深度学习

　　目前阶段的编辑工作完全依赖AI是不现实的，让AI成为人类编辑的帮手似乎更切实可行。双方协同起来，将使工作更加高效有质量。 　　日前，微软宣布6月底拟裁撤近80名外包编辑，由AI编辑负责接下来的MSN网站的新闻抓取、排版和配图等工作。但没想到，刚到岗没多久，AI编辑就“翻车”了，而且犯了一个非常低级的错误。AI编辑在寻找配图的时候，把非裔歌手Leigh跟阿拉伯裔歌手Jade弄混了。 　　针对此次微软AI的配图错误事件，Jade也在社交媒体上表达了不满：“正常区分两个不同肤色的人有那么难吗?”为何一向以高识别率著称的AI，这次却“翻车”了? 　　解决脸盲问题需要不断扩大学习范围 　　人脸识别技术是目前AI领域公认的比较成熟的技术，圈内人士也热衷像刷分一样把人脸识别准确率屡屡刷出新高，最高的号称准确率可达99.9%。人脸识别技术有如此辉煌的战绩，为何此次AI编辑还会脸盲呢? 　　“人脸识别技术的工作原理，主要是比对五官比例以及面部特征。”天津大学智能与计算学部教授韩亚洪解释，简单说，就是基于人脸图像的大数据，先对看到的人脸图像进行预处理，提取面部各个方面的特征，并通过分层多次提取，寻找对于识别个体人脸最有效的特征表达。 　　人脸识别技术这些年已经发生了重大的变化，传统的人脸识别方法已经被基于卷积神经网络的深度学习方法替代。深度学习方法的主要优势是它们可通过大规模数据集进行训练

点击 上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 本文整理记录了旷视研究院Detection组针对视频目标跟踪与分割问题的探讨和收获，并从喜闻乐见的图像处理出发，以期更好阐述视频目标跟踪的意义。 VideoAnalyst开源代码： https://github.com/MegviiDetection/video_analyst 自然图像的物体实例模式识别任务，比如人脸识别、人体解析和场景关系识别，其整体思路大多采用局部定位再分而治之，即先使用检测算法定位图像中的目标个体，再针对其做相对应处理；此时，图像处理的实例即是一个个局部区域（空间位置）。 同样，视频的实例处理对象自然成了每个目标物体的tracklet(实例对象在每一帧上的空间位置)。如何获取每个实例对象在时空上的tracklet，也就是追踪技术，就成了视频对象处理的基础技术之一。在广义的单目标跟踪中，不再限制跟踪目标的类别，仅仅以初始帧给出的目标为准进行跟踪。 SiamFC++算法 单目标跟踪的性能其实主要依靠特征对比和逻辑推理。 特征对比是多数工作的主流方向，因为在已知第一帧目标图像前提下，定位下一帧目标位置的最直观方法是把下一帧图像以滑动窗为单位（或者以物体proposal为单位）与目标图像特征进行比对，特征最相近便认为是目标物体。 但是，现有的特征提取器、传统特征提取方法或者卷积神经网络

目标检测问题定义 挑战使得有研究的价值 检测出目标还要对其分类 矩形框边的数字类别的置信度 一张图片输入对所属的类别进行分类 C语义分割，d是实例分割，实例分割比语义分割更精细，三个cube不同的颜色不同，更关注于像素级别 b目标检测定位其位置，以矩形的四个点表示，上采样或反卷积 02-02 目标检测问题方法 传统手动设计特征，结合滑动窗口，进行目标检测和定位 传统的问题 特征很难设计，有很多问题，对某些特征不能用，效率很低 滑动窗口的流程很繁琐 DPM非深度学习中效果中很好，传统的方法很成功的案例 02-03 传统目标检测方法基本流程，整个的综述 来源： oschina 链接： https://my.oschina.net/u/4365856/blog/4288136

