醋醋百科网

Good Luck To You!

上海交大发布全球首款专用光量子计算软件丨零点报数

零点报数

零点有数为您带来#数据智能#前沿播报

数据挖掘

2018 年第三季度,全球 PC 出货量总计 6738.7 万台,跟去年同期相比下降 0.9%。

三星IBMAI芯片创新,谷歌雷达5米识人|ISSCC亮点汇总

芯东西(ID:aichip001)

人工智能与医疗(人工智能与医疗领域的应用)

“脑补”MRI成像的AI

美国纽约大学一组研究核磁共振加速方法的科研团队与Facebook达成合作,力图训练AI成像工具来缩短九成核磁共振扫描时间。他们研发的AI应用不是利用图像识别技术分析X光或者核磁共振扫描结果来帮助医生快速和准确分析病情,而是从扫描过程入手,直接加快核磁共振成像的速度。使用人工智能来填补没扫描到的地方,可大大缩减病人在核磁共振机里的时间,同时也能提高机器的效率,进而降低扫描成本、简化操作流程。

预测心脏病风险

如何用CoreML和Swift在苹果上开发「实时对象识别器」

原文来源:medium

作者:Lazim Mohammed

「机器人圈」编译:BaymaxZ

CoreML是2017年苹果WWDC发布的最令人兴奋的功能之一。它可用于将机器学习整合到应用程序中,并且全部脱机。

以下是来自苹果的官方机器学习文档:(
https://developer.apple.com/machine-learning)

前方高能,安兔兔54万分!高通骁龙865跑分公布

在2019年12月3日举行的高通技术峰会上,高通骁龙865、765以及765G三款移动平台正式亮相。其中,旗舰级骁龙865移动平台是能够支持全球5G部署的领先5G平台,将为下一代旗舰终端提供优秀的连接与性能。

作为高通旗下的顶级移动平台,可以预测骁龙865会成为2020年各家安卓旗舰手机的标配芯片。对于这样一个全新的移动平台,大家都很期待骁龙865的实际性能,我们先来看看高通在会上分享的一些规格。

先来看AI性能。骁龙865带来了AI性能上的大幅升级,骁龙865升级至第五代Qualcomm AI Engine,其中Adreno 650可实现高达每秒15万亿次运算(15 TOPS),AI性能是前代平台的2倍。而全新升级的Qualcomm Hexagon张量加速器则是Qualcomm AI Engine的核心,其TOPS性能是前代张量加速器的4倍以上,同时运行能效提升35%。

骁龙865安兔兔跑出54万分,2020年的旗舰安卓手机大有盼头

在2019年12月3日举行的高通技术峰会上,高通骁龙865、765以及765G三款移动平台正式亮相。其中,旗舰级骁龙865移动平台是能够支持全球5G部署的领先5G平台,将为下一代旗舰终端提供优秀的连接与性能。

作为高通旗下的顶级移动平台,可以预测骁龙865会成为2020年各家安卓旗舰手机的标配芯片。对于这样一个全新的移动平台,大家都很期待骁龙865的实际性能,我们先来看看高通在会上分享的一些规格。

先来看AI性能。骁龙865带来了AI性能上的大幅升级,骁龙865升级至第五代Qualcomm AI Engine,其中Adreno 650可实现高达每秒15万亿次运算(15 TOPS),AI性能是前代平台的2倍。而全新升级的Qualcomm Hexagon张量加速器则是Qualcomm AI Engine的核心,其TOPS性能是前代张量加速器的4倍以上,同时运行能效提升35%。

高通高管解密:骁龙865成为最先进5G移动平台的十个理由

日前,高通高级副总裁兼移动业务总经理阿力克斯·卡图赞(Alex Katouzian)发表署名文章,解密骁龙865成为最先进5G移动平台的十个理由。

卡图赞表示,骁龙865获得了全球众多手机厂商的信赖和选择,成为赋能2020年5G旗舰终端的移动平台。能够取得这样的成绩,凝聚着高通数十年来的研发投入、工程实现、一系列业界首创的5G成果,以及对包括谷歌移动服务在内的重要应用的持续深度优化——这一切最终成为用户能享受到的顶级移动体验。

