9 小时前 / Aceyclee～
深度学习推理框架 OpenPPL 已经开源了，本文以一个图像分类实例，从 0 到 1 讲解如何部署一个深度学习模型，完成一个 AI 推理应用。 最终效果：通过上传一张猫咪照片（狗狗也可以），识别出图片中的动物 背景知识 OpenPPL 是基于自研高性能算子库的推理引擎，提供云原生环境下 的 AI 模型多后端部署能力，并支持 OpenMMLab 等深度学习模型的高效部署。 以下以在 Linux x86 平台上部署图像分类模型为例，详述 OpenPPL 的安装与使用流程，帮助同学们从 0 到 1 来实现一个人工智能应用推理服务。
6 天前 / MegEngine
写文章 Fast Run：提高 MegEngine 模型推理性能的神奇功能 MegEngine Bot 适合工业级研发的开源深度学习框架 - 旷视天元 MegEngine17 人赞同了该文章作者：王博文 | 旷视 MegEngine 架构师一、背景对于深度学习框架来说，网络的训练 / 推理时间是用户非常看中的。在实际生产条件下，用户设计的 NN 网络是千差万别，即使是同一类数学计算，参数也各不相同。如果没有针对性的优化，框架就完全丧失竞争力。因此，在一类数学计算中，开发者们会开发多种高效的算法，分别适用于不同的参数，以保证网络的性能。
7 天前 / hyper0x
撰文 |袁进辉 上周写了一篇《浅谈 GPU 虚拟化与分布式深度学习框架的异同》，想不到引起很多关注和讨论。和朋友们讨论之后，觉得这个话题值得再发散一下： 首先，文章只讨论了 GPU“一分多”这种“狭义”的虚拟化，还存在另外的虚拟化，“多虚一”也是存在的。在此，我想特别强调的是：上一篇文章后半部分对深度学习框架“多合一”的讨论恰恰是想说明“多虚一”是不可能靠仅仅一层包打天下的 API 就能实现，反而要靠”去虚拟化“的思路。 其次，“去虚拟化”这种理念在追求性能极致的场景不是新鲜事，在这篇文章里再举几个相关的例子。
8 天前 / hyper0x
撰文 | 袁进辉 经常有人来问我：GPU 虚拟化和分布式深度学习框架的异同，以及是不是用 GPU 虚拟化技术也可以解决现在超大规模深度学习模型的分布式训练难题。这次不妨把我的观点简要总结并分享出来，只想知道结论的朋友只需看简短的答案：两者不是一回事，二者的思想是对立的，GPU 虚拟化对解决分布式训练深度学习模型的难题没有任何作用（不谈负作用的话）。想知道原因的读者请继续阅读下文。 1GPU 虚拟化GPU 虚拟化的主要出发点是，有些计算任务的颗粒度比较小，单个任务无法占满整颗 GPU，如果为每一个这样的任务单独分配一颗 GPU 并让这个任务独占...
9 天前 / MegEngine-bot
写文章深度学习算子优化 -FFTMegEngine Bot 适合工业级研发的开源深度学习框架 - 旷视天元 MegEngine28 人赞同了该文章作者：严健文 | 旷视 MegEngine 架构师 背景在数字信号和数字图像领域， 对频域的研究是一个重要分支。 我们日常“加工”的图像都是像素级，被称为是图像的空域数据。空域数据表征我们“可读”的细节。如果我们将同一张图像视为信号，进行频谱分析，可以得到图像的频域数据。 观察下面这组图 ( 来源)，频域图中的亮点为低频信号，代表图像的大部分能量，也就是图像的主体信息。暗点为高频信号，代表图像的边缘和噪声。
14 天前 / Aceyclee～
在刚刚举行的 2021 世界人工智能大会（WAIC）上，商汤科技正式推出 OpenPPL 计划 —— 决定将深度学习推理部署引擎 SensePPL 中云端推理的能力开源给技术社区，从而加速 AI 技术的普及与进步！ 图丨世界人工智能大会现场（来源：商汤科技） 什么是 OpenPPL？ OpenPPL 是商汤基于自研高性能算子库的开源深度学习推理平台，能够让人工智能应用高效可靠地运行在现有的 CPU、GPU 等计算平台上，为云端场景提供人工智能推理服务。
24 天前 / 数据虫巢
作者·黄崇远 『数据虫巢』 全文共 9665 字 题图 ssyer.com “按我自己的理解，重新梳理了 embedding 的逻辑，并给他们造了一个江湖。” 为什么会今天写这个话题，其实早在系列的第十九就写过一篇《数据与广告系列十九：推荐召回与广告 LookAlike，万物皆可 Embedding》。 但总感觉意犹未尽，以及经过更长一段时间的思考以及在思考的过程中不断吸收新的知识，再加上近一段时间也确实在研究这块的广告相关的业务。 因此，有必要再换一个角度或者站在另外一个高度再来看 embedding 这个东西。
38 天前 / ???Edison_Guo
计算机视觉研究院专栏 作者：Edison_G 现在的自监督学习通过在 ImageNet 数据集上实现图像分类来进行无监督的预训练，通过最大化不同图像之间的距离（相似度），最小化同一张图像的不同视图之间的相似度来学习一个最佳的特征表示，这种方法针对 ImageNet 这种分类数据集（一张图像上一个类别物体）来说是适用的。但是。.. 公众号 ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式 1 简要 无监督视觉表示学习引起了相当多的关注，旨在用大量的未标记数据生成更好的特征表示。最近的自监督学习方法取得了比监督学习方法可比较或更好的结果。
