【20201204期嵌入式AI周报】深度学习框架Bolt v1.0发布、AMD推出Matrix Core!

Ubuntu下YOLOv5目标检测 Ubuntu下YOLOv5目标检测 软件环境 ubuntu 20.4 anaconda3 cuda 11.1 pytorch 1.7 YOLOv5 环境安装 1 安装Anaconda 2 安装cuda和cudnn 安装Nvidia驱动 确认你的系统已经装好了nvidia显卡驱动,没有的话从nvidia官网下载适配显卡的驱动。 安装CUDA 接着安装cuda,打开终端: wget https://developer.download.nvidia.com/compute/cud 阅读详情

导读:本期为 AI 简报 20201204 期,将为您带来 9 条相关新闻,有趣有料~

恳请各位看官老爷阅读完觉得有用的点个赞再走!

之前点赞太少,小编即将祭天 ///v///

本文一共2800+字,通篇阅读结束需要 6~9 分钟

1. 王者荣耀「绝悟」升级,全英雄池解禁!网友:会进化的AI太可怕了!

11月28日,由腾讯 AI Lab 与王者荣耀联合研发的策略协作型 AI「绝悟」推出升级版本「绝悟完全体」 。新算法将AI可用英雄池数量从40个增至100+个,还优化了禁选英雄博弈策略,其相关研究已被 AI 顶级会议 NeurIPS 2020 与顶级期刊 TNNLS 收录。

「绝悟」是由腾讯 AI Lab 与王者荣耀联合研发的策略协作型 AI,代表了腾讯在深度强化学习、多智能体决策上的国际级AI研究水平。

2018年的KPL秋季总决赛上,一个名叫「绝悟」的低调王者露面了。

下面是AI达摩红buff处的一次漂亮的蹲点,直接用大招将赵云推上墙然后跟闪现秒杀,出乎了所有人的预料。

11月28日,腾讯宣布,「绝悟」推出升级版本——「绝悟完全体」。没错,更强!

而且,限时开放!在王者荣耀 App ,公众可与之对战,亲身体验 AI 在复杂策略、团队协作与微观操作方面的强大能力。

体验时间为 11 月 14 日至 30 日,绝悟在 20 个关卡的能力不断提升,最强的20级于11月28日开放,接受 5v5 组队挑战。

2. 前沿|AI生成肖像画,精细到毛发!北大校友最新研究收割2.8k星标,还登上了ICPR 2020

Github: https://github.com/NathanUA/U-2-Net

“只要思想不滑坡,办法总比困难多,干巴得!”

打工人的一天终于要结束了!拖着疲惫的身躯准备下班,却听到同事小A还在给自己打气。

只见他迅速打开电脑,打开百度、打开知乎豆瓣微博微信……

都输入了同一行字:肖像画简易教程……

还以为他要干什么惊天动地的大事!原来是想给女神古力娜扎(Gulnazar)画一幅肖像画。

不需要59分钟,只需要一句话的功夫,足以画出女神的肖像画。

这款AI工具叫U∧2-Net(U Square Net),最近火到不行!

不仅登上了GitHub热榜,收割了2.8k星标,还被顶会ICPR 2020 选中。

3. 深度学习搞起来!对标英伟达Tensor Core,AMD推出Matrix Core

当前,GPU 已经成为深度学习训练的标配,而针对深度学习中的 Tensor 操作,各大厂商在设计软硬件时都会做特别优化,其中知名的就是英伟达的 Tensor Core。

今日,对标英伟达 Tensor core,一直发展迅猛的 AMD 也推出了类似功能单元 Matrix Core。同时,基于 Matrix Core 技术,AMD 发布了新型 AMD Instinct MI100 加速器,据称是全球最快的 HPC GPU 和首个超越 10 teraflops (FP64) 性能障碍的 x86 服务器 GPU。

据 AMD 官方介绍,AMD Instinct MI100 GPU 配备了全新 AMD CDNA 架构,使用第二代 AMD EPYC 处理器,是面向 HPC 和 AI 的新型加速系统。

在性能上,MI100 为 HPC 提供了高达 11.5 TFLOPS 的 FP64 峰值性能,为 AI 和机器学习提供了高达 46.1 TFLOPS 的 FP32 Matrix 峰值性能。

