真的么?「天才」這個詞都不足以表達我們團隊技術人員的才能……

最近,日本一款可以騎乘的變形機器人多次進入人們的視野。我們先看看視頻。02:32 【出處】fuRo官網這款機器人以義大利語「袋鼠」命名為「CanguRo」,是一種Ride(騎乘)+Roid(機器人)=RidRoid這一概念下的產物。CanguRo搭載有AI功能,可以與人對話,識別人並跟隨行動,還可以自動行駛到指定場所,可以變形為一台小型摩托車供人騎乘。 【出處】fuRo官網這款機器人的主要開發人員被日本機器人業界稱為「奇才」,是日本千葉工業大學未來機器人技術研究所(fuRo, future Robotics Technology ...
Read more

Yarn已過時!Kubeflow實現機器學習調度平台才是未來

隨著機器學習和人工智慧的迅猛發展,業界出現了許多開源的機器學習平台。由於機器學習與大數據天然的緊密結合,基於 Hadoop Yarn 的分散式任務調度仍是業界主流,但是隨著容器化的發展,Docker + Kubernetes 的雲原生組合,也展現出了很強的生命力。 表 1. 互聯網業界機器學習平台架構對比 痛 ...
Read more

【收藏】機器學習開源框架大匯總,總有一款適合你

來源:新智元 首先需要說明,這是一篇面向初學者的文章。在眾多的開源機器學習框架里,總有一款適合你。隨著人工智慧的興起,對機器學習能力的需求可謂是急劇增加:從金融到醫療,各行各業都在採用基於機器學習的技術。然而,對於大多數企業和組織來說,定義機器學習模型仍然是一項複雜且資源密集型的工作。 若是藉助良好的機器學習框架,便可以減少上述的挑戰。下面便是一些最好的開源框架和庫,企業和個人都可以使用它們來構建機器學習模型。 Amazon Machine Learning 鏈接地址:https://aws.amazon.com/machine-learning/Amazon Machine Learning(AML)為開發機器學習模型提供了工具和嚮導。AML通過提供易用的分析和可視化輔助工具,使開發人員更容易訪問機器學習。它還可以連接到Redshift或Amazon ...
Read more

如何看待 AI 可「重新發現」元素周期表?未來 AI 發現自然規律的速度是否會超越人類?

本題已加入知乎圓桌 ? 非常想問 | 元素之旅。在圓桌頁面提出你的問題,或寫下你的回答,就有機會獲得專屬徽章和精彩禮物。 2018年,斯坦福大學張首晟團隊通過與 Word2Vec 演算法類似的 Atom2Vec 演算法,僅需數小時即可「重新發現」元素周期表,其效率和準確性令人興奮。此外,該方法及其升級版 Atom2Vec 2.0 還可進一步發掘曾被人忽視的新型材料,還可應用於醫藥等科技領域中。 相關研究發表於 PNAS(10.1073/pnas.1801181115),鏈接:https://www.pnas.org/content/115/28/E6411?www.pnas.org該方法基於聚類分析來尋找規律,與門捷列夫等傳統的人為分析總結有何異同,其優勢何在?未來 AI 發現自然規律的方法論和速度會否超越人類?(最後,向張首晟先生在科技領域的貢獻表示敬意) 我認為目前的 AI ...
Read more

英偉達首次利用 AI 自動生成電子遊戲視頻畫面

如果只是作為駕駛模擬器,可能很平庸,但對電子遊戲畫面來說,這可能是一場偉大的革命。 圖|真實視頻(左)和 AI 生成的渲染視頻(右)之間的對比。(圖源:英偉達) 最近人工智慧的繁榮給圖像和視頻生成領域帶來了一系列令人印象深刻的成果。最新成果來自晶元製造商英偉達,該公司12月3日發布了一份研究報告,展示了 AI 生成的畫面如何與傳統的視頻遊戲引擎相結合。這種混合圖形系統有望應用到視頻遊戲,電影和虛擬現實等方面。 「這是使用深度學習渲染視頻內容的一種新方式,」 英偉達應用深度學習副總裁 Bryan Catanzaro 表示。「顯然,英偉達非常關心圖形生成,並且我們正在思考如何利用人工智慧徹底改變這一領域。」英偉達的生成的圖片並沒有達到真實照片級的畫面,他們展示了在 AI ...
Read more

