深度学习

在国内外新冠疫情持续的特殊形势下，2021年世界经济论坛“达沃斯议程”对话会于1月25日至29日以线上形式举行。此次论坛上，全球70多个国家和地区的1500多位政商界和社会组织领导人围绕“把握关键之年，重建各方信任”这一主题，就如何应对新冠疫情下全球面临的经济、环境、社会、技术等挑战，寻求合作抗疫和推动经济复苏的方案等展开了探讨。 作为人工智能世界级科学家和企业家、达沃斯论坛的常客和重要委员，清华大学智能产业研究院（Institute for AI Industry Research，AIR）张亚勤院长亦受邀出席了此次达沃斯议程对话会，并发表了演讲。 近年来，人工智能一直是计算机领域的热门研究方向，也是达沃斯论坛的焦点议题。 早在2016年，张亚勤博士就曾在达沃斯论坛对人工智能相关议题提出了诸多见解。当时，他指出，人工智能将成为第四次工业革命的技术基石，另一方面，它的发展速度比许多人想象得都要快，但要实现技术的可靠和可控性，需要全世界共同思考解决。同时，当前人们更多是投资弱人工智能，即对人类智能的放大，而不是取代人的智能等。 迄今，包括机器学习、语音识别、图像识别、大数据挖掘、自然语言处理等AI技术已在交通、教育、医疗、金融等众多领域得到了广泛应用，成为各个领域转型升级的核心动力。以此次新冠肺炎疫情为例，随着“无接触”等需求的兴起，人脸识别等人工智能技术大放异彩

1.在训练模型时指定GPU的编号 设置当前使用的GPU设备仅为0号设备，设备名称为"/gpu:0"， os.environ["CUDA_VISIBLE_DEVICES"]="0" ; 设置当前使用的GPU设备为0，1两个设备，名称依次为"/gpu:0","/gpu:1"， os.environ["CUDA_VISIBLE_DEVICES"]="0,1" ;根据顺序优先表示使用0号设备，然后使用1号设备； 同样，也可以在训练脚本外面指定， CUDA_VISIBLE_DEVICES=0,1 python train.py ,注意，如果此时使用的是8卡中的6和7， CUDA_VISIBLE_DEVICES=6,7 python train.py ，但是在模型并行化的时候，仍然指定0和1， model=nn.DataParallel(mode, devices=[0,1] ; 在这里，需要注意的是，指定GPU的命令需要放在和网络模型操作的最前面； 2.查看模型每层的输如输出详情 1.需要安装torchsummary或者torchsummaryX(pip install torchsummary); 2.使用示例如下： from torchvision import models vgg16 = models . vgg16 ( ) vgg16 = vgg16 . cuda ( ) # 1

该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各种算法，包括图像锐化算子、图像增强技术、图像分割等，后期结合深度学习研究图像识别、图像分类应用。希望文章对您有所帮助，如果有不足之处，还请海涵~ 前面一篇文章介绍了OpenCV图像处理入门知识、算数逻辑运算与图像融合。这篇文章将介绍图像几何变换，包括：图像平移变换、图像缩放变换、图像旋转变换、图像镜像变换、图像仿射变换和图像透视变换，万字长文整理，希望对您有所帮助。 同时，该部分知识均为作者查阅资料撰写总结，并且开设成了收费专栏，为小宝赚点奶粉钱，感谢您的抬爱。当然如果您是在读学生或经济拮据，可以私聊我给你每篇文章开白名单，或者转发原文给你，更希望您能进步，一起加油喔~ https://github.com/eastmountyxz/ImageProcessing-Python 文章目录 一.图像几何变换概述 二.图像平移变换 三.图像缩放变换 四.图像旋转变换 五.图像镜像变换 六.图像仿射变换 七.图像透视变换 八.总结 前文参考： [Python图像处理] 一.图像处理基础知识及OpenCV入门函数 [Python图像处理] 二.OpenCV+Numpy库读取与修改像素 [Python图像处理] 三.获取图像属性、兴趣ROI区域及通道处理