与 AMD 的上一代加速器相比,MI100 凭借新的 AMD Matrix Core 技术,为 AI 训练提供了近 7 倍的 FP16 理论峰值浮点性能提升。

AMD 还推出了 ROCm 4.0。ROCm 开发者软件平台旨在为百亿亿级计算提供基础,包括编译器、编程 API 和库。此次推出的 ROCm 4.0 针对基于 MI100 的系统进行了优化,将编译器升级为开源版本,并支持 OpenMP 5.0 和 HIP。经过 ROCm 4.0 优化,PyTorch 和 Tensorflow 框架可以基于 MI100 实现更高的性能。

4. AutoX“真无人”车队驶上繁忙街头,中国正式跨入无人驾驶时代

12月3日消息,AutoX正式公布中国首批车内全无人、无远程遥控的RoboTaxi车队,并发布了其在深圳市繁华公开道路完全无人驾驶的视频。

视频中,AutoX的25台无人车在深圳繁忙街道上自主行驶,灵巧绕过路障、斑马线前礼让行人,真正做到了规模化无人驾驶,实现了该领域内中国企业零的突破。

AutoX全无人汽车内无驾驶员或安全员,全程无任何人工接管、无远程遥控,完全依靠其无人驾驶系统“AutoX Driver” 驾驶。驾驶途中,无人车遇到了大量中国大城市中常见的路况变化,如路边停放车辆挡道、骑手小哥突现、夜间施工修路等。针对这些突发状况以及掉头、并道汇流等行驶需求,无人车处理平稳流畅,并且保持高达40公里每小时的平均速度。

真正全无人驾驶,不靠遥控靠AI !

5. 600 TOPS超高算力,2~8核灵活配置!Imagination新发布神经网络加速器IP

11月14日消息,Imagination Technologies发布了最新一代神经网络加速器IP核IMG Series4 NNA,并将于12月份正式向厂商提供。

作为NNA IP系列第四代产品,IMG Series4 NNA具备创新的多核架构、高扩展性&高灵活性、超高性能、超低延迟、节省带宽、车规级安全性等功能及特性,可满足汽车、移动设备、数据中心、PC等多种应用场景的AI加速要求。

IMG Series4 NNA可运行一系列AI框架,包括Caffe、PyTorch、TensorFlow、PaddlePaddle、Chainer、Cognitive Toolkit、mxnet和Open Neural Network Exchange (ONNX)等。

对神经网络的支持方面,IMG Series4可为CNN、LSTM、RNN等多种神经网络加速,同时支持YOLO v3、Kittiseg等。

6. 深度学习端侧推理框架Bolt v1.0发布,领跑端侧AI性能与应用

Github:https://github.com/huawei-noah/bolt

Bolt是基于华为诺亚方舟实验室研究成果,开源社区孵化的高性能深度学习推理加速库。

  • 高性能:Bolt推理时间实测低于现有的开源加速库15%+。

  • 多平台:Bolt支持ARM CPU,ARM GPU,X86 CPU等多种硬件。

  • 多应用:Bolt能够加速常用计算机视觉(检测,识别,分割等)和自然语言处理应用(意图识别,翻译,语音识别,文本到语音等)。

  • 全精度:Bolt支持float32, float16, int8, 1-bit等多种计算精度,满足不同应用场景的存储空间和计算速度要求;针对float16,int8实际应用过程中的精度下降问题,Bolt拥有全栈的解决方案。

  • 高适配:Bolt支持Tensorflow,Pytorch,Caffe,MindSpore等多种训练框架存储的PB, TFLite, ONNX, CaffeModel模型文件直接转换。

7. 骁龙888打开“新象限” ,专业相机和游戏机直呼不讲武德

高通骁龙888,它来了它来了。

一如既往,作为地表最强芯片一年一度迭代,发布当晚就吸引了上百万中国网友“熬夜”打榜。

发布后更是因为其性能、变革和充满东方神秘智慧的“骁龙888”命名,被进一步热议,甚至冲上各种热搜。

你敢信吗?

