深度学习

截至2019年底，我国人工智能核心产业的规模超过510亿元，人工智能企业超过2600家。与此同时，AI+制造、交通、商圈、文旅、政务、园区、金融等一批应用场景也在全力打造中。不少人工智能企业正紧抓“AI+新型基建”的契机展开卡位赛。我国逐步走出了一条由需求导向引领商业模式创新、市场应用倒逼基础理论和关键技术创新的发展路径。 几年前还经常存在于新闻或者故事中的人工智能技术，现如今已普遍走进的我们的生产生活中，比如手机中的智能语音助手、解锁时的人脸识别等。 在今年突发新冠肺炎疫情期间，人工智能技术在抗疫过程中发挥着重要作用，产业发展明显提速。人工智能测温结合人脸检测和红外热成像技术，通过精确定位人脸满足“大规模人群”的远距离测温，实现快速、大面积安全排查，提升效率、节约人力的同时还大大降低一线工作人员被感染的风险；智能机器人承担部分预诊、巡房、递送、消毒等大量简单却又耗力的流程化工作，减少医护人员工作量、降低医患交叉感染风险，同时也节约了医疗资源；肺炎诊断人工智能系统平台能够快速响应并给出诊断报告，帮助医生更快排查筛选“高度疑似肺炎患者”，减少患者的排队时间和院内交叉感染的风险；“智能语音外呼平台”帮助基层社区开展疫情排查等工作。一对一电话呼叫、收集信息、形成报告，一小时最多可外呼5000个以上的电 号 ，效率超人工1000倍；科技公司向科学家开放AI算法资源，大大提升了病毒分析

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！ 光动嘴不用出声，AI自动给你合成语音。 这就是来自印度信息技术研究所（IIIT）的黑科技——一个名为Lip2Wav的AI程序。 Lip2Wav可以学习个体的说话方式，并且实现准确的唇语合成。 △示例 值得注意的是，Lip2Wav和B站那些机械风格的鬼畜调音不一样。 这个AI效果炸裂，你几乎感觉不到是机器配音，就像人类在发言一样。 真实效果可以参见他们发布在油管的视频。 毕竟涉及到语音效果，光看文字是感觉不完整的。 另外，不要用来做坏事哟。 这是怎么实现的？ 目前工业界普遍使用的唇语到语音/文本的数据集有两种。 一种是小规模的、受约束的词汇数据集，如GRID和TCD-TIMIT数据集，还有一种是无约束、开源的多人词汇数据集，如LRS2、LRW和LRS3数据集。 这些数据集前者存在数量不足，不足以模拟真实环境的问题，后者问题在于适用对象过于宽泛，个性化特征不够鲜明。 基于上述问题，作者提出新的思路，步骤如下： 1、准备数据。 准备针对个人的语音、视频大量数据，这是Lip2Wav的第一个显著特点，增加数据量来增强模型的拟合效果。 △5个演讲者 作者为Lip2Wav准备的数据集包含了5位演讲者的演说视频，这些视频包括国际象棋分析、化学课程、深度学习课程等类型。

零基础Python学习路线及阶段学习目标，首先应该夯实Python核心基础、Web前端编程、Django开发框架、Flask开发框架、爬虫与数据分析等知识，理解机器学习相关的基本概念及系统处理流程。 零基础Python学习路线及阶段学习目标： 阶段一、Python核心基础 1、Python编程基础，语法规则，函数与参数，数据类型，模块与包，文件IO，培养扎实的Python编程基本功，同时对Python核心对象和库的编程有熟练的运用。 2、Python面向对象，核心对象，异常处理，多线程，网络编程，深入理解面向对象编程，异常处理机制，多线程原理，网络协议知识，并熟练运用于项目中。 3、类的原理，MetaClass，下划线的特殊方法，递归，魔术方法，反射，迭代器，装饰器，UnitTest，Mock。深入理解面向对象底层原理，掌握Python开发高级进阶技术，理解单元测试技术。 4、数据库知识，范式，MySQL配置，命令，建库建表，数据的增删改查，约束，视图，存储过程，函数，触发器，事务，游标，PDBC，深入理解数据库管理系统通用知识及MySQL数据库的使用与管理。为Python后台开发打下坚实基础。 5、Linux安装配置，文件目录操作，VI命令，管理，用户与权限，环境配置，Docker，Shell编程Linux作为一个主流的服务器操作系统，是每一个开发工程师必须掌握的重点技术

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/4294583/blog/4285129

最后更新时间: 2020-07-24 00:41 Show HN: TinyPilot – Build a KVM over IP for Under $100 Using a Raspberry Pi - (mtlynch.io) 展示HN:TinyPilot–使用覆盆子Pi以低于100美元的价格在IP上构建一个KVM 得分:167 | 评论:87 Cognitect Joins Nubank - (cognitect.com) Cognitect连接Nubank 得分:346 | 评论:125 The History, Status, and Future of FPGAs - (acm.org) 燃料电池板的历史、现状和未来 得分:45 | 评论:30 How Inuit Parents Teach Kids to Control Their Anger - (npr.org) 因纽特父母如何教孩子控制愤怒 得分:36 | 评论:4 Launch HN: Sidekick (YC S20) – A new hardware device to connect remote teams 推出HN:助手(YC S20)——一种连接远程团队的新硬件设备 得分:36 | 评论:24 1SecondPainting: Generate abstract paintings in one

