神经网络

HiSpark Wi-Fi IoT开发套件   l 支持鸿蒙OS、LiteOS操作系统，方便进行物联网产品的原型验证和快速开发   l 特性板搭载海思Hi3861芯片，最高运行频率 160MHz，内置352 KB SRAM、288 KB ROM，内置 2MB Flash，支持IEEE 802.11 b/g/n，支持STA模式、AP模式   l 套件包含多个扩展板，包括OLED板、NFC扩展板、环境监测板、红绿灯板、炫彩灯板、机器人板，集成了多种常见外设 HiSpark DIY IPC套件   l 支持鸿蒙OS、LiteOS、Linux系统，方便进行产品的原型验证和快速开发   l 板载海思Hi3518EV300芯片，内置ARM Cortex A7核心，最高运行频率900MHz，内置64MB SDRAM，内置图像处理单元（ISP），内置H265/H264硬件编解码器，内置智能视频引擎（IVE），内置硬件安全引擎   l 搭载128Mbit SPI NOR Flash，同时带有一个T-F卡槽，最大支持128GB T-F卡   l 板载Hi3881 WiFi芯片，支持IEEE 802.11 b/g/n，支持STA模式、AP模式   l 板载JX-F23A图像传感器，最大有效像素2M，视频最高支持1920x1080@25fps HiSpark AI Camera套件   l 支持鸿蒙OS

标题： Adversarial Filters of Dataset Biases 来源 ： ICML 2020，Allen Institute for Artificial Intelligence 原文链接： https:// arxiv.org/abs/2002.0410 8 Abstract 大型神经网络模型在语言和视觉基准测试上已经表现出人类的水平，然而在面对对抗性的或 out-of-distribution 样本时，模型的性能会大幅下降。由此引出一个问题：这些模型是否是通过过拟合虚假的数据集 bias 而学会了解决 dataset 而不是基础的 task 。文中研究了一种最近提出的方法， AFLITE ，它通过对抗过滤这样的数据偏差来减轻普遍高估的机器变现。作者还未 AFLITE 提供了一个理论性的理解，通过将其置于最优 bias 减少的广义框架中。文中提出了大量的支持证据，证明 AFLITE 广泛使用于减少可测量的数据集bias上，并且在过滤好的数据集上训练的模型对 out-of-distribution 的任务有更好的泛化能力。最终，过滤导致模型性能大幅下降（SNLI 从92%下降到62%），但人工的表现依旧很高。因此，本文的工作表明，经过过滤的数据集可以作为升级的 benchmarks，为鲁棒性泛化带来新的研究挑战。 Introduction 在很多受欢迎的AI

excel插件开发，Smartbi免费版安装流程 自动安装 1、安装Microsoft .Net Framework 4.0 Full 2、获取安装介质 插件安装包不包含在标准的产品安装包中，若需对插件进行学习或使用，请到官网进行下载。 3、点击安装介质，弹出安装界面如图： 4、点击 下一步 ，配置安装路径： 5、点击 下一步，检测是否有插件正在被使用： 6、点击 安装，进行安装： 7、安装完成。 插件升级 Excel插件支持在线更新的方式。 系统检测更新 设计、维护用户在每次使用Excel插件登录的时候，会检测服务器插件版本是否有更新； 若服务器上Excel插件有了新版本，则会提示更新，按提示进行更新即可。 手动检测更新 点击工具栏的 更新 按钮，进行更新： 安装环境要求 关于电子表格插件的安装环境要求，详情请参考官网产品在线文档或咨询客服· 关于Smartbi Smartbi强大的数据分析能力，人人可用的自助式BI。简便的操作，专业化的要求不高。可以大范围的应用。使得Smartbi在BI领域独树一帜。 1、下载安装 下载和安装很简单，官网上直接下载。启动软件时会加载数据日志，但是所有操作都在web端。 2、学习教程 激活时会发送一个学习资料包，有功能教学视频，还有学习帮助文档，下载激活时大家留心，记得收藏。除此之外，还有个学习交流的论坛，提问回答好积极，对技术宅来讲是极好的。

