神經(jīng)網(wǎng)絡(luò) 文章最新資訊

混合用于低功耗傳感器的模擬和數(shù)字脈沖神經(jīng)網(wǎng)絡(luò)

Innatera 開發(fā)的 Pulsar 片上系統(tǒng) （SoC）集成了多個低功耗人工智能/機(jī)器學(xué)習(xí) （AI/ML）脈沖神經(jīng)網(wǎng)絡(luò) （SNN）加速器，這些加速器針對基于傳感器的解決方案（圖 1）。我與 Innatera 的首席執(zhí)行官 Sumeet Kumar 討論了這款 SoC 如何在基于電池供電或能量收集的應(yīng)用中提供始終在線（AON）的神經(jīng)網(wǎng)絡(luò)作。1. Innatera 的 Pulsar 片上系統(tǒng)集成了模擬和數(shù)字尖峰神經(jīng)網(wǎng)絡(luò) （SNN）以及 FFT
關(guān)鍵字：低功耗傳感器模擬數(shù)字脈沖神經(jīng)網(wǎng)絡(luò)

抖音背后的算法推薦邏輯

推薦算法已并非新生事物，但圍繞它的爭議卻從未間斷。這些爭議包括推薦算法帶來標(biāo)題黨、低質(zhì)量、甚至虛假內(nèi)容以及信息繭房的問題。很多人對推薦算法技術(shù)存在誤解，認(rèn)為算法是給內(nèi)容打上對應(yīng)標(biāo)簽，再給用戶打上對應(yīng)的屬性，最后通過數(shù)據(jù)運(yùn)算，把對應(yīng)標(biāo)簽的內(nèi)容推薦給有對應(yīng)屬性的用戶。實(shí)際上，隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，抖音的推薦系統(tǒng)已幾乎不依賴對內(nèi)容或者用戶打標(biāo)簽，而是通過復(fù)雜的神經(jīng)網(wǎng)絡(luò)計(jì)算，直接預(yù)測每個用戶對每條內(nèi)容可能產(chǎn)生的互動行為概率。機(jī)器學(xué)習(xí)對推薦算法的主要貢獻(xiàn)在于建立評分系統(tǒng)，在海量算力和海量供給的環(huán)境里，把用戶行為抽
關(guān)鍵字：抖音算法機(jī)器學(xué)習(xí) 神經(jīng)網(wǎng)絡(luò) 標(biāo)簽

一文讀懂｜什么是機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)定義機(jī)器學(xué)習(xí)（Machine Learning）本質(zhì)上就是讓計(jì)算機(jī)自己在數(shù)據(jù)中學(xué)習(xí)規(guī)律，并根據(jù)所得到的規(guī)律對未來數(shù)據(jù)進(jìn)行預(yù)測。機(jī)器學(xué)習(xí)包括如聚類、分類、決策樹、貝葉斯、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)（Deep Learning）等算法。機(jī)器學(xué)習(xí)的基本思路是模仿人類學(xué)習(xí)行為的過程，如我們在現(xiàn)實(shí)中的新問題一般是通過經(jīng)驗(yàn)歸納，總結(jié)規(guī)律，從而預(yù)測未來的過程。機(jī)器學(xué)習(xí)的基本過程如下：機(jī)器學(xué)習(xí)基本過程機(jī)器學(xué)習(xí)發(fā)展簡史從機(jī)器學(xué)習(xí)發(fā)展的過程上來說，其發(fā)展的時間軸如下所示：機(jī)器學(xué)習(xí)發(fā)展歷程從上世紀(jì)50年代的圖靈測試提出、塞繆爾
關(guān)鍵字：機(jī)器學(xué)習(xí) 深度學(xué)習(xí) 神經(jīng)網(wǎng)絡(luò)

MCU 如何優(yōu)化實(shí)時控制系統(tǒng)中的系統(tǒng)故障檢測?