　　 　　作者 | 青暮、陈彩娴 　　编辑 | 陈彩娴 　　今天，刘云浩教授万字回复学生2000个问题的帖子引起了极大关注。 　　 　　2020年8月的第一周，清华大学暑期学校在荷塘·雨课堂上“云开学”。刘云浩教授如期而至，为同学们作了题为《What is the role of AI Tomorrow?——人工智能打开了潘多拉的盒子吗？》的专业认知讲座。 　　刘教授就学生所提问的关于AI的技术发展现状与应用、AI与人类社会之间的博弈、AI哲学与人文伦理、AI的未来等问题进行了梳理与耐心回答。除了基础的AI技术知识，我们发现刘老师就人工智能与人类社会的相互影响方面作出了大篇幅回答，其话语可谓文理贯通，循循善诱。 　　谈及刘云浩教授的传奇人生，那些显赫的头衔与耀眼的荣誉或许离大部分人来说都太遥远：密歇根州立大学与清华大学教授、ACM主席奖首位华人获得者、“青千”、“杰青”、长江学者、ACM Fellow、IEEE Fellow...除去卓越的科研成就，刘云浩之所以为人称道，还在于他的跨学科教育经历、“接地气”的行事风格与亲切有趣的师风师貌。 　　 　　除了讲座期间刘老师当场回复的问题之外，还收到了包括弹幕在内的2000多个提问。 刘云浩教授经过选择、合并、归纳成了92个问题，写了近3万字回复。 　　类似的事情刘云浩教授之前也做过。连续几年参加完暑期学校的讲座之后，同学们提出的问题

　　 人类历史经历了农业、工业和信息革命，现在正处于人工智能革命的进程之中。 　　对此，中国计算机学会高性能计算专业委员会秘书长，中科院计算所研究员张云泉博士在接受 DeepTech 采访时表示：“ 农业社会靠体力，工业社会靠机器，信息社会靠互联网，而人工智能社会要靠 ‘算力’，谁能占领 ‘算力’ 的制高点，谁就有了引领社会发展的基础。 ” 　　因此，代表算力巅峰的 “超级计算机” 就显得至关重要。 　　上月，最新的全球超级计算机 TOP500 发布，榜单显示有高达 45.2% 的计算机来自中国，且中国超算占全球在榜总算力的 25.6%。 　　在我们为此高兴的同时，日本超级计算机 “富岳”（Fugaku）首次上榜即荣登榜首的消息，也让不少国人感到了压力，认为中国超算又落后于人，可事实真的如此吗？ 　　张云泉向 DeepTech 作出了如下结论： 富岳以半 E 级（算力 ＞ 1000 PFlops）超算的未完成形态冲榜，旨在打中美 E 级超算一个时间差，短期成为 “独孤求败”，但等到年底或明年，中美超算一出，就会变成 “独孤必败” 。 　　2021 年是业内公认的 E 级超算元年，中国已有神威、天河 3 号、曙光三条不同技术路线的 E 级原型机交付，如今正向顶峰进击。 　　 榜单上的中国 　　中国超算的起步并不算晚，有这样一个 “玻璃房子” 的故事一直被人们提起。 　　上世纪 80

简介： 我和田亮的交流耗时较久，甚至用上了他出差的所有碎片时间，而他的回答始终谨慎、认真、高效。历任搜狐、阿里巴巴、新浪微博，10年如一日始终深耕大数据领域，阿里云 MVP田亮能在百舸争流中成为大数据和人工智能领域的佼佼者，似乎也就不奇怪了。 以下为田亮的专访内容，推荐阅读（约5分钟）。 兴趣导向职业，信心坚定抉择 在读研期间我就深深痴迷于大数据这个领域，与几个同学一起做了很多这方面的应用实践，大数据是一个机遇与挑战共存的方向，毕业时我就坚定了这个择业目标，整个职业履历也聚焦在分布式计算系统、大数据云计算平台以及机器学习算法与AI。 以我个人对大数据10年的研究来说，大数据变革可以分上下两半场，前5年聚焦在云计算基础设施方面，企业级应用从自建到逐步迁云，技术选型上摆脱IOE的垄断，有了新的技术思路与选择。后5年聚焦在大数据的应用场景上，企业级数据应用不再是大数据变革的目标，而是更多地渗透到人们日常生活中，改变大家的生活方式，甚至未来社会经济发展的模式。 大家都知道大数据与云计算是密不可分的共同体，大数据促使云计算迭代，云计算支撑着大数据业务的落地与发展。随着移动互联网的高速发展，每日数据增长达到几何级别，这对大数据计算提出了前所未有的挑战，包括研发效率，运维成本，数据安全，容灾等环节。于是我们尝试寻找更具性价比的优化方案，同时积极调研下一代大数据计算解决方案