每周論文分享:細粒度分類

本文針對上述的缺點,提出了一個新穎的端對端框架,這個框架包括兩部分:第一個部分是OSME(one-squeeze multi-excitation module)來定位關鍵區域,這個模塊可以直接提取定位的關鍵部分的特徵而不需要顯示的裁剪再提取特徵;第二個模塊是MAMC(multi-attention multi-class constraint),這個模塊本質是進行metric learning。 One-Squeeze Multi-Excitation Attention Module目前細粒度分類中關於注意力部分的方法大致都是基於弱監督的關鍵區域定位,其中主要的思想來自於可視化激活函數時的發現(參考文章激活函數可視化),經過一定擴展就可以用來定位關鍵區域。下面來具體看看如何產生attention-specfic特徵。首先對於特徵圖 U 進行global average pooling ...
Read more

期望傳播演算法EP詳細介紹(expectation propagation)以及演算法舉例

一、前言在機器學習問題中,從觀測變數推測潛變數或者說計算潛變數的後驗分布 是非常重要的一類問題,關於什麼是潛變數,可以參考我之前一篇文章的第二節。 很多時候,因為潛變數z的維度很高,在z為離散時導致分母里這個求和很難算,又或者是在連續時因為分母積分符號里的表達式很複雜,導致這個積分沒有解析解。從而導致後驗分布很難得到,這個時候我們就要採取近似的辦法來算後驗(近似推理approximate inference)。 approximate inference常用的思路有兩種,一種叫做stochastic approximate,就是通過蒙特卡洛採樣的方法來做,另一種叫deterministic approximations,思想是用簡單的分布 來近似後驗。stochastic approximate通過採樣的方法優點是只要採樣數夠多,精度就高,缺點是計算量大;deterministic ...
Read more

報道 | 2019 AI比賽培訓報名(公益免費)

一個AI人才的成長需要大量實戰經驗,而對於一個在校學生而言,最好的實戰經驗就是層出不窮的各類AI比賽。AI比賽不僅為我們提供了實際案例、合作環境,更為重要的是為我們提供了人工智慧科研的最寶貴資產——數據。學術界和創業團隊所能獲得的數據資源通常遠少於產業界中的頂級企業。因此,將高質量的數據集建設與科學研究、技術產品研發、人才培養有效結合,對人工智慧發展具有重大意義。 正是由於AI比賽如此受到歡迎,想要在這類比賽(尤其是高質量的比賽)中獲得一個好成績無疑是非常困難的事情。基於這種情況,我們決定開展「2019AI比賽培訓計劃」,該項目由中科院自動化所的黃向生教授(http://www.huangxiangsheng.cn/)發起,其目的是幫助大家在AI比賽中實現從0到1的跨越。 2AI比賽培訓計劃流程 (1)在比賽前,黃向生老師將會組織團隊,測試大家的技能水平,並根據大家的技術棧為大家進行分組(每組3- ...
Read more

人工智慧浪潮下,教育會如何發展?

IQ想必大家都知道,是衡量一個人智力商數的指數,通常我們說一個人不聰明,可以很委婉的說他IQ不高。但是,AIQ是什麼呢,想必很多家長會覺得陌生了。AIQ是指人工智慧商數,英文是Artificial Intelligence ...
Read more

spaCy/Cython讓Python處理速度提升100倍

首先你要知道,你的大部分代碼在純 Python 環境下可能都運行良好,但是其中存在一些 瓶頸函數,如果好好處理它們,運行速度就能提升一個數量級。所以,應該首先檢查你的 Python 代碼,找出那些影響性能的部分。其中一種方法就是使用 cProfile(https://docs.python.org/3/library/profile.html) ,像這樣: 你可能會發現影響性能的是一些循環或者使用神經網路時引入的 Numpy 數組操作。那麼該如何加速這些循環? 使用 Cython來加速 Python循環 讓我們通過一個簡單的例子來解決這個問題。假設有一堆矩形,我們將它們存儲成一個由 Python 對象(例如 Rectangle類實例)構成的列表。我們的模塊的主要功能是對該列表進行迭代運算,從而統計出有多少個矩形的面積是大於所設定閾值的。我們的 Python ...
Read more
1 2 189 Next