百度将 HPC 技术引入深度学习;卡巴斯基操作系统;AMD Ryzen 预售等 | AI 开发者头条

简介:

百度将 Ring Allreduce 算法引入深度学习

Ring Allreduce 本是 HPC (高性能计算)领域的一项技术。日前,百度硅谷 AI 实验室已成功将其移植到深度学习平台,借此来加速 GPU 之间的数据传输速率。目前,在 GPU 并行计算中,它们之间的通信瓶颈是制约深度学习模型训练速度的主要障碍之一。百度宣布,Ring Allreduce 算法的引入将移除该瓶颈,大幅提升多 GPU 和分布式计算环境下的深度学习模型运算效率。雷锋网获得消息,该技术已被百度成功应用于语音识别。

该算法以库和 Tensorflow 补丁的形式向开发者开源,分别为 baidu-allreduce 和 tensorflow-allreduce,已在 GitHub 上线。

 GitHub:https://github.com/baidu-research/baidu-allreduce

https://github.com/baidu-research/tensorflow-allreduce

详情:http://www.leiphone.com/news/201702/QaSmvdQNbiY4CxBy.html

百度博客(英文):http://research.baidu.com/bringing-hpc-techniques-deep-learning/

卡巴斯基发布操作系统 Kaspersky OS

百度将 HPC 技术引入深度学习;卡巴斯基操作系统;AMD Ryzen 预售等 | AI 开发者头条

与 Linus、Windows,Mac OS 等优先系统兼容性和通用性的考虑不同,Kaspersky OS 的设计目的有且只有一个:最大化安全。因此 Kaspersky OS 采用了 Flux 高级安全内核架构(FLASK)。卡巴斯基不但表示 Kaspersky OS 要做世界上最安全的操作系统,还宣称, Kaspersky OS 的密钥只有量子计算机级别的计算能力才能破解。

雷锋网获知,该系统面向的并非消费者终端(PC),而是网络设备、工业控制系统和物联网设备。它同时兼容 X86 和 ARM 两大架构平台。值得注意的是,卡巴斯基声称该系统和 Linux 没有任何关系,从头到尾完全自行设计,并因此耗费了巨大人力——公司 CEO Eugene Kaspersky 表示,该系统秘密研制已有 14 年。

谷歌发布全新 TensorFlow 库“tf.Transform”

谷歌表示,tf.Transform 将改善 TensorFlow 的数据预处理和格式转化难题。

以下是谷歌对tf.Transform 的技术介绍:

“今天我们正式发布 tf.Transform,一个基于 TensorFlow 的全新功能组件,它允许用户在大规模数据处理框架中定义预处理流水线(preprocessing pipelines),同时还可以将这些流水线导出,将其作为 TensorFlow 计算图(TensorFlow graph)的一部分。


用户可以通过组合 Python 函数来定义该流水线,然后在 Apache Beam 框架下通过 tf.Transform 执行。(注:Apache Beam 是一个用于大规模的、高效的、分布式的数据处理的开源框架)目前,基于 Apache Beam 框架的流水线可以在 Google Cloud Dataflow 平台上运行,并计划在未来支持更多的平台(可能包括 Apache Apex,Apache Flink 和 Apache Spark 等)。值得一提的是,通过 tf.Transform 导出的 TensorFlow 计算图还可以在模型预测阶段将这种数据预处理步骤复用(例如,通过 Tensorflow Serving 提供模型时)。”

GitHub:https://github.com/tensorflow/transform

谷歌博客:http://research.googleblog.com/2017/02/preprocessing-for-machine-learning-with.html

法国研究人员实现用深度学习预测衰老长相

百度将 HPC 技术引入深度学习;卡巴斯基操作系统;AMD Ryzen 预售等 | AI 开发者头条

众所周知,此前的深度学习技术虽然能将输入的年轻人脸图像,输出为老年图像,但在这过程中会失去一些面部特征与识别信息,其结果并不准确——严格来说,输出的图像不能说是对同一个人衰老长相的预测。

但现在,法国的一组研究人员成功实现了用深度学习算法,将同一个人的面部照片做“衰老”或“年轻化”处理。换句话说,既能预测老年相貌,也能重现年轻时的面容。上图是研究结果示范。

该研究发表于 ArXiv,题目为“Face Aging With Conditional Generative Adversarial Networks”。

“老得不敢拍照片”或许将退出历史舞台。美图对此怎么看?

