- 1、本文档共14页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
PAGE 14
《中国人工智能2.0发展战略研究》参考
2017年第14期(总第25期)
中国工程科技知识中心信息技术专业分中心
国家工业信息安全发展研究中心 2017年8月1日
[动态信息]
1. Intel发布神经计算棒,插上U盘就能用的独立AI加速器
【雷锋网】7月20日消息,本周四,英特尔在计算机视觉和模式识别(Computer Vision and Pattern Recognition)大会上推出了新的神经元计算棒产品Movidius Neural Compute Stick(NCS)。Movidius是一家爱尔兰都柏林的深度学习技术公司,去年曾经发布U盘深度学习计算棒Movidius Fathom,随后被Intel收购。 NCS是一个可以为机器部署深度学习并提供本地化代码运行支持的产品,可以支持 PC、无人机、机器人等硬件平台,它的学习能力可以用于物体识别、自然语言理解、自动驾驶等,在虚拟现实、增强现实领域也有着广阔的应用前景。NCS的优势就是低功耗,它可以在不到1瓦的工作功率下运行一个经过完全训练的神经网络,在不增加耗电和主机处理器压力的情况下,赋予机器的深度学习能力。这块新的Movidius连接主机后,可以得到最高100GFLOPs的浮点性能,功耗仅1W。此外,和上一代产品类似,Movidius产品外形几乎是一个U盘的规格,能够插入到具有USB接口的任何设备上,如果需要更强大的性能,也可以同时插入多个计算棒来实现,十分方便。据悉,新产品Movidius Neural Compute Stick就是根据Fathom重新设计的。相较旧款,2017款的NCS计算棒将集成的运行内存提高到1GB,支持加速模式和多USB同工,SoC为MA2455,加入了安全启动,台积电28nm HPC工艺。在深度学习框架方面,目前仅支持业界主流的 Caffe 框架(Caffe全称Convolutional Architecture for Fast Feature Embedding,是一个清晰,可读性高,快速的深度学习框架。作者是贾扬清,加州大学伯克利的ph.D,现就职于Facebook。Caffe核心语言是C++,支持命令行、Python和Matlab接口,既可以在CPU上运行也可以在GPU上运行),可以本地运行卷积神经网络。目前来看,Movidius暂且还不支持谷歌的TensorFlow,而根据外媒曝光消息,在未来可能会加入TensorFlow的支持。
链接: /news/201707/bmpUyGtaodmdVrn6.html
2. 蒙特利尔大学Bengio团队携手多伦多大学带来最新成果:方差正则化对抗学习
【雷锋网】多伦多大学与蒙特利尔大学的Karan Grewal、R Devon Hjelm、Yoshua Bengio三人近日合作发表的文章《Variance Regularizing Adversarial Learning》提出了一种方差正则化对抗学习方法(Variance Regularizing Adversarial Learning, VGAL)。文章提出了一种新型的对抗训练模型,该算法将鉴别器评分方法设计成服从双模高斯分布的“真/生成”指标变量。为了实现这一设计,该团队使用原数据对抗训练(meta-adversarial)来使高斯分类器与目标双模分布模型相匹配。这种逼近方法可以保证分类器具有非零的下降梯度。通过与标准参照图像集对比,展现了这一分类器输出分布函数平滑的特性,并在“真/生成”模式间有一定的混叠。文章使用一种略微不同的方式来学习平滑的鉴别器函数,通过使用“真/生成”指示变量来训练高斯分类器,而不是惩罚鉴别器来使约束变成 non-Lipschitz 约束。这种取决于混合分量之间的混叠的优化方式能够给生成器一个弱标准,于是生成器的输出可稳定在真指示器变量所处的模式上。为了训练这样的分类器,文章提出了双小元数据鉴别器,每一个鉴别器都关联到生成项以及真数据模式上,并且每一个都是单变量、单位方差的高斯分布的采样。这种双元鉴别器训练时使用标准的生成对抗网络损耗,分类器通过训练可控制每一个元数据鉴别器,就像对抗生成器同时作用于每个元数据鉴别器一样。这种设计可以保证分类器输出模式间的混叠有一个平滑分布,且对于生成器是非零梯度的。文章通过大量标准图像集的训练验证了该方法有很好的效果。
链接: /news/201707/qcJObSVOOWNtcQkC.html
3. DeepMind提出SCAN:仅需五对样本,学会新的视觉概念!
【Ailab】7月14日消息,DeepMind实验室发布名为符号-概念联合网络(Symbol-Concept Association N
您可能关注的文档
- 2018年上半年上海市民办教育发展基金会工作报告.doc
- CSIRS2019中国(沈阳)国际机器人展览会.doc
- 组织海外项目团队主题项目路演.doc
- 2022年部编人教版八年级数学上册期末试卷及答案1套.doc
- 新视野大学英语读写教程第二册考前阅读辅导答案.docx
- 烟草专卖管理师二级专业能力试卷及答案 2022.docx
- 2023年部编版八年级地理上册期末考试及答案【A4版】.doc
- 2022—2023年人教版九年级物理上册期末模拟考试【带答案】.doc
- 2021—2022年部编人教版三年级语文上册期末模拟考试(附答案).doc
- 2022-2023年人教版一年级数学下册期中考试卷及答案【汇编】.doc
- 2022年部编人教版九年级数学上册期末考试题及答案【最新】.doc
- 人教部编版四年级数学(上册)期末质量分析卷及答案.doc
- 人教版一年级科学下册期中试卷及答案【一套】.doc
- 2023年人教版九年级地理(上册)期末考试卷及答案.doc
- 2022-2023年人教版七年级数学下册期中测试卷及答案【全面】.doc
- 苏教版五年级《数学》下册全单元测试题【附答案】.docx
- 人教版三年级语文上册期末考试卷及答案【全面】.doc
- 部编版五年级数学下册期中考试题及答案【完美版】.doc
- 2022年部编版六年级数学上册期末试卷加答案.doc
- 2021—2022年部编人教版三年级语文上册期末试卷(参考答案).doc
文档评论(0)