深度学习

“ 不认识整体就不可能认识局部，同样，不认识局部也不可能认识整体。” ——布莱士·帕斯卡(Blaise Pascal） AI 切实地来到了人们的身边，从迷惑到振奋，从憧憬到期盼，从百家争鸣到百花齐放，从每个人到每个组织，都在或多或少地在寻找自己的定位。作为一个从业者，曾经试图从计算机的体系结构解读AI的构成（参见《 老码农眼中的简明AI 》），试图从溯源中看到AI的成长（参见 《人工智能简史》读后 ），试图从伦理学角度审视AI的约束（参见《 人工智能伦理学的一知半解 》）...... 但是，老码农仍然妄想对AI有一个整体性的全貌，然而能力所限，原以为的AI体系架构演变成了漫谈。下面是本次漫谈的目录： AI 的诞生与三次浪潮 AI 的含义解读 AI 的技术体系 AI 的应用领域 AI 对社会的影响 AI 的未来 “治学先治史”，时光回溯，看一看AI出现在历史长河中的位置吧。 1. AI 的诞生与三次浪潮 在共和国诞生的第二年（1950年），图灵发表了一篇划时代的论文，提出了著名的图灵测试（ The Turing Test）—— 在测试者与被测试者（一个人和一台机器）隔开的情况下，通过一个装置（例如 显示器与键盘）向被测试者随意提问。进行多次测试后，如果有超过30%的测试者不能确定出被测试者是人还是机器，那么这台机器就通过了测试，并被认为具有人类智能

点击上方“3D视觉工坊”，选择“星标” 干货第一时间送达 显扬科技专注研发并产业化高速高清三维机器视觉设备，致力于成为全球领先的三维机器视觉设备提供商。显扬科技研发的三维机器视觉设备精度能达微米级，采集速度高达300帧，主要应用于机器人引导、工业检测与测量。 显扬科技企业文化：聚焦、极致、奋斗。显扬科技以客户创造价值为核心目标，为自动化集成商等客户提供三维机器视觉设备以及软件系统。通过与集成商合作，显扬科技的产品已成功应用于3C、食品、医药、电器、陶瓷、船舶、物流等行业。 显扬科技由香港中文大学丁克博士创建，核心团队在三维机器视觉领域有超过10年的研发经验，公司研发人员均来自海内外名校，以及华为、大疆科技等高科技企业。显扬科技在佛山、深圳、苏州、香港均设有研发与应用中心，已累计申请知识产权50余件。公司正处于高速发展阶段，已获上市公司以及政府引导基金五千万人民币投资。自成立以来，广东省委书记李希，香港特首林郑月娥，深圳市委书记王伟中等曾多次参观指导显扬科技。 欢迎对机器人、人工智能、三维机器视觉、图像处理感兴趣的伙伴加入，需要自我驱动型，追求工作的成就感和价值、敢担责、敢打仗的人才。显扬科技团队氛围友善且富有激情，公司扁平化管理，上升空间大，加薪、项目奖励、股权奖励、年终奖、生日福利、不限量零食下午茶、超A级写字楼，能力出众者，薪资面议。 三维机器视觉技术总监 工作地点： 深圳

在科研领域中，读论文大概是大家的日常基本操作了。但如何读论文，才能实现效率最大化呢？斯坦福大学教授吴恩达在斯坦福 CS230 深度学习课程中专门讲述了如何读论文，那么具体效果如何呢？本文作者以「姿态估计」为例复现了吴恩达的读论文方法，并提出了他自己的读论文小技巧，希望对大家的科研有所帮助。 选自Medium，作者：Richmond Alake，机器之心编译，参与：杜伟、小舟、魔王。 理解人工智能和机器学习领域中的前沿研究是每一位机器学习从业者应该掌握的技能。 要想实时追踪前沿研究并增加自己的知识，机器学习从业者需要养成开放的学术心态和习惯。人工智能、机器学习和深度学习领域每时每刻都在更新发展，所以我们必须用知识来武装自己，紧跟领域发展步伐，而这些只能通过读论文来实现。 但是读论文也不是盲目而就的，也需要一定的方法和流程。如果只是流水账似的通读下来，恐怕也不会有特别好的效果。 之前，斯坦福大学教授、Coursera 联合创始人吴恩达（Andrew Ng）在斯坦福 2018 年秋季 CS230 深度学习课程中就如何读论文提出了一些建议。但具体效果怎么样呢？按照吴恩达的方法是否可以充分地从论文中获取自己想要了解和掌握的知识和技能呢？ 近日，计算机科学工程师 Richmond Alake 以「姿态估计」为例，示范了吴恩达 CS230 课程的读论文方法，目前相关文章已在 Medium 获得

