1. STM32 嵌入式機器學習（TinyML）實戰(zhàn)教程-01 | 邊緣智能實驗室

第1部分：總體介紹 在STM32H747I Discovery開發(fā)板上，使用機器學習技術(shù)，開發(fā)機器視覺應用，本教程由ST（意法半導體）官方發(fā)布。 邊緣智能實驗室原創(chuàng)中文字幕，感謝支持。視頻中涉及的文檔(也可到ST官網(wǎng)下載)：

鏈接：https://pan.baidu.com/s/1K1Dr2vMUZ8UmtVbZHkKAVA

提取碼：w41p

2. 為AI而生，打破存儲墻，佐治亞理工等提出新型嵌入式無電容DRAM | 機器之心

當今計算中最大的問題之一是「存儲墻」，即處理時間與將數(shù)據(jù)從單獨的 DRAM 存儲器芯片傳送到處理器所花費時間之間的差距。AI 應用的日益普及只會加劇該問題，因為涉及面部識別、語音理解、消費商品推薦的巨大網(wǎng)絡很少能容納在處理器的板載內(nèi)存上。 在 2020 年 12 月舉行的 IEEE 國際電子設備會議（IEDM）上，一些研究小組認為：一種新型的 DRAM 可能成為「存儲墻」問題的解決方案。他們表示：「這種新型的 DRAM 由氧化物半導體制成，并內(nèi)置在處理器上方的各層中，其位長是商用 DRAM 的數(shù)百或數(shù)千倍，并且在運行大型神經(jīng)網(wǎng)絡時可以提供較大的區(qū)域，節(jié)省大量能源?！?新型嵌入式 DRAM 僅由兩個晶體管制成，沒有電容器，簡稱為 2T0C。之所以可以這樣做，是因為晶體管的柵極是天然的電容器（盡管有些?。?。因此代表該位的電荷可以存儲在此處。該設計具有一些關(guān)鍵優(yōu)勢，特別是對于 AI 來說。

原文鏈接：https://spectrum.ieee.org/tech-talk/semiconductors/memory/new-type-of-dram-could-accelerate-ai

3. 明年，我要用 AI 給全村寫對聯(lián) | HyperAI超神經(jīng)

春節(jié)接近尾聲，你是否還沉浸在年味里？ 年前的臘月二十九、三十，家家戶戶都要開始貼春聯(lián)了。今年，各種 AI 寫春聯(lián)應用都紛紛上線，幫大家寫春聯(lián)，要不來試試？ 對聯(lián)對聯(lián)，講究的就是「成對」，要對仗工整，平仄協(xié)調(diào)。不過現(xiàn)代人的對對聯(lián)技能，已經(jīng)遠不如古代的文人墨客，甚至有時候可能連上下聯(lián)都傻傻分不清楚。而聰明的 AI 已經(jīng)學會自己寫對聯(lián)了。

測試地址：

https://ai.binwang.me/couplet/

Github：

https://github.com/wb14123/couplet-dataset

數(shù)據(jù)集地址：

https://hyper.ai/datasets/14547

4. DeepMind最新研究NFNet：拋棄歸一化，深度學習模型準確率卻達到了前所未有的水平 | 機器之心

Paper：

https://arxiv.org/abs/2102.06171

DeepMind 還放出了模型的實現(xiàn)：

https://github.com/deepmind/deepmind-research/tree/master/nfnets

我們知道，在傳遞給機器學習模型的數(shù)據(jù)中，我們需要對數(shù)據(jù)進行歸一化（normalization）處理。 在數(shù)據(jù)歸一化之后，數(shù)據(jù)被「拍扁」到統(tǒng)一的區(qū)間內(nèi)，輸出范圍被縮小至 0 到 1 之間。人們通常認為經(jīng)過如此的操作，最優(yōu)解的尋找過程明顯會變得平緩，模型更容易正確的收斂到最佳水平。 然而這樣的「刻板印象」最近受到了挑戰(zhàn)，DeepMind 的研究人員提出了一種不需要歸一化的深度學習模型 NFNet，其在大型圖像分類任務上卻又實現(xiàn)了業(yè)內(nèi)最佳水平（SOTA）。 該論文的第一作者，DeepMind 研究科學家 Andrew Brock 表示：「我們專注于開發(fā)可快速訓練的高性能體系架構(gòu)，已經(jīng)展示了一種簡單的技術(shù)（自適應梯度裁剪，AGC），讓我們可以訓練大批量和大規(guī)模數(shù)據(jù)增強后的訓練，同時達到 SOTA 水平?！?/p>

5. 在游戲里還原自己的臉，給AI一張照片就行，網(wǎng)易&密歇根大學出品 | AAAI 2021 開源 | 量子位

論文地址：
https://arxiv.org/abs/2102.02371

GitHub地址：
https://github.com/FuxiCV/MeInGame

給AI一張毛不易的照片，它自動就能生成一個古風毛大俠。

現(xiàn)在，想在游戲里定制化自己的臉，你可以不用自己花時間琢磨參數(shù)了。 熟悉游戲的小伙伴可能認出來了，這一套AI捏臉術(shù)，來自網(wǎng)易伏羲人工智能實驗室和密歇根大學。 現(xiàn)在，最新相關(guān)研究登上了AAAI 2021。 據(jù)作者介紹，這個名為MeInGame的方法，可以集成到大多數(shù)現(xiàn)有的3D游戲中，并且相比于單純基于3DMM（3D Morphable Face Model ）的方法，成本更低，泛化性能更好。

6. 谷歌開源計算框架JAX：比Numpy快30倍，還可在TPU上運行！ | 新智元

Github：

https://github.com/google/jax

快速入門鏈接：

https://jax.readthedocs.io/en/latest/notebooks/quickstart.html

相信大家對numpy, Tensorflow, Pytorch已經(jīng)極其熟悉，不過，你知道JAX嗎？ JAX發(fā)布之后，有網(wǎng)友進行了測試，發(fā)現(xiàn)，使用JAX，Numpy運算可以快三十多倍！下面是使用Numpy的運行情況：

1importnumpyasnp#使用標準numpy，運算將在CPU上執(zhí)行。 2x=np.random.random([5000,5000]).astype(np.float32) 3%timeitnp.matmul(x,x)

運行結(jié)果：

1 loop, best of 3: 3.9 s per loop

而下面是使用JAX的Numpy的情況：

1importjax.numpyasnp#使用"JAX版"的numpy 2fromjaximportrandom#注意JAX下隨機數(shù)API有所不同 3x=random.uniform(random.PRNGKey(0),[5000,5000]) 4%timeitnp.matmul(x,x)

運行情況：

1 loop, best of 3: 109 ms per loop

我們可以發(fā)現(xiàn)，使用原始numpy，運行時間大概為3.9s，而使用JAX的numpy，運行時間僅僅只有0.109s，速度上直接提升了三十多倍！ 那JAX到底是什么？ JAX是谷歌開源的、可以在CPU、GPU和TPU上運行的numpy，是針對機器學習研究的高性能自微分計算框架。簡單來說，就是GPU和TPU加速、支持自動微分(autodiff)的numpy。

7. 大年初四，宜學習：MIT 6.S191視頻、PPT上新！網(wǎng)友：這是最好的深度學習入門課之一 | 機器之心

課程主頁：http://introtodeeplearning.com/

原文標題：【20210219期AI簡報】嵌入式機器學習（TinyML）實戰(zhàn)教程、谷歌開源計算框架JAX...

文章出處：【微信公眾號：RTThread物聯(lián)網(wǎng)操作系統(tǒng)】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。