當(dāng)前關(guān)于人工智能 (AI) 和神經(jīng)網(wǎng)絡(luò)的討論主要集中在生成應(yīng)用（生成圖像、文本和視頻），很容易忽視 AI 將為工業(yè)和基礎(chǔ)設(shè)施應(yīng)用中的電子產(chǎn)品帶來變革的實(shí)際示例。不過，雖然在電機(jī)驅(qū)動器、太陽能和電池管理應(yīng)用的實(shí)時控制系統(tǒng)中采用 AI 不會像新的大型語言模型那樣引起大量關(guān)注，但使用邊緣 AI 進(jìn)行故障檢測可以顯著影響系統(tǒng)的效率、安全性和生產(chǎn)力。本文中將討論集成式微控制器 (MCU) 如何增強(qiáng)高壓實(shí)時控制系統(tǒng)中的故障檢測功能。此類 MCU 使用集成神經(jīng)網(wǎng)絡(luò)處理單元 (NPU) 運(yùn)行卷積神經(jīng)網(wǎng)
關(guān)鍵字：邊緣AI 實(shí)時控制神經(jīng)網(wǎng)絡(luò)

使用移動端神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)實(shí)時弱光視頻增強(qiáng)

作者：Arm 戰(zhàn)略與生態(tài)部工程師 Ayaan Masood作為通訊工具，視頻會議幾乎隨處可見，尤其適用于遠(yuǎn)程辦公和社交互動。但其使用體驗(yàn)并非總是簡單直接、即開即用，可能需要進(jìn)行調(diào)整，確保音頻視頻設(shè)置良好。其中，照明便是一個難以把握的因素。在會議中，光線充足的視頻畫面會顯得得體大方，而糟糕的照明條件則會顯得不夠?qū)I(yè)，還會分散其他與會者的注意力。有時，改變光照情況并不可行，特別是在光線昏暗的冬季或照明不足的地點(diǎn)。在本文中，我們將探討如何構(gòu)建一個演示移動端應(yīng)用，以解決弱光條件下的視頻照明問題。我們將介紹支持該應(yīng)
關(guān)鍵字： Arm 神經(jīng)網(wǎng)絡(luò)

關(guān)于卷積神經(jīng)網(wǎng)絡(luò)，這些概念你厘清了么

隨著人工智能(AI)技術(shù)的快速發(fā)展，AI可以越來越多地支持以前無法實(shí)現(xiàn)或者難以實(shí)現(xiàn)的應(yīng)用。本文基于此解釋了卷積神經(jīng)網(wǎng)絡(luò)(CNN)及其對人工智能和機(jī)器學(xué)習(xí)的意義。CNN是一種能夠從復(fù)雜數(shù)據(jù)中提取特征的強(qiáng)大工具，例如識別音頻信號或圖像信號中的復(fù)雜模式就是其應(yīng)用之一。1什么是卷積神經(jīng)網(wǎng)絡(luò)？神經(jīng)網(wǎng)絡(luò)是一種由神經(jīng)元組成的系統(tǒng)或結(jié)構(gòu)，它使AI能夠更好地理解數(shù)據(jù)，進(jìn)而解決復(fù)雜問題。雖然神經(jīng)網(wǎng)絡(luò)有許多種類型，但本文將只關(guān)注卷積神經(jīng)網(wǎng)絡(luò)(CNN)，其主要應(yīng)用領(lǐng)域是對輸入數(shù)據(jù)的模式識別和對象分類。CNN是一種用于深度學(xué)習(xí)的人
關(guān)鍵字： ADI 神經(jīng)網(wǎng)絡(luò)