骁龙865移动平台集众多创新于一身,并因此获得全球终端厂商的信赖,成为新一代5G智能手机的优选平台。

ISSCC技术创新看这里:三星首创内嵌AI芯片HBM,谷歌雷达5米识人

芯东西(ID:aichip001)

作者 | 温淑

编辑 | Panken

芯东西2月19日报道,目前,一年一度的国际固态电路会议(ISSCC 2021)正在进行中(2021年2月13日到22日),这是ISSCC会议首次以全线上形式举办。作为已有近70年历史的集成电路设计领域盛会,ISSCC亦被众多产学界玩家视为发布和展示其领先芯片技术的权威舞台,本届大会也不例外。

本届会议上,IBM、三星等公司展示了其在AI芯片领域的最新进展;谷歌、德州仪器等公司分享各自在雷达芯片中使用的创新技术;英特尔、荷兰代尔夫特理工大学等则展示其在量子芯片研发方面的最新尝试……

大模型深度学习TensorFlow实战迁移学习详解

1. 迁移学习概述基本概念:重用预训练模型的知识解决新任务,适用于数据不足的场景。重要性:避免从零训练,节省时间和计算资源。利用通用特征(如ImageNet中的物体特征)提升新任务性能。核心流程:1. 输入图像标准化(与预训练模型一致)。2. 截断预训练模型的最后一层,替换为自定义层。3. 冻结预训练层权重,仅训练新增层。 2. Inception V3架构解析核心设计:Inception模块:并行多尺寸卷积核(1x1、3x3、5x5),提取多尺度特征。1x1卷积:降维减少计算量。全局平均池化:替代全连接层,降低过拟合风险。输入要求:默认输入尺寸299x299(3通道)。 3. 构建迁移学习模型(实战步骤)步骤1:加载预训练模型```pythonbase_model = InceptionV3(weights='imagenet', include_top=False)```移除原分类层(`include_top=False`),保留特征提取层。步骤2:添加自定义层```pythonx = layers.Dense(1024, activation='relu')(base_model.output)predictions = layers.Dense(200, activation='softmax')(x)```输出层神经元数匹配新任务类别数(如200类)。步骤3:冻结预训练层```pythonfor layer in base_model.layers:layer.trainable = False```步骤4:编译与训练使用`RMSprop`优化器训练新增层。微调时解冻部分层(如顶部172层),改用`SGD`优化器。 4. 关键注意事项数据标准化:必须与预训练模型一致(如ImageNet的均值/标准差)。层冻结策略:小数据集:冻结全部预训练层,仅训练新增层。大数据集:解冻部分层进行微调。性能优化:使用`GlobalAveragePooling2D`减少参数量。 5. 总结优势:加速训练、提升小数据集上的泛化能力。应用场景:图像分类、目标检测、医学影像分析等。扩展性:可替换其他预训练模型(如ResNet、EfficientNet)。#大模型 #大模型应用 #大模型训练 #大模型微调 #大模型面试 #大模型学习 #大模型部署 #多模态人工智能 #大模型入门#深度学习

特斯拉被一条胶带忽悠,将35“看成”85,异常加速80公里/小时

乾明 发自 凹非寺
量子位 报道 | 公众号 QbitAI

怎样能把一辆特斯拉忽悠“瘸”了?最近两名研究人员给出了答案:

用一条2英寸的胶带就够了。

他们用胶带对公路上的速度标识进行修饰后,成功欺骗2016年版特斯拉的摄像头系统,诱使其出现了50英里/小时(80公里/小时)的异常加速。

在不少网友看来,这反映了自动驾驶系统在“环境”方面的缺陷。同样有不少网友认为,这是在特定条件下实现的攻击,并不能产生太多的影响。

<< 1 2 > >>
控制面板
您好,欢迎到访网站!
  查看权限
网站分类
最新留言