反正完整围观之后,我相信这些网友可不是乱看的。

一个个有备而来,骁龙888,新一代安卓旗舰争着第一批上车的最强旗舰芯片,决定着很多人手里的手机还香不香,也决定着下一步手机能干些什么……

当然,骁龙888确实也在性能、影像、游戏和AI等目前最受关注的终端能力上交出答卷。

“你值得拥有一部搭载高通骁龙888 5G移动平台的旗舰智能手机。”

这句一次次在骁龙技术峰会上响起,简直洗脑。

8. TypeScript超越C++成第四大语言,GitHub这份年度报告有太多“意想不到”

昨天,GitHub一年一度的Octoverse报告发布啦,大家最关心的编程语言排行榜也一并出炉。

微软设计的编程语言、JavaScript的超集、还不到10岁的TypeScript表现亮眼,一举超过C#、PHP、C++,跃升为第四大受欢迎编程语言,仅次于JavaScript、Python和Java。

因为新冠疫情的爆发,对科技行业影响极大,也让2020年的报告多了一重特殊含义。从数据上看,社交隔离和在家办公的确促进了开源社区的快速发展。

无论是开发者人数,还是创建的开源项目数量,相比去年都有大幅增加。

9. 工程师如何在工作中提升自己?

古人云:“活到老,学到老。”

如何在繁忙的工作中做好技术积累,构建个人核心竞争力,相信是很多工程师同行都在思考的问题。

本文是我自己(美团技术团队)的一些总结,试图从三个方面来解答:

  • 第一部分阐述了一些学习的原则。任何时候,遵循一些经过检验的原则,都是影响效率的重要因素,正确的方法是成功的秘诀。

  • 提升工作和学习效率的另一个重要因素是释惑和良好心态。第二部分分析了我在工作中碰到和看到的一些典型困惑。

  • 成为优秀的架构师是大部分初中级工程师的阶段性目标。第三部分剖析架构师的能力模型,让大家对目标所需能力有一个比较清晰的认知。


你可以添加微信17775982065为好友,注明:公司+姓名,拉进 RT-Thread 官方微信交流群!

RT-Thread


让物联网终端的开发变得简单、快速,芯片的价值得到最大化发挥。Apache2.0协议,可免费在商业产品中使用,不需要公布源码,无潜在商业风险。

长按二维码,关注我们

 点击阅读原文报名开发者大会

你点的每个“在看”,我都认真当成了喜欢

bolt:Bolt是具有高性能和异构灵活性的深度学习库 介绍 是用于深度学习的轻量级库。 Bolt作为用于各种神经网络的通用部署工具,旨在最大程度地减少推理运行时间。 Bolt已被华为公司2012实验室,CBG和华为产品线等多个部门广泛部署和使用。 如果您有任何问题或建议,可以提交问题。 QQ群:833345709 为什么您需要Bolt? 高性能:比现有的开源加速库快15%以上。 丰富的模型转换:支持Caffe,ONNX,TFLite,Tensorflow。 各种推理精度:支持FP32,FP16,INT8、1-BIT。 多种平台: ARM CPU(v7,v8,v8.2),Mali GPU,X86(AVX2) Bolt是第一个支持NLP的人,也支持常见的CV应用程序。 最小化ROM / RAM 丰富的图优化 高效的线程亲和力设置 建筑状况 提供了多种选择来编制螺栓。 请根据您的环境做出合适的选择。 目标平台 生成命令 Linux 立即下载

相关推荐

[信号与系统]一阶与二阶连续时间系统和离散时间系统

定义:一阶连续时间系统由一阶线性常系数微分方程描述: dy(t)dt+ay(t)=bx(t) \frac{dy(t)}{dt} + a y(t) = b x(t) dtdy(t)​+ay(t)=bx(t)时间常数:时间常数 τ=1a\tau = \frac{1}{a}τ=a1​ 是系统响应速度的衡量指标。时间常数越小,系统响应越快。冲激响应:一阶系统的冲激响应是指数衰减或增长的形式。例如,对于一个单位冲激输入,响应为: h(t)=bae−at h(t) = \frac{b}{a} e^{-at} h(t)=

Andius的博客 2123

无需懂代码!用AI工具Bolt一键生成网站的入门指南!