　　机器之心报道 　　 编辑：蛋酱、杜伟、小舟 　　 世界上从来不缺少抠图工具，但始终缺少更完美的抠图工具（尤其是对于手残党来说）。 　　 　　在传统年代，人们能想到最精准的抠图方法，大概是 Photoshop 之类的专业图像处理软件，显然这种处理方式会很繁琐。随着人工智能技术的发展，从业者开始尝试将最先进的机器学习技术融入到图像处理工作之中。这些开源算法最终变成了各种各样的在线抠图程序，最重要的是——它们的操作方法非常简单且完全免费。 　　比如「Remove.bg」，你只需要上传图片，网站就能识别其中的主体并去除背景，最终返回一张透明背景的 PNG 格式图片。尽管在前景与背景之间边界处理上存在瑕疵，但借助 AI 来抠图确实比自己动手要便捷，不是吗？ 　　 　　网站地址：https://www.remove.bg/ 　　近日，一款名为「ObjectCut」的图像处理新工具进入了大家的视野。你甚至不需事先将图片下载到本地，只需要输入图片网址，即可得到一张去除背景后的图片。 　　 　　https://objectcut.com/ 　　 　　使用教程演示。 　　项目作者表示，这一工具所使用方法基于 CVPR 2019 论文《BASNet: Boundary-Aware Salient Object Detection》，并使用了一些相关的公开数据集来进行训练，包括 ECSSD、SOD

本文转载自公众号“读芯术”(ID：AI_Discovery)。 在美国各大主要城市，市民一天24小时会切到数千个公共第一响应者无线电波，这些信息用于给500多万用户提供火灾、抢劫和失踪等突发事件的实时安全警报。每天人们收听音频的总时长会超过1000小时，这给需要开发新城市的公司带来了挑战。 因此，我们构建了一个机器学习模型，它可以从音频中捕捉到重大安全事故的信息。 定制的软件适用无线电(SDR)会捕捉大范围内的无线电频率(RF)，将优化后的音频片段发送到ML模型进行标记。标记后的片段会被发送至操作分析员，他们将在app中记录事件，最后通知事故地点附近的用户。 安全警报工作流程(图自作者) 为适应问题领域，调整一个公共语音转文本引擎 运用公共语音转文本引擎的剪辑分类器 (图自作者) 依据单词错误率(WER)，我们将从一个性能最好的语音转文本引擎着手。很多警察使用的特殊代码都不是白话，例如，纽约警察局官员会发送“信号13”来请求后备部队。 我们使用语音上下文定制词汇表。为适应领域，我们还扩充了一些词汇，例如，“assault”并不通俗，但常见于领域中，模型应检测出“assault”而不是“a salt”。 调整参数之后，我们能够在一些城市获得相对准确的转录。接下来，我们要使用音频片段的转录数据，找出哪些与市民相关。 基于转录和音频特征的二值分类器 我们建立了一个二进制分类问题的模型

这是阿三的第 131 期分享 作者 | 阿三 首发 | 程序员遇见GitHub 大家好，我是阿三，今天给大家带来的是Google colab上非常出名的一些计算机视觉项目的notebook。 一. Google Colab 这些项目都是依托与Google的Python在线编程的免费服务Colab，没有使用过的同学也可以去了解一下这个。 这些notebooks包含计算机视觉的很多方面，像目标检测，分类等等 每个项目都有文字教程与源代码 代码还可以直接在colab中运行，想要了解相关项目的同学不容错过。 网站地址： https://www. qblocks.cloud/creators/ computer-vision-google-colab-notebooks 推荐阅读： 我教你如何读博！ 牛逼！轻松高效处理文本数据神器 B站强化学习大结局！ 如此神器，得之可得顶会！ 兄弟们！神经网络画图，有它不愁啊 太赞了！东北大学朱靖波，肖桐团队开源《机器翻译：统计建模与深度学习方法》 当年毕业答辩！遗憾没有它... 已开源！所有李航老师《统计学习方法》代码实现 这个男人，惊为天人！手推PRML！ 它来了！《深度学习》(花书) 数学推导、原理剖析与代码实现 你们心心念念的MIT教授Gilbert Strang线性代数彩板笔记！强烈推荐！ GitHub超过9800star！学习Pytorch

https://mp.weixin.qq.com/s/K8XdwODtrRDhBv3aR7Yvfg By 超神经 场景描述：如同股票市场一样，比特币市场也是涨跌不定，没有准则。但最近，加拿大的研究人员创建了一套人工神经网络，来预测比特币的价格涨跌，给投资者们提供参考建议。 关键词：比特币 人工神经网络 预测 连续两周以来，比特币价格都在持续下跌，比特币不仅在本周一跌破 1 万美元，而且近 7 天，比特币价格跌幅达到 27.09%。 这一周的大幅下跌，打断了比特币今年持续上涨的势头，让投资者们捉摸不定。 近日，加拿大的研究人员，利用人工智能技术建立了比特币价格预测模型，称使用该模型，比随机下单的平均收益高。 人工神经网络，预测比特币涨跌 由于比特币的特殊性，它不像普通货币，没有物理形式可以提供价值，不可能对它进行传统的基本分析。因此，许多投资者想要追踪所谓的技术面（从历史价格和交易量构建的几何模式），以便了解和预测比特币的未来走势。 但比特币的技术面真的存在么？ 加拿大圭尔夫大学（University of Guelph）研究人员 Nikola Gradojevic 已经发现大型复杂模型的能够给出不错的预测结果，并在 《Science Direct》上发表了论文《Non-fundamental, non-parametric Bitcoin forecasting》