前言 神经网络 是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应”.我们在机器学习中谈论神经网络时指的是“神经网络学习”，或者说，是机器学习与神经网络这两个学科领域的衣叉部分。 文章目录 前言 1. 神经元模型 2. 感知机与多层网络 2.1感知机 2.2 多层神经网络 3. 误差逆传播算法 4. 全局最小与局部极小 5. 其他常见神经网络 5.1 RBF网络 5.2 ART网络 5.3 SOM 网络 5.4 级联相关网络 5.5 Elman网络 1. 神经元模型 神经网络中最基本的成分是 神经元(neuron)模型 ，即上述定义中的“ 简单单元 ”。在生物神经网络中，每个神经元与其他神经元相连，当它“兴奋”时，就会向相连的神经元发送 化学物质 ，从而改变这些神经元内的电位；如果某神经元的电位超过了一个“ 阈值”(threshold), 那么它就会被激活，即“兴奋”起来,向其他神经元发送化学物质。 1943年，将上还情形抽象为下图所示的简单模型，这就是一直沿用至今的 “M-P神经元模型” 。在这个模型中，神经元接收到来自 n 个其他神经元传递过来的输入信号，这些输入信号通过带权重的连接(connection)进行传递，神经元接收到的 总输入值 将与神经元的 阈值 进行比较，然后通过“ 激活函数 ”(activation

1. Model Log 介绍 Model Log 是一款基于 Python3 的轻量级机器学习(Machine Learning)、深度学习(Deep Learning)模型训练评估指标可视化工具，与 TensorFlow、Pytorch、PaddlePaddle结合使用，可以记录模型训练过程当中的 超参数、Loss、Accuracy、Precision、F1值等，并以曲线图的形式进行展现对比 ，轻松三步即可实现。 GitHub项目地址： https://github.com/NLP-LOVE/Model_Log 通过调节超参数的方式多次训练模型，并使用 Model Log 工具进行记录，可以很直观的进行模型对比，堪称调参神器。以下是使用工具后模型训练时 Loss 的变化曲线图。访问线上体验版： http://mantchs.com/model_log.html 通过上图可以很清晰的看出两个模型的训练效果，而且在表格当中高亮显示修改过的超参数，方便进行模型分析。 2. Model Log 特性 轻量级、无需任何配置、极简API、开箱即用。 只需要把模型的超参数和评估指标数据通过API添加即可，轻松三步即可实现。 高亮显示修改过的超参数，方便进行模型分析。 自动检测和获取正在训练的模型数据，并进行可视化，无需人工参与。 使用 SQLite 轻量级本地数据库存储，可供多个用户同时使用

​作为深度学习小白一枚，从一开始摸索如何使用深度学习框架，怎么让脚本跑起来，到现在开始逐步读懂论文，看懂模型的网络结构，按照 飞桨 官方文档进行各种模型训练和部署，整个过程遇到了无数问题。非常感谢 飞桨 开源社区的大力支持，并热情答复我遇到的各种问题，使得我可以快速上手。特整理本篇学习笔记，以此回馈网友们的无私付出。大家都共享一点点，一起为深度学习的推进添砖加瓦（哈哈，非常正能量，有木有！） 这篇文章详细记录了如何使用百度深度学习平台—— 飞桨 进行SSD目标检测模型的训练、以及如何将模型部署到服务器和移动端。文末给出了笔者认为非常有用的资料链接。 下载安装命令 ## CPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle ## GPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpu 本文的代码基于百度AI Studio官方示例代码，并能够在 飞桨 1.7.1上跑通，Python版本是3.7。 SSD模型介绍 如果你对经典的CNN模型比较熟悉的话，那么SSD也并不难理解。SSD大体上来说是 将图片分为6种不同大小的网格，找到目标中心的落点，确定物体的位置

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！ 前 言 当前，全球新一轮科技革命和产业变革正在加速演进，人工智能（AI）、VR/AR、三维（3D）媒体和物联网等新一代信息通信技术的广泛应用产生了巨大的传输数据。 资料显示，2010年全球移动数据流量为7.462 EB /月，而到2030年，这一数字将达到5016 EB /月，移动数据流量的快速增长对移动通信系统的迭代提出了更高的要求。 此外，在制造、交通、教育、医疗和商业等社会的各个领域，智能化正成为不可逆的趋势。为了实现智慧城市的愿景，数百万个传感器将被嵌入到城市中的车辆、楼房、工厂、道路、家居和其他环境中，需要具有可靠连接性的无线高速通信方式来支持这些应用。 随着通信需求的提升，移动通信从1G逐步发展至现在的5G，并且5G已经在全球范围内开始大规模部署。 5G与4G相比，能够提供新功能并实现更好的服务质量（QoS）。尽管如此，以数据为中心的智能化系统的快速增长对5G无线系统的能力带来了巨大挑战。例如要保证虚拟现实（VR）设备良好的用户体验，至少需要10 Gbps的数据速率，这已经是超越5G（B5G）后才能实现的目标。 为了克服5G应对新挑战的性能限制，需要开发具有新功能特性的6G无线系统。 一方面，6G要实现对传统蜂窝网络所有功能的融合，例如支持网络致密化、高吞吐量

cs224u 监督情感分析：稠密特征表示与神经网络（1) __author__ = "Christopher Potts" __version__ = "CS224u, Stanford, Spring 2020" 本文系列篇探索斯坦福情感树库的递归神经网络（RNN）分类器和树结构神经网络（TreeNN）分类器。 •对于RNN，每个词都是建模的，其与其他词的顺序关系也是建模的。 •对于TreeNN，对句子的整个解析结构进行建模。 导入库 from collections import Counter import numpy as np import os import pandas as pd from np_rnn_classifier import RNNClassifier from np_tree_nn import TreeNN from sklearn.linear_model import LogisticRegression from sklearn.metrics import classification_report from torch_rnn_classifier import TorchRNNClassifier from torch_tree_nn import TorchTreeNN import sst import vsm import