ArXiv:https://arxiv.org/abs/1702.01983

AMD 八核十六线程 Ryzen“锐龙”CPU 全球同步预售

百度将 HPC 技术引入深度学习;卡巴斯基操作系统;AMD Ryzen 预售等 | AI 开发者头条

AMD 于昨晚 AMD Ryzen Tech Day 正式发布 Ryzen。这来得有些突然——此前媒体与行业人士普遍估计 Ryzen 将在 MWC 发布。不过,Ryzen 发货时间仍然是 3 月 3 日(国行),目前预售开启。

我们来看看预售的三款 7 系 Ryzen 的国行售价:

  • Ryzen 7 1800X 3999 元

  • Ryzen 7 1700X 3099 元

  • Ryzen 7 1700 2499 元

不同电商平台上有 200~300 元不等的预订优惠,感兴趣的可关注。

雷锋网(公众号:雷锋网)提醒:由于事出突然,全世界范围内 Ryzen 的评测还没有放出。目前我们对于它的所有了解,完全基于 AMD 官方宣传信息,以及此前泄露的工程版本芯片跑分。因此,对于这三款芯片之间的性能差距到底有多大、是否值得这中间的差价,尚无定论。业内对“X ”版本性能强在哪里、与非 X 版本的超频潜力差别也尚有疑虑。仅给正在选择的买主做个提醒。

顺便说一句,苏妈给出的官方 Cinebench R15 nt 跑分是:

Ryzen 7 1700:1410 ;

Ryzen 7 1700X:1537;

Ryzen 7 1800X:1601 

根据得分,大家最关心的 1700X 比 1700 有约 9% 的性能提升。与之对比的英特尔跑分:

酷睿 i7 7700k:967;

酷睿 i7 6800k:1108

酷睿 i7 6900k:1474 

史上最强凌动 英特尔发布 Atom C3000

百度将 HPC 技术引入深度学习;卡巴斯基操作系统;AMD Ryzen 预售等 | AI 开发者头条

这是凌动产品线首个 16 核 CPU,它整合了多项多见于服务器芯片中的技术:比如 RAS 功能,该功能可即时修正数据错误,并防止网络和存储设备崩溃。 与现有凌动产品线面向移动设备的定位不同,Atom C3000 的服务对象将是存储阵列、网络设备和物联网设备。将为它们带来更强大的数据处理能力。