对于完全没有开发经验的用户来说,Bolt提供了一个便利的路径,让网站搭建不再是技术门槛而变成一个创意过程,只需要在对话框中进行简单描述,Bolt就会根据需求自动生成内容并提供预览,大幅减少了设计与开发的繁琐步骤。打开Bolt的对话框,输入一句简单的描述:“请你为玩AI的小胡子制作一个中文个人网站,玩AI的小胡子是一个不制造焦虑的AI应用探索者,内容就先这样。最大的特点便是零代码,用户只需在Bolt的对话框中用语言表达自己想要的网站效果,Bolt会自动生成相应代码,实现网站搭建。

玩AI的小胡子-博客 7843

方差迭代计算公式

方差迭代计算过程推导术语约定递推公式过程推导 术语约定 (1)En=1n∑i=1nxi E_n =\frac{1}{n} \sum_{i=1}^{n}x_i \tag{1} En​=n1​i=1∑n​xi​(1) (2)F(n)=∑i=1n(x2−En) F(n) = \sum_{i=1}^{n}{(x^2-E_n)} \tag{2} F(n)=i=1∑n​(x2−En​)(2) (3)V(n)...

weixin_44479136的博客 7921

推荐:Bolt - 快速构建Web应用程序的框架

是一个基于PHP的现代Web应用程序框架,旨在帮助开发人员快速、高效地创建功能丰富的网站和应用程序。它采用了简洁、直观的设计理念,并提供了一系列强大的工具和特性,以支持开发过程中的各种需求。 ## 功能与应用场景 Bolt具有广泛的应用场景,适合用于各种类型的Web开发项目,包括企业网站、博客、社区论坛、电子商务平台等。以下是Bolt的一些主要功能: 1. 简单易用的内容管理系统(CMS):...

gitblog_00014的博客 644

Oracle Primavera P6实战手册:从入门到精通的企业项目管理秘籍

本文详细介绍了Oracle Primavera P6在企业项目管理中的实战应用,从环境配置到高级进度控制技巧,帮助用户从入门到精通。通过WBS设计、资源优化和情景模拟等核心功能,提升项目管理效率。特别适合需要处理复杂项目和多团队协作的企业用户。

weixin_29235923的博客 257

如何让 Mac mini 24小时不休眠运行 OpenClaw

如果 OpenClaw 每 5-10 分钟自动退出,launchd 连续 4 次快速重启后会判定为崩溃循环并卸载服务。:方案一(pmset)+ 方案三(launchd)组合使用,既防止系统休眠,又保证 OpenClaw 开机自启和崩溃自动恢复。:caffeinate 只在进程运行期间有效,终端关闭或进程结束后系统恢复正常睡眠策略。这条命令会自动创建 launchd plist 并启用服务,是最推荐的方式。替换为你的实际用户名路径,Node.js 路径也要改成你自己的。确保 plist 中有。

Maynor的博客 2228

Bolt 核心框架入门与实践指南

[Bolt](https://github.com/bolt/core.git) 是一个现代的PHP应用框架,设计用于简洁而高效地开发Web应用程序。它强调了开发者体验和直观的API,支持快速搭建从简单的站点到复杂的应用。Bolt通过其灵活的数据处理、优雅的路由系统以及强大的模板引擎,让开发者能够快速响应需求变化。 ## 项目快速启动 要快速启动一个新的Bolt应用,首先确保你的环境已经安装了

gitblog_00954的博客 567

智能车图像处理21-进阶篇13--正入十字补线2

这篇文章主要的正入十字补线与1基本相同,主要防止图像中双十字的问题。

taiyuezyh的博客 2037

sofa-bolt(网络通信框架)

SOFABolt 用户手册 蚂蚁通信框架实践 SOFABolt 是蚂蚁金融服务集团开发的一套基于 Netty 实现的网络通信框架。 为了让 Java 程序员能将更多的精力放在基于网络通信的业务逻辑实现上,而不是过多的纠结于网络底层 NIO 的实现以及处理难以调试的网络问题,Netty 应运而生。 为了让中间件开发者能将更多的精力放在产品功能特性实现上,而不是重复地一遍遍制造通信框架的轮子,SOFABolt 应运而生。 SOFABolt的基础功能: 基础通信功能 ( remoting-core ) 基于 N

weixin_41942838的博客 1905

Android 14安装的APK默认允许运行时权限

本文介绍了在Android系统中实现安装应用后自动授予运行时权限的方法。通过在安装完成广播中检测应用安装状态,调用新增的DefaultPermissionGrantPolicy.grantAppRuntimePermissions()函数来授予常规权限,并使用allowSpecialPermission()处理特殊权限(如安装未知应用和悬浮窗权限)。文章详细说明了如何修改DefaultPermissionGrantPolicy类,添加grantAppRuntimePermissions和grantRunti