2020年6月23日，鲲云科技在深圳举行产品发布会，发布全球首款数据流AI芯片CAISA，定位于高性能AI推理，已完成量产。鲲云通过自主研发的数据流技术在芯片实测算力上实现了技术突破，较同类产品在芯片利用率上提升了最高11.6倍。第三方测试数据显示仅用1/3的峰值算力，CAISA芯片可以实现英伟达T4最高3.91倍的实测性能。 鲲云科技创始人和CEO牛昕宇博士表示，超越英伟达的，不会是另一款GPU，而鲲云定制数据流技术不依靠更大的芯片面积和制程工艺，通过数据流动控制计算顺序来提升实测性能，为用户提供了更高的算力性价比。 超高芯片利用率，定制数据流芯片架构完成3.0升级 此次发布的CAISA芯片采用鲲云自研的定制数据流芯片架构CAISA 3.0，相较于上一代芯片架构，CAISA 3.0在架构效率和实测性能方面有了大幅的提升，并在算子支持上更加通用，支持绝大多数神经网络模型快速实现检测、分类和语义分割部署。 CAISA3.0在多引擎支持上提供了4倍更高的并行度选择，架构的可拓展性大大提高，在AI芯片内，每一个CAISA都可以同时处理AI工作负载，进一步提升了CAISA架构的性能，在峰值算力提升6倍的同时保持了高达95.4%的芯片利用率，实测性能线性提升。同时新一代CAISA架构对编译器RainBuilder的支持更加友好，软硬件协作进一步优化，在系统级别上为用户提供更好的端到端性能。

AI：2020北京智源大会演讲分享之如何学习深度学习 目录 如何学习深度学习 如何学习深度学习 来源： oschina 链接： https://my.oschina.net/u/4273871/blog/4319085

自数字孪生定义提出至今，数字孪生技术在持续迅速演变，不论是对商品的设计、制造还是服务，都造成了极大的促进功效。 一、智能制造发展三大关键趋势 （一）数字化到网络化再到智能化推动智能制造范式演变 广义而论，智能制造是一个大定义，是先进制造技术与新一代信息科技的紧密结合，围绕于商品、制造、服务项目生命周期的重要环节及制造信息系统集成，完成制造的数字化、网络化、智能化，持续提高企业的产品品质、经济效益、服务质量，促进制造业自主创新、绿色、融洽、开放、区域协调发展。数十年来，智能制造在实践活动演变中产生了很多不一样的模式，包含精益生产管理、柔性制造、并行工程、灵巧制造、数字化制造、电子计算机集成化制造、数字化制造、云制造、智能化制造等，在引导制造业智能转型发展中充分发挥了积极功效。面临智能制造层出不穷的新技术、新思想、新模式，综合早已出现的智能制造有关模式，通过汇总梳理，能够综合为三种基础模式，即数字化、网络化、智能化。 三种基础模式次第进行、迭代升级。一方面，三种基础模式反映着国际上智能制造发展史中的三个环节；另一方面，对中国来讲，务必充分发挥后发优势，采用三个基础模式“并行推动、融合发展”的技术方案。 （二）柔性化生产要求猛增推动制造过程硬件软件深层协作 我国是制造业强国，但是面临国际上制造业“双向回流”的局势，怎样提高我国制造业柔性生产水准，将决定我国本土留存中高档制造水平的多少。

　　选自huyenchip.com 　　 作者：Chip Huyen 　　 机器之心编译 　　 参与：泽南、小舟、杜伟 　　 在 LinkedIn 上，很多你申请的机器学习职位都有超过 200 名竞争者。在 AI 工具上人们也有这么多选择吗？ 　　为了完整了解机器学习技术应用的现状，毕业于斯坦福大学，曾就职于英伟达的工程师 Chip Huyen 决定评测目前市面上所有能找到的 AI / 机器学习工具。 　　在搜索各类深度学习全栈工具列表，接受人们的推荐之后，作者筛选出了 202 个较为热门的工具进行评测。最近，她的统计结果让机器学习社区感到有些惊讶。 　　 　　首先要注意的是： 　　这一列表是在 2019 年 11 月列出的，最近开源社区可能会有新工具出现。 　　有些科技巨头的工具列表庞大，无法一一列举，比如 AWS 就已经提供了超过 165 种机器学习工具。 　　有些创业公司已经消失，其提出的工具不为人们所知。 　　作者认为泛化机器学习的生产流程包括 4 个步骤： 　　项目设置 　　数据 pipeline 　　建模和训练 　　服务 　　作者依据所支持的工作步骤将工具进行分类。项目设置这一步没有算在内，因为它需要项目管理工具，而不是机器学习工具。由于一种工具可能不止用于一个步骤，所以分类并不简单。「我们突破了数据科学的极限」，「将 AI 项目转变为现实世界的商务成果」，