Nvidia 征服了最新的 AI 測試

多年來，英偉達(dá)在許多機(jī)器學(xué)習(xí)基準(zhǔn)測試中占據(jù)主導(dǎo)地位，現(xiàn)在它又多了兩個檔次。MLPerf，有時被稱為“機(jī)器學(xué)習(xí)的奧林匹克”的人工智能基準(zhǔn)測試套件，已經(jīng)發(fā)布了一套新的訓(xùn)練測試，以幫助在競爭計(jì)算機(jī)系統(tǒng)之間進(jìn)行更多更好的同類比較。MLPerf 的一項(xiàng)新測試涉及對大型語言模型的微調(diào)，該過程采用現(xiàn)有的訓(xùn)練模型，并用專業(yè)知識對其進(jìn)行更多訓(xùn)練，使其適合特定目的。另一個是圖神經(jīng)網(wǎng)絡(luò)，一種機(jī)器學(xué)習(xí)，一些文獻(xiàn)數(shù)據(jù)庫背后的一種機(jī)器學(xué)習(xí)，金融系統(tǒng)中的欺詐檢測，以及社交網(wǎng)絡(luò)。即使使用谷歌和英特爾的人工智能加速器的計(jì)算機(jī)增加和參與，由
關(guān)鍵字： GPU 神經(jīng)網(wǎng)絡(luò) LLM MLPerf 基準(zhǔn)測試英偉達(dá)

特斯拉FSD能否打破自動駕駛的默認(rèn)偏見？

特斯拉的全自動駕駛（FSD）是輔助駕駛系統(tǒng)Autopilot的升級版，可用于城市公共道路，包括自動停車、自動變道和交通導(dǎo)航。早在四年前特斯拉就推出了FSD軟件，并將其不斷升級至最新的FSD V12版本。但在中國尚無這項(xiàng)功能可用，特斯拉一直尋求在中國提供FSD技術(shù)。
關(guān)鍵字： 202406 特斯拉 FSD 自動駕駛 ADAS 神經(jīng)網(wǎng)絡(luò)

別再用VGG了！一文帶你看透 RepVGG怎么重鑄VGG榮光

寫在前面VGG算是非常經(jīng)典的網(wǎng)絡(luò)了，它是由牛津大學(xué)計(jì)算機(jī)視覺組（Visual Geometry Group）和Google DeepMind公司的研究員一起研發(fā)的 “直筒型“ 的網(wǎng)絡(luò)。既然在看這篇文章，想必已經(jīng)對VGG十分熟悉了。VGG有一些特別明顯的缺陷，如網(wǎng)絡(luò)的參數(shù)量較多，模型檢測準(zhǔn)確率也不是很好，總之VGG網(wǎng)絡(luò)效果不理想。之后的一段時間，人們總是將網(wǎng)絡(luò)變得更寬更深（如GoogleNet、ResNet）,以期待達(dá)到更優(yōu)異的效果。事實(shí)上也是這樣，更深更寬的網(wǎng)絡(luò)更容易滿足需求。這樣，VGG變得鮮有問津。這
關(guān)鍵字： VGG 神經(jīng)網(wǎng)絡(luò) 人工智能 RepVGG

蘋果M4系列芯片將在今年年底推出，增加神經(jīng)網(wǎng)絡(luò)引擎核心

蘋果將于2024年底開始推出搭載M4芯片的Mac新品。在人工智能大熱的背景下，M4系列也將增加神經(jīng)網(wǎng)絡(luò)引擎核心，以增強(qiáng)人工智能性能。蘋果M4芯片預(yù)計(jì)至少有三個主要型號：入門級芯片的代號為Donan，中端芯片的代號為Brava，高端芯片則代號為Hidra。
關(guān)鍵字：蘋果 M4 芯片神經(jīng)網(wǎng)絡(luò) AI

蘋果發(fā)布DeepPCR機(jī)器學(xué)習(xí)算法：加速神經(jīng)網(wǎng)絡(luò)的推理和訓(xùn)練

蘋果近日發(fā)布了DeepPCR機(jī)器學(xué)習(xí)算法，通過并行處理常規(guī)順序操作，可以加速神經(jīng)網(wǎng)絡(luò)的推理和訓(xùn)練。神經(jīng)網(wǎng)絡(luò)處理過程中，目前廣泛采取并行化技術(shù)，不過神經(jīng)網(wǎng)絡(luò)中的一些操作仍然是按順序完成的，擴(kuò)散模型通過一系列的去噪階段生成輸出，并且逐層進(jìn)行向前和向后傳遞。隨著步驟數(shù)的增加，這些進(jìn)程的順序執(zhí)行在計(jì)算上變得昂貴，可能會導(dǎo)致計(jì)算瓶頸。蘋果科研團(tuán)隊(duì)為了解決這個問題，推出了DeepPCR算法，進(jìn)一步加速了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和推理。該團(tuán)隊(duì)采用了平行循環(huán)還原（PCR）算法來檢索該解決方案，將順序過程的計(jì)算成本從 O（L）降低到
關(guān)鍵字：蘋果 DeepPCR 機(jī)器學(xué)習(xí) 算法神經(jīng)網(wǎng)絡(luò)

