智能平台

3 月，跳不动了？>>> 史上最长春假结束，全国各地企业陆续复工。机场、火车站等地又将迎来人流高峰，我们对疫情防护仍然不能有所懈怠。如何实时检测人群口罩佩戴情况从而快速发现未按要求佩戴口罩的人，对于防疫工作来说，是个头大的问题。 目前AI人脸口罩检测方案已成为返工潮中众多社区、企业、商场解决该问题的首选方案，并得到了较好的应用。各大企业也积极为AI战“疫”做出贡献，百度开源了业界首个口罩人脸检测及分类模型，滴滴随后也免费开放了口罩佩戴识别技术。那么，它们是如何建立口罩检测模型的呢？其背后原理是什么？今天小编将为你揭开TensorFlow模型训练的秘密，让你看完本篇文章，就能学会自己训练模型。 知识点 TensorFlow™ 是一个采用数据流图（data flow graphs）对数值予以计算的开源软件库。数据流图根据“节点”（nodes）和“线”(edges)的有向图来描述数学计算。“节点” 一般表示施加的数学操作，但也可以代表数据输入（feed in）的起点/输出（push out）的终点，或者是读取/写入持久变量（persistent variable）的终点。“线”表示“节点”之间的输入/输出关系。这些数据“线”可以传递“size可动态调整”的多维数据数组，即“张量”（tensor）。一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行运算。

3 月，跳不动了？>>> 1.Yolov3的网络结构 想要转化为Caffe框架，就要先了解yolov3的网络结构，如下图。 如果有运行过darknet应该会很熟悉，这是darknet运行成功后打印log信息，这里面包含了yolo网络结构的一些信息。yolov3与v2相比，网络结构中加入了残差（shortcut层），并且引入了上采样（upsample层），并为了将采样后的特征图进行融合引入了拼接（route层），最后融合的特征图以三个不同的大小13*13*75,26*26*75,52*52*75输入给yolo层最后得到目标的位置及分类信息，加上卷积层convolution，这些便是yolov3的网络基本构造。因此只要我们如果在Caffe中找到对应的层按照相应的进行构造就能够使用Caffe实现yolov3了。 卷积层不说，yolov3中的shortcut层可以用eltwise替代，route层可以用concat替代，而upsample层和yolo层则需要自己实现，并添加到Caffe中即可。upsample层主要完成了上采样的工作，这里不细说。本文主要讲一下yolo层如何实现，上图中的YOLO Detection即为yolo层的所在位置，接收三种不同大小的特征图，并完成对特征图的解析，得到物体的位置和类别信息。所以其实yolo层主要起到了解析特征并输出检测结果的作用

3 月，跳不动了？>>> 人类在与超级细菌的大战中，终于祭出了超级大招人工智能。 前不久，麻省理工学院（MIT）医学工程与科学研究所合成生物学中心的James Collins团队，与德研究所的Regina Barzilay领衔的研究团队，在顶级期刊《细胞》上以封面文章的形式发表重大研究成果 [1]。 ▲ James Collins（左）和Regina Barzilay（右） 他们开发了一个 跳出人类思维框架的人工智能抗生素预测平台，这个平台不需要知道药物的作用机制，甚至不需要科学家标注化学基团，它能一个原子一个原子地独自学习，最终实现预测特定分子的功能，以一种科学家不了解的方式，帮助人类寻找全新抗生素 。 这个新的智能平台身手不凡，Collins和Barzilay团队用它找到了多种与现有抗生素结构差异较大的抗菌化合物。其中 有一个原本用来治疗糖尿病的临床前药物，展现出强大的抗菌效果，对多种超级耐药菌展现出强大的杀伤力 。 更厉害的是， 这个抑菌小分子以一种科学家完全没有预料到的方式杀死细菌，而且研究人员认为细菌很难对其产生耐药性 。 ▲ 《细胞》封面 自青霉素诞生以来，抗生素就成为现代医学的基石。随着抗生素的广泛使用，超级细菌的耐药性问题又成为威胁人类健康的大敌。如果现在不遏制住耐药性产生的势头， 到2050年，预计有1000万人会死于耐药细菌的感染 [2]。 遗憾的是

某厂面试归来，发现自己落伍了！>>> Tensorflow是Google开源的一套机器学习框架，支持GPU、CPU、Android等多种计算平台。本文将介绍在Tensorflow在Android上的使用。 Android使用Tensorflow框架需要引入两个文件libtensorflow_inference.so、libandroid_tensorflow_inference_java.jar。这两个文件可以使用官方预编译的文件。如果预编译的so不满足要求（比如不支持训练模型中的某些操作符运算），也可以自己通过bazel编译生成这两个文件。 将libandroid_tensorflow_inference_java.jar放在app下的libs目录下，so文件命名为libtensorflow_jni.so放在src/main/jniLibs目录下对应的ABI文件夹下。目录结构如下： Android目录结构 同时在app的build.gradle中的dependencies模块下添加如下配置： dependencies { ... compile files('libs/libandroid_tensorflow_inference_java.jar') ... } 使用tensorflow框架进行机器学习分为四个步骤： 构造神经网络 训练神经网络模型 将训练好的模型输出为pb文件

1.安装环境 推荐使用linux安装TensorFlow，用Window完全是个坑，各种异常问题，安装方式连接： linux pip安装 tensorlfow (python2.7) 2.运行demo 为了对tensorflow有直观的认识，请运行以下demo : TensorFlow demo 3.界面呈现 tensorflow 界面的呈现可以使用工具TensorBoard,了解请使用 TensorBoard 来源： oschina 链接： https://my.oschina.net/u/3643685/blog/2051487

