智能平台

近期对话式人工智能创业公司Rasa完成了B轮2600万美元的融资，此轮融资的投资方为著名的Andreessen Horowitz。 融资将用于进一步完善其用于创建聊天和对话机器人(chatbots）和其他人工智能项目的，对话式AI开源工具。对于自动对话式智能机器人的需求，随着COVID-19所带来的公共健康危机，需求得到了爆发。 RASA的核心产品为一套用于创建具备情境感知(contextual)能力语音助理chatbots的toolkits，也就是以其开源的对话式人工智能Rasa Open Source平台。 RASA同时推出Rasa X软件，辅助用户快速使用RASA开源软件创建对话式语音助理，其Rasa企业版本可支持创建大规模的对话式语音助理服务，该服务满足HIPAA和GDPR规范。 可访问 www.rasa.com，了解更多内容 - 其他对话式人工智能创业团队如Directly(https://www.directly.com/)，近期也完成了新一轮融资，而另一家chatbot平台创业公司CX则被CM.com(https://www.cm.com/chatbot/)收购。 当然，Facebook也吹嘘其Chatbot - Blender（https://www.chatblender.com/）表现远超Google的Meena 和其他chatbot平台。

既然你已经读到了这篇文章，我就断定你已经开始了你的深度学习之旅了，并且对人造神经网络的研究已经有一段时间了；或者也许你正打算开始你的学习之旅。无论是哪一种情况，你都是因为发现你陷入了困惑中，才找到了这篇文章。你可能查询浏览了各种各样的深度学习的框架和库，但是其中有两个比较突出，他们是两个最流行的深度学习库：TensorFlow 和 PyTorch。你没有办法指出这两个库有什么本质的不同，不用担心！我将在这网络上无休止的存储空间中添加一篇新的文章，也许可以帮你弄清楚一些问题。我将简要的快速的给出你五点内容。仅仅是五点，那么，让我们开始吧！ 第一点：尽管 TensorFlow 和 PyTorch 都是开源的，但是他们是由两个不同的公司创建的。TensorFlow 是由 Google 基于 Theano 开发的，而 PyTorch 是由 Facebook 基于 Torch 开发的。 第二点：这两个框架最大的不同是他们定义计算图的方式不同。TensorFlow 定义一个静态图，而 PyTorch 定义动态图，这是什么意思呢？意思就是在 TensorFlow 中，你必须首先定义整个计算图，然后运行你的机器学习模型。但是在 PyTorch 中，你可以在运行的过程中，定义或控制你的图，当在神经网络中使用变长的输入时，这是非常有用的。 第三点：TensorFlow 比 PyTorch

VPX612是一款基于6U OpenVPX总线架构的超高速多通道信号采集处理模块，该板卡包括两片单通道5Gsps ADC（可软件配置成双通道2.5Gsps或4通道1.25Gsps模式），一片用于信号处理的高端Xilinx Virtex6系列FPGA以及一片TI的C6678 DSP，FPGA最大可支持4GByte容量DDR3 SDRAM，DSP可最大支持2GByte DDR3 SDRAM，该板卡主要用于电子侦查、数据采集等领域。 技术指标 标准6U OpenVPX，符合VITA65、VITA48、VITA67.2规范； 处理性能： 1.1片Virtex-6 XC6VLX240T（兼容SX315T\LX550T）； 2.1片TMS320C6678 8-CORES@1GHz/1.25GHz； 存储性能： 1.DSP处理节点：2GByte DDR3-1333 SDRAM； 2.FPGA处理节点：2组2GByte DDR3-1333 SDRAM； ADC性能指标： 1.分辨率：10bits；ENOB：6.9bit@1GHz，5Gsps（典型）； 2.采样率：2通道@5Gsps/4通道@2.5Gsps/8通道@1.25Gsps； 3.同步性：板内＜30ps，板间＜50ps； 4.模拟带宽（-3dB）：1MHz~2.7GHz； 5.SFDR：48dBc@1GHz，5Gsps（典型）； 6

