平台。用户参与，才能让这个平台更加实用，有效。Linuxer平台号召各路大虾一起来建设这个平台，“Linuxer”是广大linuxer的“Linuxer”。 第4个月稿件录取和赠书名单如下： 作者 赠送书 作品 明鑫 奔跑吧Linux内核》 吴锦华/明鑫: 用户态文件系统(FUSE)框架分析和实战 吴锦华 《奔跑吧linux内核》 吴锦华/明鑫: 用户态文件系统(FUSE)框架分析和实战 王玉成 《Deep Learning 深度学习》 王玉成： Android Things 第3个月稿件录取和赠书名单如下： 作者 赠送书 作品 魏永明 《微信小程序开发实战》 魏永明： MiniGUI的涅槃重生之路 郭健 《奔跑吧linux内核》 郭健： Linux内存逆向映射（reverse mapping）技术的前世今生 谢宝友 《奔跑吧linux内核》 谢宝友： 深入理解Linux RCU之一——从硬件说起 谢宝友：深入理解Linux RCU：从硬件说起之内存屏障 黄伟亮 《机器人爱好者（第4辑）》 黄伟亮： 探秘Linux的块设备和根 宋牧春 《奔跑吧linux内核》 宋牧春： Linux设备树文件结构与解析深度分析(1

科研有很水的idea应该发表出来吗？ - 来源：https://www.zhihu.com/question/372648294 小伙伴们，对于只能发EI，水会，OA SCI期刊那种，自己看到都觉得很垃圾的idea，你认为有发表的价值吗？ 作者： Jeremy Zhou https://www.zhihu.com/question/372648294/answer/1030507968 我认为这个水的idea该不该发要看自身的情况。 情况1. 假如，马上毕业就缺那么一篇OA SCI或者EI之类的，那就发。 火烧眉毛了还不发那不是认不清形势么。 只要这个水的idea也是idea，而不是靠弄虚作假编造一片文章，我认为就无伤大雅。 情况2. 假如，不是那么着急毕业（可能刚博士第一年），那我认为完全没有必要。 你自己都认为idea水，为什么要发呢？ 总发水文，很可能就形成路径依赖了，后期很可能只能发水文，idea质量也都不行。 “仓廪实而知礼节，衣食足而知荣辱”，私以为科研很多时候也是这样。 刚入门的研究生发一点水的idea也算是一种入门的过程。 但是如果发了好几篇，还在那只发水idea，那就没什么意思了。 再说说题主说的OA SCI期刊： 以我最近审稿的情况举例。 之前帮IEEE Access审过一篇文章，发现太水了。 后来再找我审稿，扫了一下abstract也都觉得太没意思

点击上方 “ 小白学视觉 ”，选择加" 星标 "或“ 置顶 ” 重磅干货，第一时间送达 转载：52cv 【 导语】数 据不够，游戏来凑！ 阿联酋起源人工智能研究院（IIAI）科学家通过随机组合颜色和纹理产生了8000个三维人物模型，并在游戏环境里模拟真实监控得到一个虚拟行人数据集，最终通过跨库泛化性测试一举超越了CUHK03，Market-1501，DukeMTMC-reID和几乎MSMT17在内的四大主流行人再辨识数据集。 相关论文（ Surpassing Real-World Source Training Data: Random 3D Characters for Generalizable Person Re-Identification ）已被ACMMM 2020接收，数据已开源。 图1. RandPerson虚拟数据库示例图 简介 行人再辨识是近年来的热门研究领域，随着深度学习的发展取得了很大的进步。但是已有模型在不同场景下的泛化能力依然较差。一个可能的原因是，由于标注困难和隐私敏感，目前仍然缺乏大规模和多样性的训练数据。 有鉴于此，本文提出一种随机自动产生大量三维人物模型的方法，并在游戏环境里模拟真实监控进行渲染，由此得到一个大规模的虚拟行人数据集，并最终实现可泛化的行人再辨识。 具体地，本文提出一种通过随机组合颜色和纹理产生大量UV纹理图的方法

