中科院计算所培训中心2017年第一季度课程安排

一季度精品课程与专家介绍
本季度精心安排了一系列课程,并邀请了多位业内顶尖专家进行授课。包括软件工程、云计算、计算机仿真等多个领域的知名学者和实战派专家将分享他们的理论知识与实践经验。

一、一季度课程安排:

二、授课专家:
以上课程邀请了业界著名专家学者亲临授课。主流及前沿的技术背景,新颖和实用的授课内容,一定会使您受益匪浅。
谢老师:教授,培训中心副校长,大型电子对抗项目负责人、首席系统架构师,高级咨询顾问,国内软件工程知名专家,组织过多个大型软件项目,对软件工程管理与过程具有深邃的理论见解和实践知识。
杨老师:研究网络信息分析以及云计算相关技术,从事通信网管系统、网络信息处理、商务智能(BI)以及电信决策支持系统的研究开发工作,主持和参与了多个国家和省部级基金项目,具有丰富的工程实践及软件研发经验。
李老师:中国科学院专项课题组长,IEEE云计算与信号处理国际研讨会发起人,多个国际期刊审稿人。在高水平国际会议和SCI期刊上上发表论文十多篇,并拥有多项专利。带领团队完成多个云计算方面的工程项目。 
马老师:少将军衔,教授,博士、硕士生导师。
赵老师:教授,博士、硕士生导师,从事计算机仿真的科研与教学工作,主持和参与了多项国家军用标准的编制工作。
林老师:致力于需求工程、体系结构的方法论咨询服务与辅助研发,参与军队指挥自动化、应急联动指挥等领域数十个项目的建设。
胡老师:国家自然科学基金委同行评议专家。侧重于武器装备能力论证、计算机仿真实验理论的研究。
雷老师:国内知名企业云平台技术总监,中国云亲身实践者。
袁老师:CMMI高级咨询顾问,曾负责多项CMMI相关咨询/评估、工程工具咨询及中间件产品咨询服务并主持中科院管理学院MBA班“项目管理”和“甲方项目管理”主题演讲。

### 中科院计算所智能计算系统实验介绍 #### 实验室背景 中科院计算所的智能计算机研究中心源自原计算机体系结构国家重点实验室控制计算实验室,目前由韩银和研究员担任负责人。该中心致力于研究智能芯片、机器人操作系统以及相关领域的前沿技术[^3]。 #### 主要研究方向 1. **智能芯片与敏捷设计** 智能计算机研究中心聚焦于开发国际领先的智能计算机,其核心任务是以研制智能芯片为基础,推动领域专用处理器的研究与发展。这一方向涉及亿级并行度下的编程、算法设计、系统互连及容错技术的基础研究[^2]。 2. **VLSI与容错设计** 韩银和研究员领导的研究组专注于超大规模集成电路(VLSI)的设计及其容错机制,旨在提升系统的可靠性和性能。 3. **自动导航与无人驾驶** 胡瑜研究员带领的团队主要从事自动导航系统的研究工作,重点探索无人驾驶技术和算法硬件加速方案,力求实现高效、精准的目标定位与路径规划功能。 4. **深度学习软硬件协同优化** 陈晓明副研究员深入探讨深度学习模型在软硬件层面的最佳实践方式,包括但不限于电路与系统结构EDA算法的研发,同时他也是阿里巴巴达摩院青橙学者之一,在学术界享有较高声誉。 5. **集成电路设计与物理设计EDA工具** 王郁杰副研究员则着重于集成电路设计中的关键技术突破,特别是物理设计自动化工具链的发展和完善,并关注硬件安全性议题。 #### 发展理念 智能计算机研究中心秉持“应用牵引,创新驱动”的原则,依托中科院计算所在计算机体系结构方面的深厚积累和技术优势,围绕国家重大需求展开科学研究活动。通过构建新原理、新架构、新方法论支持下的领域专用处理器生态系统,努力成为全球范围内具备重要影响力的研究力量[^4]。 #### 实习生招募条件 为了吸引更多优秀人才加入到这个充满活力且意义非凡的工作环境中来,实验室设定了如下基本准入门槛: - 应聘者需来自计算机或者软件工程等相关专业; - 至少拥有本科及以上学历水平(硕士研究生优先考虑),其中本科生仅限于大三级或四级学生报名参加; - 展现出卓越的编码技巧以及牢固掌握数据结构和算法基础知识的能力; - 对Python编程语言较为熟悉; - 初步接触过深度神经网络理论知识,并能在图像分类、物体探测或是视频解析等领域有所涉猎; - 掌握PyTorch 或 TensorFlow 这样的主流深度学习框架操作技能; - 表现良好沟通表达能力和强烈的学习欲望,能够融入集体协作氛围之中持续完成分配下来的任务项目; - 可承诺连续参与实习时间不少于五个月,并获得所属院校或者是指导老师的正式许可文件证明[^5]。 ```python # 示例代码展示如何加载预训练模型进行推理 import torch from torchvision import models def load_pretrained_model(): model = models.resnet18(pretrained=True) model.eval() return model model = load_pretrained_model() dummy_input = torch.randn(1, 3, 224, 224) output = model(dummy_input) print(output.shape) # 输出张量形状应为 [1, 1000], 即对应 ImageNet 数据集类别数目的预测概率分布向量. ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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