分布式技术是深度学习技术的加速器。 同时利用多个工作节点，分布式地、高效地训练出性能优良的神经网络模型，能够显著提高深度学习的训练效率、进一步增大其应用范围。 《首席AI架构师——分布式高性能深度学习实战培养计划》，力图从更宽的视角，梳理清楚深度学习框架、AI应用、部署上线的整个环节，让你在AI职业规划上可以多一些选择。 课程会针对 Tensorflow、Pytorch、PaddlePaddle、TNN等 框架，底层图编译优化，分布式并行计算通信优化，存储优化等， 多个方面的讲解，帮助你的更好的认识并适应新框架带来的变化，加深对框架的技术把控能力。 对课程有意向的同学 添加课程顾问小姐姐微信咨询课程 对课程有意向的同学 添加课程顾问小姐姐微信咨询课程 《首席Ai架构师 》 分布式高性能深度学习实战培养计划 对课程有意向的同学 添加课程顾问小姐姐微信咨询课程 知识拓展、更多 收获 01 专业的论文解读 在课程里，我们每1-2周会安排一篇经典论文供学员阅读，之后由老师帮助解读。 ▲节选至部分论文安排 02 行业案例分享 训练营过程中会邀请合作的专家来分享行业案例以及技术解决方案。 下面是一场源自曾博士的分享↓↓↓ 《Google YouTube 基于深度学习的视频推荐》 嘉宾简介：曾博士 计算机视觉，机器学习领域专家 先后在CVPR，ACMMM，TPAMI，SCI 期刊，EI

最近在读论文的的过程中接触到多标签分类(multi-label classification)的任务，必须要强调的是多标签（multi-label）分类任务 和 多分类(multi-class)任务的区别： 多标签分类任务 指的是一条数据 可能有一个或者多个标签 ，举个例子：比如一个病人的体检报告，它可能被标记上，高血压，高血糖等多个标签。 多分类任务 指的是一条数据 只有一个标签，但是标签有多种类别 。机器学习中比较经典的iris鸢尾花数据集就是标准的多分类任务，一条数据喂给模型，模型需判断它是3个类别中的哪一个。 这里笔者强调一下多标签分类任务的两个特点： 类别标的数量是不确定的 ，有些样本可能只有一个类标，有些样本可能存在多个类别标签。 类别标签之间可能存在相互依赖关系 ，还是拿我上述的例子来说：如果一个人患有高血压，他有心血管疾病的概率也会变大，所以高血压这个label和心血管疾病的那些labels是存在一些依赖关系的。 多标签分类算法简介 多标签分类算法比较常用的有ML-KNN、ML-DT、Rank-SVM、CML等。我就不多介绍这些基于传统机器学习的方法，感兴趣的同学可以自己去研究。这里主要介绍如何采用深度学习模型做多标签分类任务，首先我们必须明确一下多标签分类模型的输入和输出。 模型输入输出 假设我们有一个 体检疾病判断任务

点击上方“3D视觉工坊”，选择“星标” 干货第一时间送达 金磊 边策 发自 凹非寺 量子位 报道 | 公众号 QbitAI 半夜熟睡，被导师敲门叫醒……是种怎样的事。 半夜三更，威尔逊和他妻子来到邻居米尔格罗姆的家，按响了门铃。 威尔逊 ：在吗？我是威尔逊，你得诺贝尔奖了，他们联系不上你，他们没你的电话号码…… 威尔逊妻子 ：我们把你的电话号码给他们了。 米尔格罗姆 ：我得了吗？哇……额……好吧…… 威尔逊妻子 ：你会接电话的吧？ 没错，这是两位今年诺贝尔奖经济奖之间发生的真实故事，然后被全世界直播。 他们不仅是邻居，还都是斯坦福大学的教授。 以及， 威尔逊还是米尔格罗姆的老师 。 以如此有爱且有趣的方式告知消息，视频一夜之间便在网上迅速爆红。 而之所以能够拿到诺贝尔经济学奖，是因为他们对 「拍卖理论的改进和新型拍卖形式的发明」 。 正如诺贝尔颁奖词中所写： 他们运用自己的见识，为难以用传统方式出售的商品和服务，设计出新拍卖形式。他们的发现，使世界各地的卖方、买方和纳税人受益。 他们改变了拍卖 获奖的米尔格罗姆不仅是一名学者，他从事大型拍卖的设计和实践已有二十多年，他的理论在商业上取得了巨大的成功。 2006年，美国联邦通讯委员会（FCC）拍卖无线电频谱。 作为时代华纳和康卡斯特两大巨头的咨询顾问，米尔格罗姆为他们定制了博弈论软件，来帮助协助竞标者联盟。 拍卖开始时

