深度学习

ABBYY推出了NeoML，这是一个用于构建，培训和部署机器学习模型的开源库。NeoML 现已发布到GitHub（https://github.com/neoml-lib），支持深度学习和传统机器学习算法。 跨平台框架针对在云环境，台式机和移动设备上运行的应用程序进行了优化。较高的推理速度与平台独立性的结合使该库成为需要无缝客户体验和设备上数据处理的移动解决方案的理想选择。 开发人员可以使用NeoML来构建，训练和部署用于对象识别，分类，语义分段，验证和预测建模的模型，以实现各种业务目标。例如，银行可以开发模型来管理信用风险并预测客户流失，电信公司可以分析营销活动，零售和快速消费品（F MCG）的表现，可以通过面部识别和数据验证来建立远程客户识别。该框架的主要优势之一是其对可用云资源的有效利用。 NeoML被设计为一种通用工具，用于处理和分析各种格式的数据，包括文本，图像，视频和其他格式。它支持C ++，Java和Objective-C编程语言; Python将很快添加。 NeoML的神经网络模型支持100多种层类型。它还提供20多种传统ML算法，例如分类，回归和聚类框架。该库是完全跨平台的-可在包括Windows，Linux，macOS，iOS和Android在内的所有流行操作系统上运行的单一代码库-并且针对CPU和GPU处理器进行了优化。 “

在上一篇文章中，我们已经对心电信号进行了预处理，将含有噪声的信号变得平滑，以便分类。本篇文章我们将正式开始利用深度学习对心电信号进行分类识别。 卷积神经网络 不论是传统机器学习，还是深度学习，分类的依据都是不同类别的数据中包含的不同特征。要进行分类识别就需要对数据的特征进行提取，但是二者的提取方式并不相同。对于传统的机器学习而言，数据的特征需要设计者或专业人员针对其特性进行手动提取，而深度学习则可以自动提取每类数据中的不同特征。对于卷积神经网络CNN而言，能够自动提取特征的关键在于卷积操作。经过卷积操作提取的特征往往会有冗余，并且多次卷积会使神经网络的参数过多不便于训练，所以CNN往往会在卷积层的后面跟上一个池化层。经过多次的卷积和池化后，较低层次的特征就会逐步构成高层次的特征，最后神经网络根据提取出的高层次特征进行分类。 另外需要指出的是，为什么在心电信号分类中可以使用CNN呢。这是因为CNN具有的卷积操作具有局部连接和权值共享的特征。 局部连接：用于区别不同种类的图片所需的特征只是整张图片中的某些局部区域，因此在进行卷积操作时使用的卷积核（感受野）可以只是几个不同小区域，而不必使用整张图片大小的卷积核（全连接）。这样做不仅可以更好地表达不同的特征，还能起到减少参数的作用。例如下图，左边是使用全连接的神经网络，右边是使用局部连接卷积核的网络。 权值共享：对于一类图片而言

　　 机器之心发布 　　 机器之心编辑部 　　 　　 开发者在炼丹的过程中会不会遇到这些问题呢？比如说深度学习模型训练过程中盯 Log 盯得头晕眼花？复杂模型结构全靠脑补？网络各层效果无法评估？模型评估指标难以综合权衡？想必各位「炼丹师」、「调参侠」都中过招吧？莫慌，飞桨给大家「送解药」来了！ 　　 　　 这剂解药就是VisualDL 2.0——飞桨可视化分析工具全面改版升级，帮众位开发者们从 「炼丹萌新」 变身「太上老君」 。 　　怀疑我们自吹自擂？那就让我们一起看看 VisualDL 到底是啥？先上图为证！ 　　 VisualDL 2.0 是什么？ 　　 　　看到这里，有些小伙伴可能已经大概知道 VisualDL 是什么了，不知道的同学请继续往下看，反正花花绿绿的，至少比 log 看着养眼多了！ 　　具体来说， VisualDL 是飞桨团队为广大深度学习开发者订制的功能完备的可视化分析工具 ，可以帮助深度学习开发者了解训练过程中模型参数的变化趋势、 网络层对数据特征的提取情况、网络结构应该如何调整、精度与召回是否达到了理想的平衡等，从而实现有方向性的错误排查，实现高效的模型调优。 　　其实，VisualDL 1.0 早在 2017 年就推出了，随着飞桨开源深度学习框架历经 3 年深入产业实践的不断打磨，VisualDL 本次也完成了 2.0 版本的全新蜕变！ 相较