在深度学习领域，Caffe框架是人们无法绕过的一座山。 这不仅是因为它无论在结构、性能上，还是在代码质量上，都称得上一款十分出色的开源框架。更重要的是，它将深度学习的每一个细节都原原本本地展现出来，大大降低了人们学习研究和开发的难度。 一、从Caffe的开发中了解到的用户需求： 深度学习的框架总会不断改变，Caffe也会有被新框架代替的一天。但是在开发Caffe的过程中，贾扬清发现大家喜欢的框架其实有着很多相似的地方，这些闪光点拥有很长的生命周期，发现并掌握人们这些共同偏好将为以后开发新的框架积累经验。 Caffe之所以广受欢迎可能是因为有以下的四个特点： 　　1、 稳定的模型架构 　　Caffe通过Protobuf来定义一个网络的结构，而这个由Google开源的库具有优秀的版本兼容性。随着Caffe的框架源码的不断更新迭代，之前定义的网络结构依然能兼容解析，模型仍然能正确加载运行。 　　2、较好的设备抽象 　　合理的设备抽象能够精简代码，提高框架适用性。在这方面Caffe做了比较好的尝试，模型的训练和使用与不同的平台耦合比较低，只要平台能解析网络结构并读取二进制的模型参数，就能运行该模型。这样大大拓展了框架的应用范围，自然更加符合用户的使用需求。 　　3、清晰的说明教程 　　如何让首次接触到框架的人通过说明教程就能最快地熟悉运用，这对于一个新面世的框架来说尤为重要

云智一体的融合能力 是 让AI作为一种通用能力走进千行百业的基石，也是百度智能云战略能 力的来源。 撰文 / Alter 编辑 / 胖爷 全球知名咨询机构IDC在刚刚发布的《中国人工智能云服务市场研究报告》中，向外界披露了三个核心信息： 1、百度智能云以27.5%的市场份额排名第一，也是百度智能云连续三次在AI Cloud市场中排名第一； 2、百度智能云、阿里云、腾讯云和华为云组成的头部梯队，拿走了AI Cloud市场超过90%的市场份额； 3、2020年上半年AI Cloud的市场规模为10.94亿元，较于2019年11.6亿元，正在以近100%的速度增长。 按照一般的市场规律，每当行业中的巨头们“统一行动”的时候，往往预示着新的拐点已经出现。透过AI Cloud市场的主要参与者，以及凶猛的市场增速来看，在云计算的赛场上，AI能力已经是下一赛段的胜负手。 01 告别割裂，云智一体 人工智能和云计算的融合，早已是不可逆的趋势。 早在2016年的时候，市场调研机构埃森哲就曾在一份人工智能报告中，将AI技术理解为一种新的生产力要素，指出AI技术可以通过智能自动化提升生产者能力和效率，并促进各行各业生产力水平的提升。 另一家市场调研机构Tratica也在同一时间预测，2016年到2025年的十年中，关于AI的直接和间接应用将迎来大爆发

2017年9月20日CSDN直播公开课资料， 课程链接见文章底部。 ppt百度云链接：https://pan.baidu.com/s/1nuHbjgH 观看直播视频，请点击下方阅读原文： 本文分享自微信公众号 - AI MOOC人工智能平台（AIMOOC_XLAB）。 如有侵权，请联系 support@oschina.cn 删除。 本文参与“ OSC源创计划 ”，欢迎正在阅读的你也加入，一起分享。 来源： oschina 链接： https://my.oschina.net/u/4487254/blog/4755835

1.CUDA Error: out of memory darknet: ./src/cuda.c:36: check_error: Assertio `0' failed. 需要修改所使用的模型cfg文件中的subdivision的参数。 由subdivisions=8改成subdivisions=64。 subdivision： 这个参数很有意思的，它会让你的每一个batch不是一下子都丢到网络里。而是分成subdivision对应数字的份数，一份一份的跑完后，在一起打包算作完成一次iteration。这样会降低对显存的占用情况。如果设置这个参数为1的话就是一次性把所有batch的图片都丢到网络里，如果为2的话就是一次丢一半。 http://blog.csdn.net/renhanchi/article/details/71077830?locationNum=11&fps… 若上述方法不能解决： 导致cuda真正的原因是： 大致意思就是 服务器的GPU大小为M tensorflow只能申请N（N<M） 也就是tensorflow告诉你 不能申请到GPU的全部资源 然后就不干了 解决方法： 找到代码中Session 在session定义前 增加 config = tf.ConfigProto(allow_soft_placement=True) #最多占gpu资源的70%