9 月 11 日，蚂蚁金服在2019谷歌开发者大会上海站上开源了 ElasticDL 项目，这是业界首个基于 TensorFlow 实现弹性深度学习的开源系统。 开源地址为： https://github.com/sql-machine-learning/elasticdl/ 开源中国采访了 ElasticDL 项目负责人王益，对该深度学习系统的技术细节进行了全面介绍。 基于 TensorFlow 2.0 和 Kubernetes实现弹性深度学习 这个基于 Eager Execution 模式的开源项目名为“ElasticDL”，它是一个Kubernetes 原生深度学习框架，根据介绍，ElasticDL 主要有四大特点： 容错性 弹性调度 易用性 高效 其中又以容错与弹性调度特性最具特色。 ElasticDL 实现了容错和弹性调度的分布式深度学习，可以极大提升集群的总体利用率，同时显著减少用户提交作业之后等待作业启动的时间（pending time）。 王益介绍：“ElasticDL 是我们知道的第一个基于 TensorFlow 实现弹性深度学习的开源系统。具体地说，ElasticDL 是基于 TensorFlow 2.0 和 Kubernetes 实现弹性深度学习的。” 集群效用从 1/N 到 N/N 在深度学习技术研发的早期，公用一个计算集群的人相对少，

任何深度学习都是从数据开始的，这是关键点。没有数据，就无法训练模型，也无法评估模型质量，更无法做出预测，因此，数据源非常重要。在做研究、构建新的神经网络架构、以及做实验时，会习惯于使用最简单的本地数据源，通常是不同格式的文件，这种方法确实非常有效。但有时需要更加接近于生产环境，那么简化和加速生产数据的反馈，以及能够处理大数据就变得非常重要，这时就需要Apache Ignite大展身手了。 Apache Ignite 是以内存为中心的分布式数据库、缓存，也是事务性、分析性和流式负载的处理平台，可以实现PB级的内存级速度。借助Ignite和TensorFlow之间的现有集成，可以将Ignite用作神经网络训练和推理的数据源，也可以将其用作分布式训练的检查点存储和集群管理器。 分布式内存数据源 作为以内存为中心的分布式数据库，Ignite可以提供快速数据访问，摆脱硬盘的限制，在分布式集群中存储和处理需要的所有数据，可以通过使用Ignite Dataset来利用Ignite的这些优势。 注意Ignite不只是数据库或数据仓库与TensorFlow之间ETL管道中的一个步骤，它还是一个 HTAP （混合事务/分析处理）系统。通过选择Ignite和TensorFlow，可以获得一个能够处理事务和分析的单一系统，同时还可以获得将操作型和历史型数据用于神经网络训练和推理的能力。 下面的测试结果表明

tensorflow 下载并运行 阿里镜像 docker run -it registry.cn-hangzhou.aliyuncs.com/denverdino/tensorflow bash 或 较原生方式 (直接docker pull tensorflow/tensorflow 被墙，借用) docker pull registry.cn-hangzhou.aliyuncs.com/denverdino/tensorflow docker tag registry.cn-hangzhou.aliyuncs.com/denverdino/tensorflow tensorflow/tensorflow docker run -it -p 8888:8888 tensorflow/tensorflow 使用 照提示 Copy/paste this URL into your browser when you connect for the first time, to login with a token: http://localhost:8888/?token=8cf1adc4f51f524440a264d0314f18e618cad6ddf6ae4ed6 访问 http://服务器IP:8888/?token

使用tensorflow-gpu进行训练时遇到的错误: tensorflow.python.framework.errors_impl.UnknownError 或 AttributeError: module 'tensorflow' has no attribute 'contrib' （tensorflow2.0以后已经没有contrib这个属性了） 我可以99%确定是你的tensorflow版本以及CUDA和cudnn版本不匹配造成的，如果你想把所有的CUDA和cudnn版本都试验一遍的话，我相信1个月可能也不够。 你只需要安装如下的进行尝试即可： cuda 9.0 tensorflow-gpu 1.12.0 cudnn 7.4.1.5 也就是说，安装了以上3个，在以下2个链接的模型中都能用GPU模式跑起来，在代码中不需要设定什么GPU，自动就用GPU跑起来了。 https://github.com/YunYang1994/tensorflow-yolov3 https://github.com/tensorflow/models/tree/master/research/object_detection 来源： oschina 链接： https://my.oschina.net/dapsjj/blog/3156043

Deep Learning with Python 适合立志研究人工智能、深度学习的初学者及有经验的开发者，本书分为两部分，第一部分是入门篇，讲解什么叫人工智能和深度学习，介绍一些基础概念，初级实例，适合初学者了解什么是深度学习；第二部分是高级篇，深度学习在计算机视觉、文本处理的方法和理论方法，也有很多的实际例子和最佳实践等，适合有经验开发者，学习梯度明显，是一本经典的人工智能书籍。 本书是 Google 推荐的学习深度学习的书籍，它深入精确的讲解了深度学习最基本的概念知识结构，对于宏观把握深度学习是很有帮助的，本书的代码是基于 Keras 框架 TensorFlow 引擎，作为第一本学习深度学习的书籍是非常好的选择。 这里提供下载，公众号回复 dlwp 也可获得下载地址： 中文版 英文版 百度网盘 书中源代码 来源： oschina 链接： https://my.oschina.net/renyuzhuo/blog/3157512