点击上方 “ 小白学视觉 ”，选择加" 星标 "或“ 置顶 ” 重磅干货，第一时间送达 本文转载自机器之心。 机器之心专栏 作者：廖胜才 阿联酋起源人工智能研究院（IIAI）科学家提出一种可解释和泛化的行人再辨识方法，通过查询图自适应的卷积和相似度的时序提举，该方法的预训练模型无需迁移学习即可在 Market-1501 上达到 88.4% 的 Rank-1 和 76.0% 的 mAP，从而为实际应用发展了开箱即用的行人再辨识。相关论文已被 ECCV 2020 接收。 （注：本文迁移学习是指行人再辨识领域单模态跨场景的迁移学习。） 论文地址：https://arxiv.org/abs/1904.10424 代码地址：https://github.com/ShengcaiLiao/QAConv 简介 已有的基于深度学习的行人再辨识方法主要关注单张图的特征学习，其训练好的模型是固定的，在面对没见过的场景时缺乏自适应性。为此，迁移学习被大量地研究并用于增强模型在新场景下的适应性，但其代价是针对特定场景的应用需要深度学习训练。 有鉴于此，本文重点研究面向实际应用、开箱即用的行人再辨识。具体而言，在特征学习之外，本文更多地考虑在两张待匹配图像的深度特征图上直接做点对点的图像匹配。为此，本文提出一种查询图自适应的卷积（Query-Adaptive Convolution，QAConv）

实战是学习一门技术最好的方式，也是深入了解一门技术唯一的方式。因此，NLP专栏计划推出一个实战专栏，让有兴趣的同学在看文章之余也可以自己动手试一试。 本篇介绍自然语言处理中一种非常重要的任务：命名实体识别。因为最常见的是Bilstm+CRF模型进行实体识别，本文介绍介绍另外一种有效的模型，Dilated-CNN+CRF模型，但是两种模型的代码都会给出。 作者&编辑 | 小Dream哥 1 命名实体识别任务介绍 笔者在这篇文章中，曾经系统的介绍过命名实体识别任务的相关 概念 和 语料 标注方式 ，不了解的同学可以先阅读这篇文章： 【NLP-NER】什么是命名实体识别？ 关于Bilstm和Dilated-CNN两个模型 理论 方面的内容，笔者在这篇文章中做了详细的介绍，不了解的同学可以先阅读这篇文章： 【NLP-NER】命名实体识别中最常用的两种深度学习模型 话不多说，既然是实战篇，我们就赶紧开始吧。 2 数据预处理 1) 查看数据格式 先了解一下数据格式，方便后面进行处理。如下图所示，语料为标准的BIO标注方式， 每个字和标记之间用空格隔开，语料之间用一个空行隔开 。 2）读取训练数据 def load_sentences(path, lower, zeros): """ 加载训练，测试，验证数据的函数 """ sentences = [] sentence = [] num = 0

作为汇智聚源，沉淀成果，为开发者提供学习与交流、促进启智社区成员及OpenI生态圈伙伴合作的广阔平台，一年一度的启智开发者大会一直致力于打造开源社区生态，利用开源力量更好地赋能企业和开发者，驱动整个AI应用场景的落地创新，不仅为中国AI行业生态建设注入创新力，同时也向世界彰显中国开源智慧的影响力。 距离12月2日启智开发者大会筑梦起航的日期越来越近了，亮点够不够多？嘉宾咖位够不够大？有哪些开源项目获奖？有哪些公开课不容错过？小编先行打探到四大看点，现在就来一一揭秘。 研：领军院士亲自布道，激活AI生产力 开源开放是一种潮流，更是全球人工智能发展不可阻挡的重要趋势之一。对此，中国工程院院士、新一代人工智能产业技术创新战略联盟理事长高文，中国科学院院士王怀民、鹏城实验室常务副主任邹鹏等业内专家都曾表达过类似的看法：高文院士认为，开源不仅是产业智能化的助推器，更是科技巨头赢得AI话语权的关键，这也是 OpenI 启智平台成立的初衷。王怀民院士表示，开源是我们这个时代孕育和产生的一个趋势，我们需要启智社区这样一个属于中国自己的品牌。邹鹏则表示，定位为网络空间科学与技术研究的鹏城实验室，就是要把国内的人工智能的基础汇聚在一个公共平台上，成为信息社会里的基础设施。12月2日三位专家将出席大会并进行主题演讲，期待能继续聆听他们分享的前沿观点。 产：自主AI开源项目重磅发布，展示开源硬实力