深度学习

唱作俱佳，腾讯AI艾灵领唱中国新儿歌 今年六一儿童节，腾讯联合北京荷风艺术基金会发起“腾讯荷风艺术行动”，给孩子们送上两份礼物，为音乐美学中国素质教育的发展做出贡献。 其中一份就是由首席儿歌守护唱作人，青年演员歌手王俊凯与雄安孩子，以及腾讯AI数字人艾灵共同演绎的新歌《点亮》。这份礼物被以特别的方式呈现：在H5互动里，每个人都可以轻松召唤AI艾灵，创作你的专属MV——给几个关键词，艾灵就能为你创作专属歌词，并和王俊凯一起唱给你听。 H5演示视频——推荐使用竖版 https://share.weiyun.com/15lbGUGn 在互动里，唱作俱佳的AI数字人艾灵已搭乘互联网来到每个人面前，她不仅能作词，还能用近乎真人的声线演唱，加上用多模态智能技术搭建的数字躯体，绝对是令你难忘的全能型虚拟歌手。 心动了吗？扫描下方二维码或点击“阅读原文”，制作一个你的新歌mv。 怎么样？是不是高音甜、中音准、低音稳？AI艾灵源自腾讯 AI Lab 的实验探索性技术项目—— AI 数字人（Digital Human） 。项目的目标是把计算机视觉、语音/歌声合成和转换、图像/视频合成和迁移、自然语言理解等多模态 AI 能力与技术深度融合，生成清晰、流畅、高质的可交互内容，打造高拟人度的智能数字人，推进 AI 在虚拟偶像、虚拟助理、在线教育、数字内容生成等领域的应用。 AI

hi各位大佬好， 在 Youtube召回 的items去重计算中，发现直接用set后得到的 HR 不对，相差很大，卧槽，发生了什么啊？？ For Video Recommendation in Deep learning QQ Group 277356808 For Visual in deep learning QQ Group 629530787 I'm here waiting for you 后来发现去重直接用set是不对的，顺序变了，特别是都是字符串的去重，顺序更乱了，所以结果不对了。 下面复现结果， kk=[str(i) for i in range(100)]+[str(j) for j in range(-30,40)]+['a','n','cv','k','s','a'] kk2=list(set(kk)) print(kk2) ['26', '43', '99', '86', '74', '66', '-10', '72', '-4', '90', '36', '51', '60', '4', '-28', '80', '83', '6', '71', '27', '20', '59', '-22', '45', '22 来源： oschina 链接： https://my.oschina.net/u/4281209/blog/4484688

​受益于人工智能技术的快速发展，智慧安防得到越来越广泛的应用。 在计算机视觉、语音识别等多项AI技术的加持下，智慧安防实现了对人脸、指纹、虹膜、掌纹、指静脉、声纹、步态等多种生物特征的身份识别。 在实际的应用场景中，AI技术还可对公安大数据进行智能分析，切实提升其认知、预测与决策等相关能力。 不过，尽管智慧安防在多个场景实现了商业级别的应用，但是总体上仍处于起步阶段，当前智慧安防还存在以下三个方面的问题： 一是目前人类科学对人类智能的本质和运作机制的理解并不透彻;二是深度学习算法技术瓶颈逐渐凸显，大规模深度学习无法进一步提升模式识别的能力;三是安防领域的数据更多的是以视频、图片、音频等非结构化形式存在，需要经过结构化处理才能打通应用。 为了进一步提升智慧安防应用的适用性，推动智慧安防从被动防御向主动预警发展，核心点是提高数据处理的速度与效率，解决深度学习下算法对于结构化数据集的需求，这就需要数据标注行业提供更深度的支持。 智慧安防领域，数据标注主要应用于计算机视觉与语音识别两个主要领域。 1.计算机视觉 在智慧安防不断推进的过程中，生物识别技术已经越来越成熟，在日常监控、出入境管理、刑事案件侦查中都有着广泛的应用，而这些应用的背后离不开数据标注技术的支持。 数据标注实现了对训练图片中人物的性别、年龄、肤色、表情、头发以及是否戴帽戴眼镜等的分类标注，为深度学习提供了海量的数据集

