4 天前 / 云水木石
题图摄于上海 NVIDIA TensorRT是一个高性能深度学习推理平台。它包括深度学习推理优化器和运行时，可为深度学习推理应用程序提供低延迟和高吞吐量。推理时，基于TensorRT的应用程序比仅CPU平台的执行速度快40倍。使用TensorRT，您可以优化所有主流框架中训练出的神经网络模型。 简单说，TensorRT是用来优化推理过程，而不是训练过程，这也符合大多数应用场景，因为最终部署到产品中，所做的工作就是推理。别看TensorRT包含了Tensor关键词，实际上它适用于TensorFlow、caffe、PyTorch等所有主流深度学习框架。 在硬件上的需求就是Nvidia的显卡......
7 天前 / figo
“Generative Adversarial Networks是过去10年机器学习中最有趣的想法。”-Facebook AI人工智能研究总监Yann LeCun 想把马变成斑马吗？制作DIY动漫人物或名人？那么生成对抗网络（GAN）是帮助你最好的工具。 使用生成对抗网络创建深度生成模型，目前深层生成模型的分类如下图。本文的重点是GAN。 在本文中，我们将解决以下主题： GAN的简短回顾 GAN应用程序 GAN问题 其他类型的GAN 构建图像GAN 编码教程 本文的大部分内容将涉及编码GAN以及对GAN的一些更高级实现的广泛介绍。 GAN的简短回顾最近引入了生成对抗网络（在过去5年左右......
10 天前 / figo
如今，特斯拉，谷歌，优步、通用汽车、百度都在努力创造自己的自动驾驶汽车，致力于在现实世界的道路上行驶。许多分析师预测，在未来5年内，我们将开始在我们的城市中运行全自动驾驶汽车，并且在30年内，几乎所有汽车都将完全自主。但是，对于个人研究者而言，这种成本太大，我们可以使用的一些相同技术来制造你自己的自动驾驶汽车不是很酷吗？ 在 github 上，一个叫做David Tian的小哥使用树莓派和TensorFlow构建了一个自动驾驶项目，在项目中，作者一步步将指导如何从头开始构建自己的项目，包括硬件的采购组装、自动驾驶小车的控制、......
10 天前 / openio
为什么需要深度学习编译器深度学习编译器的部署目标传统的深度学习框架也可以做，一个非常自然的问题是为什么不直接沿用传统的框架。这是一个编译器研究者来往往会忽略的问题。深度学习编译器只有在各种场景超过人工优化的传统办法，才有机会真正被采用，到达这一目标之前之前深度学习编译只是玩具。 从目前的现状来看，深度学习编译器TVM已经一定程度上到达了这一目标。在一些部署场景下，深度学习编译已经到达了可以和传统框架一拼高下或者超越传统框架的阶段。随着深度学习自动化编译研究的进展手写优化的经验会被融入到编译器中，从而把逐步......
11 天前 / hyper0x
淘宝上的移动AI技术 现在你也可以在自己的产品中使用啦！ 与 Tensorflow、Caffe2 等同时覆盖训练和推理的通用框架相比，MNN 更注重在推理时的加速和优化，解决在模型部署的阶段的效率问题，从而在移动端更高效地实现模型背后的业务。这和服务器端 TensorRT 等推理引擎的想法不谋而合。 在大规模机器学习应用中，考虑到大规模的模型部署，机器学习的推理侧计算量往往是训练侧计算量的十倍以上，所以推理侧的优化尤其重要。 ——贾扬清（阿里巴巴技术副总裁） 开源地址https://gith......
13 天前 / hyper0x
在给定如下图像的情况下，我们的目标是生成字幕，例如 “踏浪前行的冲浪者”。 图像来源及许可：公共领域 在此示例中，我们将使用基于注意力机制的模型。这样我们就能看到模型在生成字幕时重点关注的图像区域。 下面这种模型架构与《显示、加入及识别：使用视觉注意力机制生成神经图像字幕》(Show, Attend and Tell: Neural Image Caption Generation with Visual Attention)一文中的架构类似（https://arxiv.org/abs/1502.03044）。 此笔记是一个端到端示例。运行时，该笔记会下载 MS-COCO数据集、使用 Inception V3 对......
26 天前 / 比昂
01 卷积 在泛函分析中，有卷积、旋积或摺积（Convolution）的定义。它是通过两个函数f和g生成第三个函数的一种数学运算，表征函数f与g经过翻转和平移的重叠部分的面积。 卷积的计算公式如下： f(t)先不动， g(-t)相当于g(t)函数的图像沿y轴（t=0）做了一次翻转。g(x-t)相当于g(-t)的整个图像沿着t轴进行了平移，向右平移了x个单位。他们相乘之后围起来的面积就是h(x)。 离散卷积的定义为： 可以看出算计可以理解为: 对离散求和，对连续求积分。 02 卷积的图像处理 之前介绍过《神经网络（......
32 天前 / 极市小助手
极市正在推出CVPR2019的专题直播分享会，邀请CVPR2019的论文作者进行线上直播，分享优秀的科研工作和技术干货，也欢迎各位小伙伴自荐或推荐优秀的CVPR论文作者到极市进行技术分享~ 本周四（4月18日）晚，来自CMU的博士生诸宸辰，将为我们分享基于Anchor-free特征选择模块的单阶目标检测（CVPR2019），公众号回复“40”即可获取直播详情。 作者 | CV君 来源| 我爱计算机视觉 已获作者授权，未经允许不得二次转载 极市曾经分享作者发布的CVPR2019 | 微软、中科大开源基于深度高分辨表示学习的姿态估计算法，此后该文引起不少媒体......
33 天前 / algorithmdog
中心俞一鹏博士给大家带来随机连接神经网络RandWireNN的解读。 深度学习模型炼丹师一般手工精心设计网络中不同层之间的连接方式，如CNN的convolution，RNN的recurrent，ResNets的x+F(x)，以及DenseNets的[x, F(x)]等。自动化机器学习/深度学习的研究者则主要关注在巨大的网络模型空间中如何高效地搜索出较好的神经网络，如早期研究人员一般使用random search/gird search，现在演变出reinforcement learning, gradient-based, weight-sharing,以及evolutionary等方法。论文作者引入了一种网络模型空间的构造方法，即图论中的random graph，之后用g......
38 天前 / yaya
OpenCV是计算机视觉领域使用最为广泛的开源库，以功能全面使用方便著称。自3.3版本开始，OpenCV加入了对深度神经网络(DNN)推理运算的支持。在LiveVideoStack线上交流分享中英特尔亚太研发有限公司开源技术中心软件工程师吴至文详细介绍了OpenCVDNN模块的现状，架构，以及加速技术。 文 / 吴至文 整理 / LiveVideoStack 直播回放 https://www2.tutormeetplus.com/v2/render/playbackmode=playback&token=846e0ba66b954f43834086dec24ae492 注：文中的ppt是作者在EmbeddedLinuxConference2018上的演讲“DeepLearninginOpenCV”的ppt ......