导读：本期为 AI 简报 20210219 期，将为您带来 8 条相关新闻，新春过后第一弹，春天到啦，开工大吉~新年新气象，希望大家多多关注社区，更多精彩等着你~
本文一共 2760 字，通篇阅读结束需要 6~10 分钟
1. STM32 嵌入式机器学习（TinyML）实战教程-01 | 边缘智能实验室
第1部分：总体介绍
在STM32H747I Discovery开发板上，使用机器学习技术，开发机器视觉应用，本教程由ST（意法半导体）官方发布。
边缘智能实验室原创中文字幕，感谢支持。
视频中涉及的文档(也可到ST官网下载)：
链接：https://pan.baidu.com/s/1K1Dr2vMUZ8UmtVbZHkKAVA
提取码：w41p
2. 为AI而生，打破存储墙，佐治亚理工等提出新型嵌入式无电容DRAM | 机器之心
当今计算中最大的问题之一是「存储墙」，即处理时间与将数据从单独的 DRAM 存储器芯片传送到处理器所花费时间之间的差距。AI 应用的日益普及只会加剧该问题，因为涉及面部识别、语音理解、消费商品推荐的巨大网络很少能容纳在处理器的板载内存上。
在 2020 年 12 月举行的 IEEE 国际电子设备会议（IEDM）上，一些研究小组认为：一种新型的 DRAM 可能成为「存储墙」问题的解决方案。他们表示：「这种新型的 DRAM 由氧化物半导体制成，并内置在处理器上方的各层中，其位长是商用 DRAM 的数百或数千倍，并且在运行大型神经网络时可以提供较大的区域，节省大量能源。」
新型嵌入式 DRAM 仅由两个晶体管制成，没有电容器，简称为 2T0C。之所以可以这样做，是因为晶体管的栅极是天然的电容器（尽管有些小）。因此代表该位的电荷可以存储在此处。该设计具有一些关键优势，特别是对于 AI 来说。
原文链接：https://spectrum.ieee.org/tech-talk/semiconductors/memory/new-type-of-dram-could-accelerate-ai
3. 明年，我要用 AI 给全村写对联 | HyperAI超神经
春节接近尾声，你是否还沉浸在年味里？
年前的腊月二十九、三十，家家户户都要开始贴春联了。今年，各种 AI 写春联应用都纷纷上线，帮大家写春联，要不来试试？
对联对联，讲究的就是「成对」，要对仗工整，平仄协调。不过现代人的对对联技能，已经远不如古代的文人墨客，甚至有时候可能连上下联都傻傻分不清楚。而聪明的 AI 已经学会自己写对联了。
测试地址：
https://ai.binwang.me/couplet/
Github：
https://github.com/wb14123/couplet-dataset
数据集地址：
https://hyper.ai/datasets/14547
4. DeepMind最新研究NFNet：抛弃归一化，深度学习模型准确率却达到了前所未有的水平 | 机器之心
Paper：
https://arxiv.org/abs/2102.06171
DeepMind 还放出了模型的实现：
https://github.com/deepmind/deepmind-research/tree/master/nfnets
我们知道，在传递给机器学习模型的数据中，我们需要对数据进行归一化（normalization）处理。
在数据归一化之后，数据被「拍扁」到统一的区间内，输出范围被缩小至 0 到 1 之间。人们通常认为经过如此的操作，最优解的寻找过程明显会变得平缓，模型更容易正确的收敛到最佳水平。
然而这样的「刻板印象」最近受到了挑战，DeepMind 的研究人员提出了一种不需要归一化的深度学习模型 NFNet，其在大型图像分类任务上却又实现了业内最佳水平（SOTA）。
该论文的第一作者，DeepMind 研究科学家 Andrew Brock 表示：「我们专注于开发可快速训练的高性能体系架构，已经展示了一种简单的技术（自适应梯度裁剪，AGC），让我们可以训练大批量和大规模数据增强后的训练，同时达到 SOTA 水平。」
5. 在游戏里还原自己的脸，给AI一张照片就行，网易&密歇根大学出品 | AAAI 2021 开源 | 量子位
论文地址：
https://arxiv.org/abs/2102.02371GitHub地址：
https://github.com/FuxiCV/MeInGame
给AI一张毛不易的照片，它自动就能生成一个古风毛大侠。
现在，想在游戏里定制化自己的脸，你可以不用自己花时间琢磨参数了。
熟悉游戏的小伙伴可能认出来了，这一套AI捏脸术，来自网易伏羲人工智能实验室和密歇根大学。
现在，最新相关研究登上了AAAI 2021。
据作者介绍，这个名为MeInGame的方法，可以集成到大多数现有的3D游戏中，并且相比于单纯基于3DMM（3D Morphable Face Model ）的方法，成本更低，泛化性能更好。
6. 谷歌开源计算框架JAX：比Numpy快30倍，还可在TPU上运行！ | 新智元
Github：
https://github.com/google/jax
快速入门链接：
https://jax.readthedocs.io/en/latest/notebooks/quickstart.html
相信大家对numpy, Tensorflow, Pytorch已经极其熟悉，不过，你知道JAX吗？
JAX发布之后，有网友进行了测试，发现，使用JAX，Numpy运算可以快三十多倍！
下面是使用Numpy的运行情况：
1import numpy as np # 使用标准numpy，运算将在CPU上执行。
2x = np.random.random([5000, 5000]).astype(np.float32)
3%timeit np.matmul(x, x)
运行结果：
1 loop, best of 3: 3.9 s per loop
而下面是使用JAX的Numpy的情况：
1import jax.numpy as np # 使用"JAX版"的numpy
2from jax import random # 注意JAX下随机数API有所不同
3x = random.uniform(random.PRNGKey(0), [5000, 5000])
4%timeit np.matmul(x, x)
运行情况：
1 loop, best of 3: 109 ms per loop
我们可以发现，使用原始numpy，运行时间大概为3.9s，而使用JAX的numpy，运行时间仅仅只有0.109s，速度上直接提升了三十多倍！
那JAX到底是什么？
JAX是谷歌开源的、可以在CPU、GPU和TPU上运行的numpy，是针对机器学习研究的高性能自微分计算框架。简单来说，就是GPU和TPU加速、支持自动微分(autodiff)的numpy。
7. 大年初四，宜学习：MIT 6.S191视频、PPT上新！网友：这是最好的深度学习入门课之一 | 机器之心
课程主页：http://introtodeeplearning.com/
小编：之前也有推过该课程，开课之后反响确实不错
春节刚过，先来学点简单的。
越是入门的课程，可能越不好讲。
在深度学习领域，我们可以检索到各种各样的入门课程，但真正能让人「入门」的可能没有几个。
在为数不多的「真 · 入门」课程里面，MIT 的《深度学习导论（6.S191）》着实值得一提。最近，这门课程的更新又引起了新一轮的围观，刚放出几天的视频已经有了 7 万多的点击量。
有人甚至称赞说：「在现有的课程里面，这绝对是最好的深度学习入门课程之一。」
从各方反馈来看，它的「好」主要体现在以下几个方面：
门槛不高。部分学生表示，这门课程不需要你有多深厚的基础知识，也不需要精通 Python，很多非计算机科学领域的学生也能受益匪浅。
老师的讲解通俗易懂，而且 PPT 制作非常用心。
8. 新年立个小目标！代码写得更规范！ | 夕小瑶的卖萌屋
如果对自己写的代码羞于给同事欣赏的，不妨点进来看一看….
9. 其他
???????????? 点击阅读原文进入官网
459
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