　　 作者：张雨嘉 　　 编辑：Joni 　　 本文主要介绍与用户和厨房交互的烹饪机器人：多模态的烹饪辅助、自学习菜谱的系统以及以人为反馈的优化烹饪方法。 　　在人们对未来生活的幻想中，「自动化」占据非常大的比重。除了已经有的家居自动化、办公自动化外，烹饪自动化可以说是 90 后、00 后的一个福音。 　　烹饪机器人的研究，多数以日本的研究者为主，比如日本的 Ogura 等人 [1] 开发了一个机器人系统，可以用多种方式切菜。Kormushev 等人 [2] 在 2010 年 IEEE 上的 Robot Motor Skill Coordination with EM-based Reinforcement Learning 论文中提出了一种向机器人传授翻转煎饼的方法，并通过强化学习来改善动作准确率。 　　作为一个整合的系统，Yamaguchi 总结了烹饪机器人在不同部分的难点和挑战：一是如何正确操作可形变物体（如敲鸡蛋、剥香蕉等），这需要对物体建立具有鲁棒性的动力学模型；二是为了使用多种烹饪技能，机器人必须具备一个灵巧的机械手并会像人类学习；最后我们的目的是制作美味的食物，所以机器人也得具备强大的触觉、味觉或特殊用途传感器，以优化烹饪过程。 　　但该文没有提到的是，通过我们的日常经验可以知道，烹饪不同于利用机械臂装配，它并不是一种标准化的过程。不同的人有不同的烹饪技巧和烹饪风格

OneFlow 是什么？ OneFlow 是开源的、采用全新架构设计，世界领先的工业级通用深度学习框架。特点包括： 分布式训练全新体验，多机多卡如单机单卡一样简单 完美契合一站式平台(k8s + docker) 原生支持超大模型 近零运行时开销、线性加速比 灵活支持多种深度学习编译器 自动混合精度 中立开放，合作面广 持续完善的算子集、模型库 更多参考： OneFlow特点与机器学习的未来 OneFlow官方在线文档的 github仓库 OneFlow在线文档： http://docs.oneflow.org/ BenchMark项目： https://github.com/Oneflow-Inc/OneFlow-Benchmark API项目： https://github.com/Oneflow-Inc/oneflow-api 在线文档不仅有 OneFlow系统设计 的介绍，还包括以下模块： 【 首页】 【 快速上手】 【基础专题】 【拓展专题】 【高级应用实例】 【API】 【OneFlow开源计划】 本仓库包含中文文档和英文文档，分别存放于cn、en文件夹下，文档目录结构树： . ├── quick_start 快速上手 ├── basics_topics 基础专题 ├── extended_topics 拓展专题 ├── code 文档示例代码 │ ├── basics

代码仓库: https://github.com/brandonlyg/cute-dl (转载请注明出处!) 目标 上个阶段使用MLP模型在在MNIST数据集上实现了92%左右的准确率，达到了tensorflow同等模型的水平。这个阶段要让cute-dl框架支持最简单的卷积神经网络, 并在MNIST和CIFA10数据上验证，具体来说要达到如下目标: 添加2D卷积层。 添加2D最大池化层。 CNN模型在MNIST数据集上达到99%以上的准确率。 CNN模型在CIFA10数据集上达到70%以上在准确率。 卷积层的设计和实现 卷积运算 卷积运算有两个关键要素: 卷积核(过滤器), 卷积运算步长。如果卷积运算的目标是二维的那么卷积核可以用矩阵表示，卷积运算步长可以用二维向量。例如用kernel_size=(3,3)表示卷积核的尺寸，strides=(1,1)表示卷积运算的步长, 假如卷积核是这样的: 可以把它看成 \(R^{3 X 3}\) 矩阵。在步长strides=(1,1)的情况下卷积运算如下所示: 其中 \[\begin{matrix} 128*0 + 97*1 + 53*0 + 35*1 + 22*0 + 25*1 + 37*0 + 24*1 + 28 * 0 = 181 \\ 97*0 + 53*1 + 201*0 + 22*1 + 25*0 + 200*1 + 24*0 +

　　机器之心报道 　　 参与：蛋酱、张倩 　　 人生没有固定的答案，但Chris Olah的道路，不一定适合所有人。 　　 　　假如你年纪轻轻，就有机会进入顶尖的 AI 公司，时常和业内大佬「谈笑风生」，你还会回到大学，努力通过所有考试，去获得一张本科文凭吗？ 　　人们都听说过很多辍学创业、一战成名的传奇故事，比尔盖茨、乔布斯、扎克伯格…… 一些没有完成大学学业的年轻人，最终在商业上都取得了巨大成功，这也曾让「大学无用论」等观点甚嚣尘上。 　　上大学还是不上大学，怎么选？ 　　18 岁辍学、22 岁进谷歌，有着类似经历的「神童」Chris Olah 在一篇博客里，写出了自己的心声。他认为，与其去问「上大学好不好」，还不如问自己：「是否有更具吸引力的事情等着我去做？」 　　Chris Olah 的生活经历和常人不同，在刚刚开始进行深度学习研究的时候，他就得到了知名学者、量子物理学家 Michael Nielsen 的指导。2013 年，图灵奖得主 Yoshua Bengio 曾邀请他去 MILA，并设法让他在没有本科学位的情况下直接作为研究生完成学业，但最终 Chris Olah 拒绝了。在谷歌的时候，他是 Jeff Dean 的实习生。后来在 Greg Corrado 的帮助下，他转为了谷歌的正式员工。目前，他正担任 OpenAI 的研究科学家，也不过才 28 岁而已。 　　当然