　　日前，麻省理工科技评论中国、DeepTech 联合 COLMO AI 科技家电举行的一场线上 TR35 青年科学家分享会圆满落幕，已累计吸引超过 10 万在线点播。 　　这次分享会主要围绕 “ AI 重构未来 ” 的主题展开，针对新基建浪潮、市场环境变化、AI 芯片、机器人、AI 技术产业趋势等时下热点，邀请了来自投资机构、学术界、产业界的多方专家精英进行了专业分享和讨论。 　　 　　本次活动的嘉宾阵容包括韩国成均馆大学教授、美的集团洗衣机事业部研究院院长高弘锡，上海交通大学研究员、博士生导师、非夕机器人首席 AI 科学家卢策吾，快手 AI 平台部、Ytech 西雅图人工智能实验室、FeDA 商业化智能实验室负责人刘霁，赛灵思人工智能业务高级总监、前深鉴科技联合创始人兼 CEO 姚颂， 瑞莱智慧创始人兼 CEO 田天，真格基金投资总监尹乐等。 　　嘉宾在观念的交流与碰撞之间，为我们展现了 AI 领域最新的技术走向和市场趋势解读。 　　 智能家电正在告别 “ 伪 ” 智能 　　美的集团洗衣机事业部研究院院长高弘锡表示，近年来，随着智能家居、智慧生活概念的火热，很多厂家都开始跟风把物联网、语音交互等技术跟家电产品进行简单结合，这给消费者造成了不少认知上的偏差，很多产品并没有从实用和体验层面出发给用户生活带来切实有效的改变。 　　 真正的智能家电还是应该从产品最本质的核心使用功能出发

　　近日，23 岁的北京小伙单思雄，联合几位同学开发出一款 AI 对抗学习系统——Fawkes。这位即将在芝加哥大学攻读直博的 95 后告诉 DeepTech，Fawkes 开源一月以来，已在 GitHub 上获得十多万下载量、以及 2600 多颗 Star。 　　目前，单思雄以第一作者身份撰写的 Fawkes 的研究论文《福克斯：保护隐私免受未经授权的深度学习模型的侵害》：“Fawkes: Protecting Privacy against Unauthorized Deep Learning Models”，已经被安全顶会 Usenix Security 2020 录取。 　　他表示， Fawkes 诞生于此时，有着很大的时间窗口意义。 　　2020 年初，一家名为 Clearview AI 的公司，非法抓取 Google、Twitter、Facebook 和 YouTube 上的人脸照片，创建超 30 亿张照片的面部识别数据库，并通过出售算法牟利。丑闻曝光后，舆论哗然，该公司也成为众矢之的。 　　事实上，不管在国内还是国外，你的照片都有可能被扒下来当作“小白鼠”，去训练机器学习模型。 　　为解决上述痛点，在芝加哥大学 SAND 实验室两位华人导师赵燕斌和郑海涛的指导下，单思雄和其他三位同学，一起开发出 Fawkes。该命名也是对黑客团体“匿名者”（Anonymous

一篇 30 年前的论文，因为一次获奖，又重新出现在世人眼前。 机器之心报道，编辑：魔王、蛋酱、张倩。 近日，图灵奖得主、贝叶斯网络之父 Judea Pearl 在推特上提到，自己在三十年前与当时的博士生 Rina Dechter、Itay Meiri 合著的论文《时间约束网络（Temporal Constraint Networks）》，获得了由人工智能顶级国际期刊 AIJ 颁发的 2020 年经典论文奖。 这篇论文发表于 1991 年，涉及的主题是上世纪八十年代的热门话题——时间约束。目前，该论文在谷歌学术上的被引用次数接近 2500。论文一作 Rina Dechter 被认为是「深度学习」一词的首倡者。 这篇论文的获奖理由如下： 这篇影响深远的论文介绍了用于定量时间推理的时间约束满足问题（TCSP）。TCSP 及其特例——简单时间问题（STP，可在多项式时间内解决）在规划、调度等应用中得到广泛使用。该论文中简洁优雅的问题描述为后续多个方向的研究提供了启发，包括时间不确定性、偏好和其他扩展问题。 论文内容简介 论文链接： http:// ftp.cs.ucla.edu/pub/sta t_ser/r113-L-reprint.pdf 这篇论文将基于网络的约束满足方法进行扩展，使其包含连续变量，从而为处理时间约束提供了框架 。在这个叫做时间约束满足问题（TCSP）的框架中

