文章
-
凯文.凯利：未来12个趋势（值得一读）2022-10-30 00:37
作者：凯文.凯利，代表作：《失控》、《必然》来源：美中科教（ID：ACSEF111）以下为凯文·凯利最精彩的演讲内容跟30年后的我们相比，现在的我们就是一无所知，必须要相信那些不可能的事情，因为我们尚处于第一天的第一个小时——开始的开始。我想讲一讲未来20年的技术走向。技术都会有一个前进的方向，我把它叫做必然，就是这个趋势像重力一样，一定会发生。比如有了芯片人工智能 1242浏览量 -
机器学习模型的集成方法总结：Bagging, Boosting, Stacking, Voting, Blending2022-10-19 05:24
来源：DeepHubIMBA作者：AbhayParashar机器学习是人工智能的一个分支领域，致力于构建自动学习和自适应的系统，它利用统计模型来可视化、分析和预测数据。一个通用的机器学习模型包括一个数据集(用于训练模型)和一个算法(从数据学习)。但是有些模型的准确性通常很低产生的结果也不太准确，克服这个问题的最简单的解决方案之一是在机器学习模型上使用集成学习机器学习 1990浏览量 -
IDC：2022年智能汽车市场研究2022-10-19 05:23
来源：IDCIDC将智能汽车市场定义为∶利用互联网、loT、人工智能、移动通信、云计算等技术，与汽车及交通基础设施相关的公司、产品和服务所组成的生态系统。报告从需求端与供给端两个角度分析自动驾驶、新能源车、智能网联几个领域的发展现状。被访者为过去1年内购车的车主或计划未来1年内购车的潜在车主，对智能网联、自动驾驶、新能源车几个概念拥有基本认知。从结果来看，T智能汽车 1761浏览量 -
Imagination官方信息速递2022年9期2022-10-19 05:19
研讨会回放|Imagination+百度飞桨模型部署实战不久前，由Imagination和百度飞桨联合举办的在线研讨会吸引了不少开发者和从业者们的关注，他们有的来自芯片行业，有的专注于AI开发，还有的是高校的教师和学生……相信此次研讨会让他们更加了解了在Imagination硬件上部署飞桨模型的工作流程。技术文章Imagiantion神经网络加速器与Visiimagination 1434浏览量 -
Imagination PowerVR架构30年：从世嘉游戏机，到芯动桌面显卡2022-10-19 05:17
来源：电子工程专辑作者：黄烨锋今年是Imagination的PowerVR架构诞生30周年——电子工程专辑最近特别采访了Imagination，以期了解这段颇具传奇色彩的架构历史。Imagination告诉我们1992年PowerVR刚刚诞生之时，公司还叫作VideoLogic——这家公司创立至今已经有37年的历史了。翻看GPU发展史，Imagination -
我傻眼了：一个完全由 AI 生成的播客，采访了乔布斯2022-10-19 05:16
作者|黄楠、施方圆编辑|陈彩娴最近大火的生成式AI又有新动作了！在podcast.ai推出的第一集播客节目里，已故的乔布斯竟然“死而复生”成为首位嘉宾，与美国知名播客主持人JoeRogan进行了一场长达20分钟的对话，讨论了关于乔布斯的大学、对计算机的看法、工作状态以及信仰等等。是不是听起来有些毛骨悚然？事实上，这段采访是由文本生成音频实现的，属于AIGC中AI 1544浏览量 -
机器学习也将解决量子问题2022-10-19 05:14
作者：CHARLESQ.CHOI来源：IEEE电气电子工程师当量子计算机执行可能导致下一代电池或新药的复杂物理和化学模拟时，它可能比任何传统超级计算机强大得多。然而，可能需要很多年才能实现实用和广泛的量子计算。现在，一项新的研究发现，机器学习现在可以为计算机视觉、语音识别等提供动力，在量子计算机擅长的任务种类上，它也可以证明比普通计算机好得多。这些发现表明，机器学习 1423浏览量 -
UWA平台支持PowerVR芯片，新增四大GPU模块分析2022-10-19 05:12
-
训练深度学习神经网络的常用5个损失函数2022-10-19 05:11
作者：Onepagecode来源：DeepHubIMBA神经网络在训练时的优化首先是对模型的当前状态进行误差估计，然后为了减少下一次评估的误差，需要使用一个能够表示错误函数对权重进行更新，这个函数被称为损失函数。损失函数的选择与神经网络模型从示例中学习的特定预测建模问题（例如分类或回归）有关。在本文中我们将介绍常用的一些损失函数，包括：回归模型的均方误差损失深度学习 2077浏览量 -
如何在深度学习结构中使用纹理特征2022-10-09 09:44
来源：AI公园，作者：TraptiKalra编译：ronghuaiyang导读这是前一篇文章的继续，在这篇文章中，我们将讨论纹理分析在图像分类中的重要性，以及如何在深度学习中使用纹理分析。在这篇文章中，我们将讨论纹理分析在图像分类中的重要性，以及如何在深度学习中使用纹理分析。我们还将讨论一些常用的纹理提取技术，这些技术用于预先训练的模型，以更有效地解决分类任深度学习 2282浏览量