51 天前 / ???Edison_Guo
计算机视觉研究院专栏 作者：Edison_G 近年来，在利用深度卷积网络检测目标方面取得了显著进展。然而，很少有目标检测器实现高精度和低计算成本。 公众号 ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式 一、简要 近年来，在利用深度卷积网络检测目标方面取得了显著进展。然而，很少有目标检测器实现高精度和低计算成本。今天分享的干货，就有研究者提出了一种新的轻量级框架，即多级特性重用检测器 (MFRDet)，它可以比两阶段的方法达到更好的精度。它还可以保持单阶段方法的高效率，而且不使用非常深的卷积神经网络。
60 天前 / hyper0x
最近，OneFlow 工程师成诚发布了一篇《GPT-3 模型为何难以复现？这也许是分布式 AI 框架的最优设计》，文章非常详细地提到深度学习框架面临的分布式训练难题，相信算法工程师都会碰到，强烈建议读一读。 本文将重点梳理深度学习框架在支持大规模预训练模型时面临的技术挑战，以及当前各类框架的基本解决思路，帮助算法工程师对业界各类框架的分布式训练能力有更清晰的认知。 撰文 | 袁进辉 近年来，深度学习被广泛应用到各个领域，包括计算机视觉、语言理解、语音识别、广告推荐等。
64 天前 / 赵喧典
首发于机心狗写文章【PaperNotes】Embedding-based Retrieval in Facebook Search 赵喧典微信公众号：机心狗 17 人赞同了该文章论文地址： 1. ACM：https://dl.acm.org/doi/10.1145/3394486.3403305 2. arXiv：https://arxiv.org/abs/2006.11632 这是一篇 Applied Data Science Track Paper，非 Research Track Paper，侧重于工业界技术的落地。从标题可以看出，论文介绍了 Facebook（以下简称 FB）的向量召回技术，也就是 Embedding-Based Retrieval（EBR）。
90 天前 / 数据虫巢
作者·黄崇远 『数据虫巢』 全文共 5838 字 题图 ssyer.com “我们从另外一个视角，或者另外一些思考方式来学习或者说认识推荐相关的模型。” 整个推荐技术发展到了如今，其实成熟度已经非常高了，尤其是模型层面，可以说被‘玩坏了’，不单纯是原文中提到的十大几种模型，几乎每年各大厂子都会有一些推荐相关的工程实践论文出来，眼花缭乱。 除了原文所组织的，从网络结构演进的方式去观测，还有其他方式去学习和认知，但最终我们的目标是，帮助我们自己的场景选择或者说演化最合适的模型出来。
94 天前 / 数据时光者
首发于数据拾光者写文章广告行业中那些趣事系列 32：美团搜索 NER 技术实践学习笔记数据拾光者OPPO 高级数据挖掘工程师 1 人赞同了该文章导读：本文是“数据拾光者”专栏的第三十二篇文章，这个系列将介绍在广告行业中自然语言处理和推荐系统实践。本篇主要是学习美团技术团队分享的《美团搜索中 NER 技术的探索与实践》学习笔记，对于想了解美团搜索 NER 技术实践的小伙伴可能有所帮助。 欢迎转载，转载请注明出处以及链接，更多关于自然语言处理、推荐系统优质内容请关注如下频道。
95 天前 / AI算法笔记
论文：《Learning Similarity Conditions Without Explicit Supervision》 论文地址：https://arxiv.org/pdf/1908.08589.pdf 代码地址：https://github.com/rxtan2/Learning-Similarity-Conditions 在这里插入图片描述论文笔记 1. 简介目前搭配方面的工作都比较依赖于多种相似条件，比如在颜色、类型和形状的相似性，通过学习到基于条件的 embedding，这些模型可以学习到不同的相似信息，但是也受限于这种做法以及显式的标签问题，导致它们没办法生成没见过的类别。
97 天前 / ???Edison_Guo
计算机视觉研究院专栏 作者：Edison_G 在 3D 目标检测挑战赛中，华为诺亚方舟实验室与 HUAWEI Octopus 自动驾驶云服务联合团队 Noah CV Lab&Octopus，取得了 3D detection track 第一名。华为汽车是由华为公司生产的新能源智能汽车。自动驾驶中的目标检测怎么做到的呢？ 长按扫描二维码关注我们一、简要在恶劣的驾驶情况下，例如弱 / 强照明和恶劣天气，雷达通常比相机更稳定。然而，与相机捕捉的 RGB 图像不同，雷达信号的语义信息很难提取。