深度学习与传统方法结合的超分辨率：Kai Zhang 1、 (CVPR, 2019) Deep Plug-and-Play Super-Resolution for Arbitrary https://github.com/cszn/DPSR 2、 (CVPR, 2017) Learning Deep CNN Denoiser Prior for Image Restoration https://github.com/cszn/IRCNN 论文 Learning Deep CNN Denoiser Prior Experiments：Image Denoising、Image Deblurring、 Single Image Super-Resolution 3、CVPR论文 | 如何处理多种退化类型的卷积超分辨率？作者：张凯 ，2018-07-24 SRMD 论文 链接 Learning a Single Convolutional Super-Resolution Network for Multiple Degradations 阿里巴巴达摩院机器智能技术实验室 提出了一种简单、有效、可扩展的超分辨率模型，其不仅可以处理bicubic降采样退化模型，并且可以处理多个甚至是退化空间不均匀的退化类型，为SISR实际应用提供了一种解决方案。

点击上方“3D视觉工坊”，选择“星标” 干货第一时间送达 在大规模场景下的地图构建时候，纯激光雷达传感器无法很好的完成地图构建工作，这时需要考虑使用不同的传感器，获取多种数据来进行传感器的融合，实现位姿的矫正，最终完成复杂大规模场景下的地图构建，这种方法也被称之为多传感器融合。 本篇文章要讲述的是发表在ICRA2020上的一篇多传感器融合实现点云地图构建的文章。 涵盖的知识面有：ESKF，IKF，IMU，Quaternion等。 论文地址： https://arxiv.org/abs/1907.02233 视频演示 1、论文概览 R-LINS的本质是一个以机器人为中心的激光惯导状态估计器。它使用以下两种传感器来估计机器人的运动姿态： 6轴 IMU：高频，聚焦自身运动，不采集外界环境数据 3D LiDAR：低频，聚焦车体运动，采集外界环境数据 这两种传感器想必大家都不陌生。但是，这两个传感器在复杂大规模领域里，单独的依靠自己的数据是很难实现地图构建的。所以，为了能够在具有挑战性的环境下也能保持鲁棒性和计算效率，本文使用了迭代的误差状态卡尔曼滤波器(ESKF)来通过重复生成新的对应特征来递归的修正机器人的状态信息。 为了防止滤波发散和降低计算成本，本文采用了一种新的以机器人为中心的公式，该公式重新定义了一个移动的局部帧的状态估计量

【论文标题】A review on deep learning for recommender systems: challenges and remedies （ Artificial Intelligence Review ，201906 ） 【论文作者】Zeynep Batmaz 1 · Ali Yurekli 1 · Alper Bilge 1 · Cihan Kaleli 1 【论文链接】 Paper （37-pages // Single column） =======================<札记非FY> （以下着重 mark 关于CNN的推荐系统 ！）========================= 4 Perspectival synopsis of deep learning within recommender systems 4.1 推荐系统的深度学习技术 4.1.1 推荐系统的限制玻尔兹曼机 4.1.2 推荐系统的深度信念网络 4.1.3 推荐系统的自动编码器 4.1.4 推荐系统的循环神经网络 4.1.5 推荐系统的卷积神经网络 CNN使用至少一个层的卷积，这类神经网络用于特定的任务，如图像识别和对象分类。 推荐系统也受益于CNNs。 1）Oordet al.(2013)利用CNNs从 音频数据 中提取无法从用户反馈中获得的隐含因子。 2

选自Medium 作者：Iden W.机器之心编译 编辑：陈萍、杜伟 转载自： 机器之心 原文链接： 使用谷歌Colab Notebooks，这6个小技巧你需要掌握 ​ mp.weixin.qq.com 切换暗黑模式、读取 CSV 文件… 这些非常实用的小技巧为开发者使用谷歌 Colab Notebooks 提供了便利。 Google Colab 给广大的 AI 爱好者和开发者提供了免费的 GPU，他们可以在上面轻松地跑 Tensorflow、PyTorch 等深度学习框架。特别地，Colab 实时 Notebooks 在数据共享方面为广大开发者提供了便利，通过链接即可与其他的开发者共享文件。 在本文中，数据科学家 Iden W. 为读者详细地介绍了使用 Google Colab Notebooks 的小技巧，主要包括以下几个方面： 切换暗黑模式 读取 CSV 文件 栈溢出的快捷方式 启动内核 提交至 GitHub 存储库并共享 分享 Google Colab Notebooks 切换暗黑模式 如果开发者想使用 Google Colab 的暗黑模式，请点击「Tools」选项卡，然后按照下图所示的步骤进行设置。 在「settings」中，你可以单击「Site」菜单，然后选择「dark」功能，单击保存。操作完成后即可切换暗黑模式。 读取 CSV 文件 从 Google Drive