　　近日，23 岁的北京小伙单思雄，联合几位同学开发出一款 AI 对抗学习系统——Fawkes。这位即将在芝加哥大学攻读直博的 95 后告诉 DeepTech， Fawkes 开源一月以来，已在 GitHub 上获得十多万下载量、以及 2600 多颗 Star。 　　目前，单思雄以第一作者身份撰写的 Fawkes 的研究论文《福克斯：保护隐私免受未经授权的深度学习模型的侵害》：“Fawkes: Protecting Privacy against Unauthorized Deep Learning Models”，已经被安全顶会 Usenix Security 2020 录取。 　　他表示， Fawkes 诞生于此时，有着很大的时间窗口意义。 　　2020 年初，一家名为 Clearview AI 的公司，非法抓取 Google、Twitter、Facebook 和 YouTube 上的人脸照片，创建超 30 亿张照片的面部识别数据库，并通过出售算法牟利。丑闻曝光后，舆论哗然，该公司也成为众矢之的。 　　事实上，不管在国内还是国外，你的照片都有可能被扒下来当作“小白鼠”，去训练机器学习模型。 　　为解决上述痛点，在芝加哥大学 SAND 实验室两位华人导师赵燕斌和郑海涛的指导下， 单思雄和其他三位同学，一起开发出 Fawkes。 该命名也是对黑客团体“匿名者”（Anonymous

　　 　　世界人工智能大会 2020 线上活动以「智联世界 共同家园」为主题，致力于打造世界顶尖人工智能合作交流平台，推动和主导人工智能产业和技术创新融合发展，大会将于 7 月 9 日-11 日在线上举办。 　　 世界人工智能大会开发者日（以下简称为 WAIC·开发者日）作为大会主题论坛及特色活动，由世界人工智能大会组委会主办，机器之心和上海交通大学人工智能研究院共同承办，是 WAIC 期间唯一面向 AI 开发者的专业活动，旨在打造人工智能领域年度最高规格、最专业、最具影响力的开发者盛会 ，为企业展示 AI 技术品牌实力、传播自身技术与平台、构建人工智能开发者生态提供最佳展示平台。本届开发者日包含系列活动 10 余场，邀请重磅嘉宾 100 余位，将有近 200 家媒体进行宣传推广，并覆盖数万名技术从业者受众。 　　 WAIC·开发者日模块：狂欢不停歇 　　WAIC·开发者日将在 7 月 9 日-11 日举办 1 场主论坛、多场分论坛、及高峰对话、黑客松等活动，呈现人工智能技术分享盛宴。期间也将进行上海白玉兰开源开放研究院揭牌，发布《人工智能开源开放报告》、WAIC 人工智能青年技术人才奖。 　　 WAIC·开发者日特色 　　 影响面覆盖广 ：预计全网传播覆盖将超过千万人次。前期将联合百余家媒体进行多维度报道宣传，7 月 9 日-11 日除了通过 WAIC 官方平台直播

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/4330227/blog/4281425

数字孪生（DigitalTwin）最开始由美国国防部明确提出，用以航天航空飞行器的健康维护保养与保障。其核心内容为根据数学原理创建系统软件中核心部件、重要数据流分析相对路径和每个检测点传感器等元器件的数学模型，并将数学模型依据系统软件逻辑性展开连接转化成数字化模拟仿真模型，根据外界传感器收集真正系统软件载荷量根据有线或无线数据传输将数据信号引入模拟仿真模型，驱动模拟仿真模型与真正系统软件同时工作，进而运维管理工作人员能够在数字模拟仿真模型中很形象化的查看到真正系统软件无法精确测量或无法精确测量的实时监测数据信息。 数字孪生的产生很大程度的便捷了系统软件检测工作人员的经营成本，且能够迅速发觉与找到运作难题，有效预测分析器件使用期限，节约成本提高工作效率。伴随着电子信息技术发展与物联网的升级，数字孪生被推广到以航天航空、路轨车辆、自动化生产等领域主导的各类工业与生产制造中，如何对于不同领域的器件展开合理化等效并转化成数字样品，如何提高数字孪生的模拟仿真速度与精度，这些全是数字孪生急需解决的关键问题。 一、基于ANSYS平台的数字孪生完成方式 做为一家以有限元模拟仿真而知名的美国ANSYS公司，早在两年前其提出了以有限元模拟仿真为基础，系统级模拟仿真为终极目标的数字孪生模拟仿真计划方案。计划方案中选用有限元、有限体积法等数值分析方式，ROM、LTi、SVD、ECE等模型降阶方式 和SML