本文链接：https://blog.csdn.net/qq_15029743/article/details/79733960 我们买回来的网络摄像头可以在官网下载到SDK开发包： 下载下来SDK后我们解压，就可以看到里面包含一些开发文档以及一些Demo示例： 我们点开Demo示例，可以看到里面有各种语言的示例，这里我们以MFC为例进行说明： 这里，我们需要注意阅读编译环境说明： 其中,MFC综合示例是没有问题的，我们直接导入头文件和库文件就可以运行，但是对于分功能的示例就存在一些问题，这里我们就以分功能中的第一个为例进行演示： 由于电脑上没有安装VS2008，所以这里无视环境，直接用VS2013单向升级后打开： 打开后我们首先要进行一个地方的修改，这是SDK文档的一个失误，就是输出目录不一致，这会直接导致后面执行的出错： 这里我们选择修改配置属性→常规→输出目录（两个保持一致即可），修改为： .\bin\ 接下来我们进行文件的导入，这里需要选择Debug x64，这个的选择和你下载的SDK以及你的系统有关： 右击属性，填入我们头文件的路径： 修改完成后记得点应用，同样的操作我们再添加库文件： 这是我们一定记得选择Debug为x64，否则会各种报错： 紧接着我们生成运行: 提示缺少DLL文件，这时我们把这些文件按照SDK说明文档的做法复制到bin目录下即可正常运行： 注

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/heyc861221/article/details/80131369 作者简介： 汪剑，现在在出门问问负责推荐与个性化。曾在微软雅虎工作，从事过搜索和推荐相关工作。 责编： 何永灿（heyc@csdn.net） 本文首发于CSDN，未经允许不得转载。 Wide and deep 模型是 TensorFlow 在 2016 年 6 月左右发布的一类用于分类和回归的模型，并应用到了 Google Play 的应用推荐中 [1]。wide and deep 模型的核心思想是结合线性模型的记忆能力（memorization）和 DNN 模型的泛化能力（generalization），在训练过程中同时优化 2 个模型的参数，从而达到整体模型的预测能力最优。 结合我们的产品应用场景同 Google Play 的推荐场景存在较多的类似之处，在经过调研和评估后，我们也将 wide and deep 模型应用到产品的推荐排序模型，并搭建了一套线下训练和线上预估的系统。鉴于网上对 wide and deep 模型的相关描述和讲解并不是特别多，我们将这段时间对 TensorFlow1.1 中该模型的调研和相关应用经验分享出来，希望对相关使用人士带来帮助。 wide and deep

面试时， 数据结构与算法 几乎是不可避免的题目，你是否遇到过面试官这样的灵魂追问？—— 面试官 这道题目能否解一下？ 面试官 这种解法性能不好，它的时间复杂度是多少？ 面试官 还有没有更优解？ 01 最可怕的是你以为你知道 很多人平时工作中都在使用各种封装好的类库，感觉工作中完全用不到数据结构与算法，因此认为它就是专门为面试而生的内容。 其实不然！做CRUD业务开发照样需要用数据结构与算法，只是 很多人还没意识到他可以用： 复杂业务代码优化、根据场景选择合适的数据结构等情况都可以通过数据结构与算法配合复杂度分析，大幅优化系统性能，例如： 为什么Java提供了ArrayList 还要提供LinkedList，查询场景用谁更合适，操作频繁的场景用谁性能更好？ 通过合理的数据结构和算法设计将无限极分类的递归循环优化等复杂业务代码进行优化，降低时间复杂度，提升代码性能 02 重要但困难 掌握数据结构与算法是成为资深专家的重要考核指标，面试的必考项，进行代码优化的基础。但 想要真正掌握它，却并不容易 ： 刷算法题需要扎实的数据结构基础和算法思想，不然经常一天都做不出一道题，因此得补基础 光靠硬刷算法题，不了解真实环境如何运用，面试依旧困难 今天学完明天忘，学习效率低，进步缓慢 因此不少小伙伴曾经陷入死循环，从入门到放弃。但其实它没有那么难，只是你缺少科学的学习方法。 03 复杂度是主线