热衷于Android Framework和系统APP的修改经验分享 686

拼多多Android面试题及参考答案

Android 系统采用分层架构设计,从底层到上层依次为Linux 内核层硬件抽象层(HAL)系统运行时库层应用框架层应用层,共五层。位置:Linux 内核层与系统运行时库层之间,是“硬件与系统的隔离层”。核心作用:屏蔽硬件差异,为上层提供统一的硬件访问接口,解决 Android 开源与硬件厂商闭源的矛盾,具体功能如下:硬件能力抽象:将硬件的具体实现(如不同厂商的摄像头芯片、音频芯片)封装为标准化接口(如Camera HALAudio HAL。

大模型大数据攻城狮的专栏 1285

深度学习模型压缩与优化加速(Model Compression and Acceleration Overview)

1. 简介 深度学习(Deep Learning)因其计算复杂度或参数冗余,在一些场景和设备上限制了相应的模型部署,需要借助模型压缩、优化加速、异构计算等方法突破瓶颈。 模型压缩算法能够有效降低参数冗余,从而减少存储占用、通信带宽和计算复杂度,有助于深度学习的应用部署,具体可划分为如下几种方法(后续重点介绍剪枝与量化): 线性或非线性量化:1/2bits, int8 和 fp16等; 结构或...

AI Flash 4万+

基于深度学习的异常检测实战:从自编码器到GAN

本文通过一个完整的实战案例,展示了如何使用自编码器和GAN进行异常检测。我们详细介绍了数据准备、模型定义、训练和评估的步骤,并提供了可运行的代码。希望本文能为读者在实际项目中应用异常检测技术提供实用的指导和启发。

Programming Talk 243

AMD 显卡/GPU 深度学习折腾指南

文章首发于 个人博客 文章目录IntroductionZheTeng ConditionsGPU 列表CPU 列表关于 ROCmInstall on Ubuntu系统准备安装 ROCmDeep Learning on ROCmTensorflowPyTorchConclusion Introduction 鉴于 NVIDIA 的价格和自己的预算, 因此上了 AMD 的船,自此主机组装完成。 A...

[&] () {} 6万+

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

【Stable Diffusion/NovelAI Diffusion的AMD GPU加速推理探索】

这边我们还是MS大发好,用MS的DirectML推理框架推理

weixin_44029053的博客 1万+

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

使用Bolt框架部署二值化姿态估计模型

一、二值姿态估计网络 二值网络较难用后训练的方式进行量化,因此本文基于Simple Baselines 提出的模型结构,替换其backbone中的卷积模块为二值卷积(其中实现参考了这篇论文)并使用pytorch框架进行训练。 由于二值网络的权重在训练时仍然是浮点类型,因此在模型转换时需要将pytorch模型中的weight使用torch.sign进行二值化。随后将pytorch模型导出为onnx,再使用bolt提供的转换工具进行转换。 二、实验准备 实验使用的开发板为昇腾的Atlas200,CPU为8*Co

Billhe_zju的博客 841

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Bolt:快速构建具有最新平台功能的 Slack 应用

在现代的工作环境中,Slack 已成为团队沟通的重要工具。对于开发者而言,构建与 Slack 互动的应用程序可以极大地提升工作效率和团队协作。今天,我将向您推荐一个强大的 Python 框架——Bolt,它能让您快速构建具有最新平台功能的 Slack 应用。 ## 项目介绍 Bolt 是一个专为 Python 设计的框架,它让开发者能够轻松地构建与 Slack 集成的应用程序。无论是事件监听、

gitblog_00194的博客 796

ROCm上的目标检测系统:YOLOv8训练与推理优化

ROCm(Radeon Open Compute Platform)作为AMD开源的GPU计算栈,为深度学习任务提供了强大的硬件加速能力。本文将详细介绍如何在ROCm平台上构建基于YOLOv8的目标检测系统,包括环境配置、模型训练流程及推理性能优化方法。通过结合ROCm生态中的PyTorch框架支持、多GPU分布式训练技术和Composable Kernel加速库,实现YOLOv8在AMD GPU...

gitblog_00838的博客 773

Bolt

转载自:https://blog.csdn.net/lulongzhou_llz/article/details/46399457 Bolt 接口   Storm中定义的Bolt接口主要有IBolt 、IRichBolt 、IBasicBolt和IBatchBolt, IBolt   IBolt定义了Bolt的功能集合。   Bolt是Storm中的基础运行单位,当其启动并有消...