　　自2009年深度学习崛起以来，第三波人工智能浪潮席卷全球，推动了新一波技术革命。 　　在这波澜壮阔的11年，我们见证了技术突破、应用创新与产业变革。 　　技术上，深度学习首先带来计算机视觉、语音识别等领域的突破，让机器识别的准确率一步步突破人类水平；在应用上，深度学习、强化学习、联邦学习等学习范式在安防、游戏、金融等不同场景带来新的创新。人工智能技术，在这些领域由点到面的落地应用，逐步推动着整个产业的变革。 　　技术变革，需要不断的推陈出新。在这11年中，如果说前半期是深度学习的时代，那么近年来我们能够看到更多不同的概念继续推动这人工智能的发展：符号主义、因果关系、联邦学习，等等。 　　2020年，是一个十年的结束，也是下一个十年的开始。 　　在未来的十年，人工智能技术将如何发展？如何推动AI技术在医疗、交通等领域的落地应用？如何构建AI基础设置、规范AI伦理，都是当前人工智能领域亟待解决的问题。 　　依托北京在人工智能领域的科研和人才优势，第二届北京智源大会将于6月21-24日线上开幕。 　　此届大会围绕技术、应用、基础设施等话题，广泛邀请国内外人工智能领域的顶级专家学者，探索人工智能前沿科技发展趋势，对人工智能基础研究发展现状及面临的机遇和挑战、人工智能技术未来发展的核心方向等话题展开分享与讨论。本届大会主席由智源研究院理事长、源码资本投资合伙人 张宏江

机器学习算法（一）————基于逻辑回归的分类预测（Demo实践） 逻辑回归的介绍和应用 逻辑回归的介绍 逻辑回归的应用 算法实践 库函数导入 模型训练 模型参数查看 数据和模型可视化 模型预测 逻辑回归的介绍和应用 逻辑回归的介绍 逻辑回归（Logistic regression，简称LR）虽然其中带有"回归"两个字，但逻辑回归其实是一个分类模型，并且广泛应用于各个领域之中。虽然现在深度学习相对于这些传统方法更为火热，但实则这些传统方法由于其独特的优势依然广泛应用于各个领域中。而对于逻辑回归而且，最为突出的两点就是其模型简单和模型的可解释性强。 逻辑回归模型的优劣势: 优点：实现简单，易于理解和实现；计算代价不高，速度很快，存储资源低； 缺点：容易欠拟合，分类精度可能不高 逻辑回归的应用 逻辑回归模型广泛用于各个领域，包括机器学习，大多数医学领域和社会科学。 例如，最初由Boyd 等人开发的创伤和损伤严重度评分（TRISS）被广泛用于预测受伤患者的死亡率，使用逻辑回归 基于观察到的患者特征（年龄，性别，体重指数,各种血液检查的结果等）分析预测发生特定疾病（例如糖尿病，冠心病）的风险。 逻辑回归模型也用于预测在给定的过程中，系统或产品的故障的可能性。还用于市场营销应用程序，例如预测客户购买产品或中止订购的倾向等。在经济学中它可以用来预测一个人选择进入劳动力市场的可能性

香港中文大学（深圳）的深圳市大数据研究院 SRIBD 正在招收访问学生及研究助理，从事医疗图像及计算机视觉方向的研究，表现优秀者有机会被优先录取为香港中文大学（深圳）的博士研究生。有关信息如下： 1) 研究内容包括发表科研论文、或参加有影响力的学术竞赛 2) 导师会一对一地指导每个学生，去完成他们作为第一作者的学术论文 3) 导师会就论文选题、算法设计、实验技巧、编程实现、论文写作等方面提供具体指导，并教授必要的计算机视觉和图像处理的基础知识 4) 导师会根据学生的实际表现撰写推荐信，协助学生后续的升学和就业 5) 研究院会发放充足的补助/薪水，确保覆盖并超过在港中文深圳日常需要的住宿费、伙食费、生活费 6) 研究院提供支持多显卡、大内存、高速读写的计算集群 对访问学生及研究助理要求如下： 1) 访问学生应为在读本科生、在读硕士生或在读博士生，优先考虑在读本科生和在读硕士生 2) 研究助理应已通过本科或以上学位的毕业答辩，可为应届生或往届生，要求全职在岗工作 3) 理科、工科或医科专业背景均可，非计算机专业请在简历中列举完成的与编程、算法、计算机科学、计算机视觉等相关的课程 4) 有编程经验，有深度学习或计算机视觉或医学工程经验优先；若无相关经验，则要求有较好的计算机科学、算法或数学基础，以及较强的学习能力 5) 在编程比赛或者kaggle等数据科学比赛中成绩优秀者加分