简而言之,这是款与消费者无关、但关乎网络设备开发商的凌动。 





本文作者:三川
本文转自雷锋网禁止二次转载, 原文链接
目录
相关文章
|
2天前
|
机器学习/深度学习 传感器 自动驾驶
基于深度学习的图像识别技术在自动驾驶系统中的应用
【4月更文挑战第24天】 随着人工智能技术的飞速发展,深度学习在图像处理领域取得了显著成果,特别是在自动驾驶系统中的应用。本文首先介绍了深度学习的基本概念和关键技术,然后详细阐述了卷积神经网络(CNN)在图像识别中的优势和应用,最后探讨了深度学习在自动驾驶系统中的挑战和未来发展趋势。
|
3天前
|
机器学习/深度学习 边缘计算 监控
深度学习赋能智能监控:图像识别技术的革新与应用
【4月更文挑战第23天】 随着人工智能的迅猛发展,深度学习技术在图像处理领域取得突破性进展,特别是在智能监控系统中,基于深度学习的图像识别已成为提升系统智能化水平的核心动力。本文旨在探讨深度学习如何优化智能监控系统中的图像识别过程,提高监控效率和准确性,并分析其在不同应用场景下的具体实施策略。通过深入剖析关键技术、挑战及解决方案,本文为读者提供了一个关于深度学习图像识别技术在智能监控领域应用的全面视角。
|
3天前
|
机器学习/深度学习 监控 安全
智能监控的革新者:基于深度学习的图像识别技术
【4月更文挑战第23天】 在智能监控领域,基于深度学习的图像识别技术已经成为一种革命性的工具。这种技术能够自动识别和分类图像中的对象,提供实时的、准确的信息,从而提高监控系统的效率和准确性。本文将探讨深度学习在图像识别中的应用,以及其在智能监控中的潜在价值。
|
3天前
|
机器学习/深度学习 运维 监控
深度学习在智能监控领域的革新:图像识别技术的崛起
【4月更文挑战第23天】 随着人工智能技术的飞速发展,深度学习已经成为推动计算机视觉进步的核心技术之一。特别是在智能监控领域,基于深度学习的图像识别技术正逐渐改变着安全监控的传统模式,提升系统的智能化水平。本文将探讨基于深度学习的图像识别技术在智能监控系统中的应用现状与挑战,分析其在目标检测、行为分析以及异常事件识别中的作用,并展望其未来发展趋势。
|
5天前
|
机器学习/深度学习 数据采集 自动驾驶
基于深度学习的图像识别技术在自动驾驶系统中的应用
【4月更文挑战第21天】 本文章深入探讨了深度学习技术在自动驾驶车辆图像识别领域的应用。不同于传统的摘要方式,本文将直接点出研究的核心价值和实际应用成果。我们专注于卷积神经网络(CNN)的创新设计,其在复杂道路场景下的行人和障碍物检测中的高效表现,以及这些技术如何整合到自动驾驶系统中以增强安全性和可靠性。通过实验验证,我们的模型在公开数据集上达到了行业领先水平的准确率,并且在真实世界的测试场景中展现了卓越的泛化能力。
|
6天前
|
机器学习/深度学习 传感器 自动驾驶
基于深度学习的图像识别技术在自动驾驶系统中的应用研究
【4月更文挑战第20天】 本研究聚焦于深度学习技术在图像识别领域的应用,并探讨其在自动驾驶系统中的实际效用。文章首先回顾了深度学习与图像处理技术的基础知识,随后详细分析了卷积神经网络(CNN)在车辆环境感知中的关键作用。通过实验数据对比分析,本文验证了所提出算法在提高自动驾驶车辆对周围环境的识别准确性和实时性方面的有效性。最后,讨论了目前技术的局限性及未来可能的研究方向,旨在为进一步的技术突破提供参考。
|
7天前
|
机器学习/深度学习 监控 算法
深度学习驱动下的智能监控革新:图像识别技术的前沿应用
【4月更文挑战第19天】 在数字时代,智能监控系统作为城市安全和效率的守护者,正经历着前所未有的技术变革。本文深入探讨了基于深度学习的图像识别技术如何重塑智能监控领域,通过算法创新提升识别准确率,实时处理大量数据,并在各种环境条件下稳定运行。我们将分析当前最前沿的技术应用案例,探讨其在实际应用中遇到的挑战及未来发展趋势,从而为相关领域的研究者和实践者提供参考和启示。
|
8天前
|
机器学习/深度学习 传感器 人工智能
基于深度学习的图像识别技术在自动驾驶系统中的应用
【4月更文挑战第18天】 随着人工智能的快速发展,深度学习技术在图像处理和识别领域取得了显著进展。特别是在自动驾驶系统中,基于深度学习的图像识别技术已成为关键技术之一。本文将探讨深度学习在自动驾驶系统中的应用,重点关注卷积神经网络(CNN)和循环神经网络(RNN)在车辆检测、行人识别和交通标志识别等方面的应用。通过对比传统图像识别方法,我们将展示深度学习技术如何提高自动驾驶系统的准确性和鲁棒性。
|
8天前
|
机器学习/深度学习 传感器 自动驾驶
基于深度学习的图像识别技术在自动驾驶系统中的应用
【4月更文挑战第18天】 随着人工智能的快速发展,特别是深度学习技术的突破性进步,图像识别已成为自动驾驶领域的核心组成部分。本文旨在探讨基于深度学习的图像识别技术如何优化自动驾驶系统的性能,并分析其在实时交通场景中处理复杂视觉信息的能力。文中将介绍几种主要的深度学习模型,包括卷积神经网络(CNN)和递归神经网络(RNN),以及它们在图像分类、目标检测和语义分割中的应用。同时,文章还将讨论当前技术面临的挑战和未来的发展方向。
|
8天前
|
机器学习/深度学习 传感器 自动驾驶
基于深度学习的图像识别技术在自动驾驶汽车中的应用
【4月更文挑战第18天】 随着人工智能技术的迅猛发展,深度学习已成为推动多个技术领域革新的关键力量。尤其在图像识别领域,深度学习技术通过模仿人类视觉系统的处理机制,显著提高了机器对视觉信息的理解和分析能力。本文将探讨深度学习在图像识别领域的核心技术原理,并重点分析其在自动驾驶汽车中的应用,如何通过精确的图像识别来增强车辆的环境感知能力,从而实现更安全、更高效的驾驶体验。