　　 　　摘 要 　　截至2020 年6月12日，新冠肺炎感染已遍及200多个国家和地区，成为了全球性的大流行病。面向斩断新冠传播链的早筛过程和提高治疗水平的病变评估需求，人工智能的计算机辅助诊断系统可进行快速、智能、全天候地进行筛查和病变评估，对于缓解疫区放射科医生工作压力，提高诊断效率和水平具有重要意义。然而，新冠肺炎复杂和多样的CT影像学表现给辅助诊断系统的开发带来了巨大挑战。本文介绍了智能化新冠肺炎早筛和病变评估的难点和相关关键技术，以及开发的新冠肺炎早筛和病变评估平台。 　　关 键 字 　　新型冠状病毒；肺炎；CT影像；神经网络；诊断系统 　　0 引言 　　COVID-19（Coronavirus Disease 2019,COVID-19）已经成为自第二次世界大战以来，全世界面临的最大的公共健康危机。截至2020年6 月10 日，全球新型冠状病毒肺炎的总确诊人数已突破750 万，总死亡人数高达42 万，且确诊病例数和死亡病例数仍在快速增长。为了应对COVID-19，多国采取了包括居家令，以及停止生产和娱乐活动的措施，严重影响了世界各国经济发展，给世界经济造成了重大冲击。 　　COVID-19 具有多个特点使其难以控制：① COVID-19 是高度传染性的，可以通过直接传播、气溶胶传播和接触传播。一个新冠病人的传播力在3~4 之间，面对着新冠病人的快速增长

©PaperWeekly 原创 · 作者｜桑运鑫 学校｜上海交通大学硕士生 研究方向｜图神经网络在金融领域的应 用 GATNE 论文标题： Representation Learning for Attributed Multiplex Heterogeneous Network 论文来源： KDD 2019 论文链接： https://arxiv.org/abs/1905.01669 代码链接： https://github.com/THUDM/GATNE 这篇论文提出了一种在 Attributed Multiplex Heterogeneous Network 上进行嵌入学习的框架 GATNE，该框架同时支持转导式学习（transductive learning）和归纳式学习（inductive learning），在 Amazon，Youtube，Twitter 和 Alibaba 四个数据集上取得显著提升。 相比于传统的只有一种边或只有一种节点的图，Attributed Multiplex Heterogeneous Network（AMHEN）中包含多种节点，多种边，每种节点都有不同的属性，各种类型的图有代表性的嵌入方法如下表所示。 AMHEN 有以下几个问题： 每对节点之间可能有多种类型的边，需要对每种关系都学习不同的表示。 很多图嵌入方法都是转导式学习

“嘿Siri，你能帮我做点什么？” “……” Siri的“甜美女声”，现在已经司空见惯了。 但如果没有女科学家Ann Syrdal的努力，这种“合成女声”可能还需要更长的时间。 遗憾的是，7月24日，74岁的Ann Syrdal去世了。 这位被网友谐音为“Answer doll”（问答娃娃）的语音合成专家，曾经是美国电话电报公司（AT&T，拥有贝尔实验室）的首席技术研究员。 在美国电话电报公司研究期间，她开发出了“第一个真正高质量的女性合成声音”，这才有了后来的Siri和Alexa（亚马逊的语音助手）。 于是《纽约时报》评价说：她是Siri和Alexa背后的那个人。 事实上，虽然语音合成技术早已有之，1939年，AT&T的贝尔实验室就已经开发出了首批合成语音。 但，这些语音合成技术（TTS）基本只能合成男性的声音。 往后的40年间，计算机技术突飞猛进，合成女性语音的技术却一直停滞不前。 Siri的开发者Tom Gruber曾经表示：“那些声音听起来就像机器人说话一样。” 而Ann Syrdal的到来，才让合成女性声音有了质地的飞跃。 让机器发出“自然的”女声 自20世纪80年代中期，Syrdal开始研发女性语音合成系统。 Syrdal的同事、语言研究员h.s.Gopal曾表示：“那时候，所有人都认为女声只是男声的高频版本，但这种想法根本不起作用。” 事实上，由于女性声音的特点