ZERO 1108

探索轻量级高性能的Bolt库:一款现代C++网络应用框架

探索轻量级高性能的Bolt库:一款现代C++网络应用框架 是一个由liexusong开发的C++库,专为构建高效率、低延迟的网络应用程序而设计。它利用了现代C++特性,提供了简洁的API,使开发者能够轻松地处理TCP和UDP网络通信。 项目简介 Bolt的核心目标是简化网络编程的复杂性,让开发者能够专注于业务逻辑而不是底层的网络细节。这个项目基于异步I/O模型,支持epoll(Linux)和kqu...

gitblog_00010的博客 508

xGeMM:加速通用矩阵乘法

xGeMM:加速通用矩阵乘法 项目介绍 xGeMM 是一个开源项目,专注于加速通用矩阵乘法(FP32)的实现。它已经在 Ubuntu 24.04.1 LTS 系统上,使用 NVIDIA RTX 3090 显卡和 nvidia-driver-550 驱动程序以及 CUDA 12.4 环境进行了测试。通过该项目,用户可以显著提高矩阵乘法的计算效率,特别是在 GPU 上运行时。 项目技术分析 xGeMM...

gitblog_00696的博客 953

曙光云DCU使用补充:

由于曙光云使用的是国产GPU(即DCU),硬件是基于ROCm的,因此不能适配PyTorch官网下载的包(无法调用DCU),因此只能使用曙光云平台提供的编译好的PyTorch包进行安装。切忌不能使用pip install torch==1.13.0 torchvision的命令直接安装,而应该选择曙光云本地提供的包进行安装。最后大家还是用脚本的方式提交作业,客服说命令行运行起来还是有问题的,我在跑程序就是有问题。提示:除了使用salloc的另一种提交作业的方式,这种方式关了网页程序也能在后台跑。

shaun12ssf的博客 5203

推荐项目:AMD MIGraphX —— 加速AI推理的利器

推荐项目:AMD MIGraphX —— 加速AI推理的利器 在机器学习领域,快速准确地进行模型推断是实现应用高效性的关键。今天,我们来探索一款由AMD打造的强大工具——AMD MIGraphX,这是一款专为加速机器学习模型推理设计的图形推理引擎。 项目介绍 AMD MIGraphX,作为ROCm生态的重要组成部分,专为AMD的GPU优化,旨在提升深度学习模型的推断性能。它支持从预编译二进制安装到...

gitblog_00003的博客 648

AMD ROCm平台上的YOLOv8目标检测全流程优化指南

AMD ROCm(Radeon Open Compute)平台为深度学习应用提供了强大的GPU计算能力。本文将全面解析在ROCm环境中部署YOLOv8目标检测系统的优化策略,涵盖环境配置、训练调优和推理加速等关键环节。 ## 🚀 环境搭建与基础配置 ### ROCm环境快速部署 在开始YOLOv8训练前,需要确保ROCm平台正确安装。推荐使用官方提供的安装脚本进行自动化配置: ```ba

gitblog_00760的博客 814

Stable Diffusion WebUI Forge提示词引擎深度解析:掌握权重控制技巧,让AI绘画效果提升300%

你是否还在为AI绘画提示词编写而烦恼?输入简单词汇却得到模糊结果,复杂参数调整半天仍不理想?本文将带你深入解析Stable Diffusion WebUI Forge的提示词处理引擎,通过模块化工具链和实战案例,让零基础用户也能快速生成专业级提示词,实现创作效率的飞跃。 ## 提示词引擎核心架构解析 Stable Diffusion WebUI Forge的提示词处理系统基于`backend/

gitblog_00215的博客 579

AI推理“最优解” | AMD EPYC你用对了吗?

打造新质生产力,将人工智能(AI)推向行业应用的纵深至关重要。而这就需要强大的算力作为支撑和保障。术业有专攻 CPU更适合AI推理大模型的火爆,使得人们对于AI训练倾注了极大热情,各类AI加速器,尤其是GPU成了香饽饽。殊不知,在AI生命周期中还有另外一个重要支点,那就是AI推理。比如,在银行、保险公司,信用评分、欺诈检测、风险管理等,越来越仰仗AI推理;在自动驾驶和交通运输方面,自动驾驶...

1747
上一篇: AIOT开发者不容错过的物联网操作系统技术大会
下一篇: 惊喜!做嵌入式UI还能用javascript
RT-Thread物联网操作系统
博客等级 码龄6年 2万+粉丝 392原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值