我的规划： 　 　 1.做测试这方面 　　 作为在编程这块挣扎两年多的小白，发现自己并不适合编程这块，所以未来将放弃这个职业。但是，个人比较喜欢软件测试。说到测试，可能许多人就觉得测试很容易入门的。确实，测试时很好入门，以前许多人认为“如果你没有能力做开发，那么就去做测试”。但是，现在的流行观点：“只有高水平的开发者，才能胜任测试工作。” 　　软件测试员的一生如同一名医生的一生，随着职业阅历和临床经验的丰富累积，到一定的年龄他们通过“望闻问切”就能知道毛病出在什么地方。因此，有人说软件测试员和医生是最不需要用“青春”来保证和延续自己职业寿命的职业。毋庸置疑，在经历了长期的不为人知和可有可无后，软件测试工程师目前已变得非常抢手。 　　所以，如果我经过大学几年的努力，能很好的掌握一门语言（JAVA）并且在测试方面有所成就，就会在毕业找的第一份工作就跟测试很关。整个大学期间，我将把中心放在学Java和测试相关的学习上，放弃部分学校开设的比较杂的课程的深度学习，并且这期间在网上找自己心仪的公司，根据他们的要求有争对性系统的学习。 　 　 2.走教师行业 　　许多人说，人最开始就不要给自己留后路才能走得更远。其实，我觉得我们做什么事都要给自己留一手。人生路漫漫，下一步发生什么谁也不知道，所以做啥事都要考虑多一点，不留后路是理想化的努力过程达到预期的目标。所以

最后更新时间: 2021-01-31 00:00 Offline Algorithms in Low-Frequency Trading - (acm.org) 低频交易中的离线算法 得分:121 | 评论:20 Dark Patterns at Scale: Findings from a Crawl of 11K Shopping Websites (2019) - (princeton.edu) 规模上的黑暗模式：对11K个购物网站的调查结果（2019） 得分:95 | 评论:18 Uniwidth Typefaces for Interface Design - (uxdesign.cc) 界面设计用单幅字体 得分:68 | 评论:10 Show HN: Collection of deep learning implementations with side-by-side notes - (labml.ai) Show HN：带并排注释的深度学习实施集合 得分:127 | 评论:12 New Xquartz release with native Apple Silicon support - (mail-archive.com) 新的Xquartz版本，支持原生Apple硅 得分:129 | 评论:14 Fast Commits for Ext4 - (lwn.net

作者：陈大鑫 转载自：AI科技评论 原文链接： 陈丹琦、杨笛一、李宏毅荣获Salesforce AI研究基金，每人5万美元！ ​ mp.weixin.qq.com 昨日，Salesforce研究院宣布了2020年度Salesforce人工智能研究基金的获奖者。本年度一共有六位AI领域的学者入选，其中就包括大家比较熟知的 陈丹琦 和 杨笛一 。 Salesforce研究院将为每一位获奖者提供5万美元的资助，以推动他们的研究工作来帮助塑造人工智能的未来。 据了解这是Salesforce第三年提供这项研究基金，本次申请人数破了纪录。一共有来自30多个国家的180多个高质量学进行申请。在这轮申请中，Salesforce研究院最终根据申请提案质量、idea的新颖性以及与Salesforce提出的研究课题的相关性，授予6位AI学者研究基金资助。 以下对陈丹琦和杨笛一二人做简单介绍。 陈丹琦 陈丹琦目前为普林斯顿大学计算机系助理教授。陈丹琦在高中期间参加第 20 届国际信息学奥林匹克竞赛 (IOI2008) 获得金牌被保送到清华姚班，后直博到斯坦福大学。 在斯坦福期间，陈丹琦发表的论文《A Fast and Accurate Dependency Parser using Neural Networks》堪称 深度学习依存分析方法的“开山之作 ”，她和曼宁教授提出的方法在保持精度的前提下