AI简报：内存256KB设备也能人脸检测！

1. 内存256KB设备也能人脸检测！微软提出用RNN代替CNN | NeurIPS 2020

Github：
https://github.com/microsoft/EdgeML/blob/master/pytorch/edgeml_pytorch/graph/rnnpool.py

https://github.com/microsoft/EdgeML/tree/master/examples/pytorch/vision

Paper：
https://www.microsoft.com/en-us/research/publication/rnnpool-efficient-non-linear-pooling-for-ram-constrained-inference/

为了让更多IoT设备用上AI，在条件“简陋”的单片机上跑图像识别模型也成为一种需求。

但是图像识别对内存有较高的要求，一般搭载MCU的设备内存都不高，怎样才能解决这个问题呢？

最近，微软提出了一种RNNPool方法，甚至可在内存只有256 KB的STM32开发板上运行人脸检测模型。它可以在不损失准确度的情况下大幅降低激活图的采样率。

RNNPool在语法上等效于池化算子，可以快速减小中间图的大小。它的模型层数更少，对内存要求更低，可以在内存受限的小型设备上分析图像。

RNNPool由两个学习递归神经网络（RNN）组成，它们以每个模块为单个向量，在水平和垂直方向上扫过激活图的每个模块。

RNNPool获取一个激活图的模块并将其汇总为1×1体素，然后逐步执行下采样步骤。RNNPool可以支持8×8，甚至16×16的模块大小，并且可以以步长s = 4或s = 8采样，而不会显著降低精度。

2. 1瓦功耗，5GHz频率：全球最快Risc-V芯片出世，效率超越苹果M1

根据全球半导体行业知名媒体 EE Times 的报道，前些天，一家位于加州森尼维尔的小型电子设计公司 Micro Magic 宣称：他们设计、生产出了全世界最快的 64 位 RISC-V 内核，比苹果的 M1 芯片和 Arm Cortex-A9 表现还要出色。

Micro Magic 的声明中提到，这款原型 CPU 在 1.1v 电压下可以达到 5GHz 的时钟速度，远高于运行速度为 3.2GHz 的英特尔 Xeon 服务器芯片 E7，CoreMarks 跑分达到 13000 分。而 1.1 伏时，该芯片只需要消耗 1 瓦的功率，不到英特尔 Xeon 功率的 1%。此外，单个 Micro Magic 核心在 0.8V 下可以达到 4.25GHz，CoreMarks 跑分达到 11000 分，但消耗的功率仅为 200mW。

这款 RISC-V 芯片的速度和能效也超过了 Exynos 4。Exynos 4 是三星电子为其智能手机生产的顶级部件，基于 ARM Holdings Plc 提供的计算核心，是英特尔的主要竞争对手。

这款芯片不仅在低功耗下速度更快，在基准得分上也赶超英特尔和三星的芯片。在 CoreMark 基准测试中，这款 RISC-V 芯片的得分为 13000 分，是基于 ARM 的 Exynos 单核性能得分的两倍多。虽然英特尔 Xeon 名义上单核性能更高，达到 26009 分，但 Xeon 需要更多线程，120 个线程才能达到上述结果。

图灵奖获得者，计算机体系结构先驱 David Patterson：「这真是太神奇了。」

3. VS Code竟然能约会！找对象不看脸，看编程水平

VS Code现在居然可以用来谈恋爱了。

为了用最硬核的方式找到男（女）朋友，23岁的程序员Ben Awad在VS Code里打造一个约会软件VSinder。

顾名思义，VSinder = VS Code + Tinder，就是把约会软件集成到了代码编辑器里，简直太对程序员胃口了。

VSinder和Tinder的操作逻辑一样，左滑把不喜欢的人pass掉，右滑收藏喜欢的人。

这款插件一上线，就快速赢得程序员们的认可，GitHub上已收获800 Star，3天的下载量超过9000次。

既然是面向程序员的约会软件，自然不能和其他约会App一样，一定要有特色。

VSinder的特点就是，可以根据编程语言和代码风格筛选对象。

比如你用的是Python，她用的是C，那么你们之间可能没有共同语言。（以免将来为哪种语言最好吵架。）

4. AI把特朗普变成了dancer，跟着蔡徐坤跳起了『鸡你太美』

“好家伙！”