　　机器之心报道 　　 编辑：魔王 　　 LSTM 之父、深度学习元老 Jürgen Schmidhuber 发文纪念 10 年前发表的研究。 　　Jürgen Schmidhuber 每次发博客都会引起一阵「腥风血雨」，这次似乎也不例外。 　　最近，这位机器学习大牛发布博客，纪念 10 年前发表在 Neural Computation 期刊上的一篇论文《Deep Big Simple Neural Nets Excel on Handwritten Digit Recognition》，这篇文章主要介绍通过在 GPU 上执行梯度下降来训练深度多层感知机。 　　 　　论文地址：https://www.catalyzex.com/paper/arxiv:1003.0358 　　在博客开头，Jürgen 这样评价该论文： 　　令人惊讶的是，这个简单但深层的监督式神经网络在机器学习基准数据集 MNIST 上的性能超过所有之前的方法。也就是说，在计算成本相当于今天 100 倍的 2010 年，我们提出的前馈神经网络和更早提出的循环神经网络就在当时的重要问题上打败了所有竞争算法。2010 年代，这一深度学习改革迅速从欧洲向美洲和亚洲扩展。 　　博客的具体内容如下： 　　仅仅在十年前，很多人认为深度神经网络在不进行无监督预训练的情况下无法学习。事实上，2007 年 Geoffrey

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 来源： https://urlify.cn/IFzQRb 转载自 ：GitHubDaily GitHub 镜像访问 GitHub文件加速 Github 加速下载 加速你的 Github 谷歌浏览器 GitHub 加速插件(推荐) GitHub raw 加速 GitHub + Jsdelivr 通过 Gitee 中转 fork 仓库下载 通过修改 HOSTS 文件进行加速 为什么 github 下载速度这么慢？ 如何提高 github 的下载速度？ 1. GitHub 镜像访问 这里提供两个最常用的镜像地址： https://github.com.cnpmjs.org https://hub.fastgit.org 也就是说上面的镜像就是一个克隆版的 GitHub，你可以访问上面的镜像网站，网站的内容跟 GitHub 是完整同步的镜像，然后在这个网站里面进行下载克隆等操作。 2. GitHub 文件加速 利用 Cloudflare Workers 对 github release 、archive 以及项目文件进行加速，部署无需服务器且自带CDN. https://gh.api.99988866.xyz https://g.ioiox.com 以上网站为演示站点，如无法打开可以查看开源项目：gh-proxy-GitHub

　　 　　SEMICON China 2020 的中国国际半导体技术大会 CSTIC 2020，齐聚全球重量级的半导体技术领军者，分享当前最前沿、最热门的技术愿景。 　　此次受邀的 台积电研究发展组织系统整合技术副总余振华，在会中详解让摩尔定律持续的三大先进封装技术：整合型扇出 InFO、2.5D 的 CoWoS、3D IC，以及 Chiplet 小芯片趋势的兴起。 　　 　　对于 Chiplet 小芯片近年来成为国际半导体厂、IC 设计公司的热议焦点， 余振华以三国演义的“天下大势，分久必合，合久必分”，来作为注解。 　　余振华毕业于台湾清华大学物理系，研究所转念材料，之后到美国佐治亚理工学院获得材料科学工程博士。他加入台积电超过 20 年，参与过不少“战役”，最有名一役当属 2000 年左右的 0.13 微米铜制程技术。 　　 闻名业界的铜制程战役 　　约莫 1997 年时，当时执半导体技术牛耳的 IBM，首次发表铜制程技术，在此之前半导体都是采用铝制程。 　　铜的优势是电阻系数比铝低很多，但电流流量大时，会出现电迁移（electromigration）现象，若是电阻系数够低，可以降低电迁移所导致的原子流失。 　　铜制程的另一个关键是以 Low-K Dielectric（低介电质绝缘）作为介电层的材料。铜就像是骨头，Low K 材料是肌肉一样，彼此都非常关键。 　　

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/4286781/blog/4283953