適用于手語采集與輸入的智能手套及翻譯系統(tǒng)

設(shè)計(jì)并實(shí)現(xiàn)了一款以ESP32-C3-WROOM-02為核心，基于物聯(lián)網(wǎng)、UDP協(xié)議、姿態(tài)傳感器和彎曲傳感器的適用于手語采集與輸入的智能手套及翻譯系統(tǒng)。該系統(tǒng)通過在手套上綁定姿態(tài)傳感器MPU6050，配合彎曲傳感器動態(tài)監(jiān)測手的運(yùn)動和姿態(tài)，通過ESP32芯片采集傳感器數(shù)據(jù)并做初步處理，經(jīng)單片機(jī)上的Wi-Fi模塊通過 UDP 協(xié)議傳輸給云端采用 SVM 算法識別靜態(tài)手勢，此外，本設(shè)計(jì)還搭建了基于Python的Web應(yīng)用程序框架Streamlit實(shí)現(xiàn)在網(wǎng)頁上實(shí)時呈現(xiàn)處理結(jié)果和全平臺兼容，方便用戶使用。
關(guān)鍵字： 202308 手勢識別 ESP32 彎曲傳感器 SVM 神經(jīng)網(wǎng)絡(luò)

從NN神經(jīng)網(wǎng)絡(luò)理解隱空間

1? ?復(fù)習(xí)：AIGC創(chuàng)作力來源——隱空間在2023 年1 月刊連載中，我們曾經(jīng)說明在AIGC領(lǐng)域里，最近幾個很紅的圖像模型，例如DALLE、Imagen 和Midjourney 等，它們都是基于一種機(jī)制：擴(kuò)散(Diffusion)。經(jīng)由模型訓(xùn)練，操作隱空間(Latent space) 的向量，加上隨機(jī)輸入中合成新的數(shù)據(jù)，呈現(xiàn)出令人驚奇的創(chuàng)作，推動了AI 組合的創(chuàng)新或創(chuàng)作。這意味著，關(guān)于AI 的生成或創(chuàng)作，大多會涉及隱空間的操作?，F(xiàn)在先從一個基本問題出發(fā)，這個問題是：為什么AI會創(chuàng)作
關(guān)鍵字： 202303 神經(jīng)網(wǎng)絡(luò) 隱空間 AIGC

人工智能推動神經(jīng)網(wǎng)絡(luò)技術(shù)開發(fā)熱潮

神經(jīng)網(wǎng)絡(luò)幾乎成了人工智能的代名詞，正在被應(yīng)用于各種領(lǐng)域，包括影像識別、語音識別、自然語言處理、自動駕駛、訊號分析、大數(shù)據(jù)分析和游戲。這是一個瞬息萬變的世界，每年都有新的神經(jīng)網(wǎng)絡(luò)模型被更新，大量的開放原始碼到處流傳，專用人工智能芯片開發(fā)企業(yè)更是如雨后春筍般涌現(xiàn)。因此全球研究人員正透過模仿人類大腦組織方式，積極開發(fā)類神經(jīng)網(wǎng)絡(luò)技術(shù)，雖然一直有突破性的進(jìn)展，但是現(xiàn)階段的神經(jīng)網(wǎng)絡(luò)，還是缺乏實(shí)時變化的靈活性，以及難以快速適應(yīng)陌生的狀況，使得神經(jīng)網(wǎng)絡(luò)技術(shù)普及實(shí)用化的進(jìn)程還是相當(dāng)遙遠(yuǎn)。根據(jù)不同應(yīng)用開發(fā)出的神經(jīng)網(wǎng)絡(luò)模型神經(jīng)
關(guān)鍵字：人工智能神經(jīng)網(wǎng)絡(luò)