“现在的Paper也是越来越皮了”。正在开心摸鱼的同事，边说边给我发过来一段Demo。

原来『宝藏男孩』特朗普又被玩坏了。

『被逼着』跟蔡徐坤跳起了“鸡你太美”（谐音梗）。

逼着川宝大秀舞姿的是上海科技大学研究团队的最新AI，这篇AI论文名:

《Liquid Warping GAN with Attention：A Unified Frame work for Human Images Synthesis》

简单理解就是，基于特定框架的AI，能够完成运动仿真、外观转换以及新视图合成等人体图像处理任务。上面特朗普的舞蹈Demo是AI合成的最终演示效果。

5. 57.3 AP！刷新COCO目标检测和实例分割新记录！谷歌提出 Copy-Paste 大法

Paper：https://arxiv.org/abs/2012.07177

上个月，Scaled-YOLOv4刚刚刷新COCO 目标检测的新记录：55.8% AP！

昨天该数据又双叒叕被打破了！

谷歌拿下COCO目标检测和实例分割双项第一名！其中：

目标检测数据刷到57.3 AP；

实例分割数据刷到49.1 AP！

本文主要创新点：

1. Blending Pasted Objects

公式：I1 × α + I2 × (1 - α)

2. Large Scale Jittering

3. Self-training Copy-Paste

这三点其实很容易理解（不用翻译，直接看懂），没有花哨的处理，但实验证明涨点明显！

6. Github Star 7.2K，超级好用的OCR数据合成与半自动标注工具，强烈推荐！

Github:

https://github.com/PaddlePaddle/PaddleOCR

OCR 方向的工程师，一定需要知道这个 OCR 开源项目：PaddleOCR。短短几个月，累计 Star 数量已超过 7.2K，频频登上 Github Trending 日榜月榜，称它为 OCR 方向目前最火的 repo 绝对不为过。

10 月，发布 PP-OCR 算法，开源 3.5M 超超轻量模型，再下 Paperswithcode 趋势榜第一

12 月，它又带来四大新发布与升级，核心内容先睹为快：

全新发布数据合成工具 Style-Text：可以批量合成大量与目标场景类似的图像，在多个场景验证，效果均提升 15% 以上。

全新发布半自动数据标注工具 PPOCRLabel：有了它数据标注工作事半功倍，相比 labelimg 标注效率提升 60% 以上，社区小规模测试，好评如潮。

多语言识别模型效果升级：中文、英文、韩语、法语、德语、日文识别效果均优于 EasyOCR。

PP-OCR 开发体验再升级：支持动态图开发（训练调试更方便），静态图部署（预测效率更高），鱼与熊掌可以兼得。

7. TensorFlow 2.4 正式发布！提供GPU支持的新功能，推出 tf.experimental.numpy

TensorFlow 2.4 正式发布！随着对分布式训练和混合精度提供更多支持，加入新的 Numpy 前端及用于监控和诊断性能瓶颈的工具，这个版本的亮点在于推出新功能，以及对性能和扩展方面的增强。

TensorFlow 2.4 以 tf.experimental.numpy 形式，实验性引入了对 NumPy API 子集的支持。您可借此模块，运行由 TensorFlow 加速的 NumPy 代码。由于此 API 基于 TensorFlow 构建而成，因此可支持访问所有 TensorFlow API，与 TensorFlow 实现无缝互操作，并会通过编译和自动矢量化开展优化。例如，TensorFlow ND 数组可以与 NumPy 函数进行交互，同样地，TensorFlow NumPy 函数也可以接受包括 tf.Tensor 和 np.ndarray 在内的不同类型的输入。

8. 保姆级教程: 个人深度学习工作站配置指南 | 稚晖@知乎

本文记录了组装深度学习工作站过程中的超详细操作流程，文章分为

硬件篇
1.1 工作站配置选型

1.2 电脑组装

系统篇 - Ubuntu20.04

DL开发环境配置篇

工作站的维护

供有类似需求的同学作为参考。

责任编辑：lq