嵌入式机器学习和AI前沿新闻发布会

1. STM32嵌入式机器学习（TinyML）实用教程01 |边缘智能实验室第1部分：概述使用机器学习技术在STM32H747IDiscovery开发板上开发机器视觉应用程序。

本教程由ST（STMicroelectronics）官方发行。

Edge Intelligence Lab的原始中文字幕，谢谢您的支持。

视频中涉及的文档（也可以从ST官方网站上下载）：链接：https://pan.baidu.com/s/1K1Dr2vMUZ8UmtVbZHkKAVA提取代码：w41p2。

为人工智能而生，打破了存储壁，佐治亚理工学院等提出了一种新的嵌入式无电容器DRAM |机器思想今天的计算中最大的问题是“内存壁”，即处理时间与存储时间之间的差距。

将数据从单独的DRAM存储器芯片传输到处理器所花费的时间。

AI应用程序的日益普及只会加剧这个问题，因为涉及面部识别，语音理解和消费产品推荐的庞大网络很少能够容纳在处理器的板载内存中。

在2020年12月举行的IEEE国际电子设备会议（IEDM）上，一些研究小组认为新型DRAM可能成为解决“内存墙”问题的一种解决方案。

问题。

他们说：“这种新型DRAM由氧化物半导体制成，并内置在处理器上方的层中。

它的位长是商用DRAM的数百或数千倍，并且可以在运行大型神经网络时提供。

更大的面积可以节省大量能源”。

新的嵌入式DRAM仅由两个不带电容器的晶体管组成，简称为2T0C。

之所以可以这样做，是因为晶体管的栅极是自然电容（尽管很小）。

因此，代表该位的费用可以存储在这里。

此设计具有一些关键优势，尤其是对于AI而言。

原始链接：https://spectrum.ieee.org/tech-talk/semiconductors/memory/new-type-of-dram-could-accelerate-ai3。

明年，我将使用AI为整个村庄编写对联| HyperAI春节即将结束，您仍然沉浸在这一年的风情中吗？在一年前第十二个农历月的第29和30日，每个家庭都开始张贴春联。

今年，接连推出了各种用于编写春联的AI应用程序，以帮助您编写春联。

为什么不尝试一下？对联强调“对”。

必须整齐，顺利地进行协调。

但是，现代人的对联技巧远不如古代文人，有时他们甚至可能会愚蠢地区分上下联。

而且，精明的AI学会了自己编写对联。

测试地址：https://ai.binwang.me/couplet/Github：https://github.com/wb14123/couplet-dataset数据集地址：https://hyper.ai/datasets/145474.DeepMind' NFNet的最新研究：放弃标准化，深度学习模型的准确性达到了前所未有的水平|机器心脏论文：https://arxiv.org/abs/2102.06171 DeepMind还发布了该模型的实现：https://github.com/ deepmind / deepmind-research / tree / master / nfnets我们知道在传递的数据中对于机器学习模型，我们需要对数据进行规范化。

在数据标准化之后，将数据“拉平”（flatten）。

到一个均匀的间隔，并且输出范围减小到0到1之间。

人们通常认为，经过这样的操作，寻找最优解的过程显然会变得更加平滑，并且模型将更容易正确地收敛到最优水平。

。

但是，这样的“定型”是不正确的。

最近受到挑战。

DeepMind的研究人员提出了一种不需要标准化的深度学习模型NFNet，该模型在大规模图像分类任务上已达到业内最佳（SOTA）。

该论文的第一作者，DeepMind研究科学家Andrew Brock说：“我们致力于开发可以快速训练的高性能架构。

我们已经展示了一种简单的技术（自适应梯度裁剪，AGC），它使我们可以训练大批量。

并且在大规模数据增强之后的训练，同时达到了SOTA级别。

5.在游戏中恢复您的面孔并给AI一张照片。

网易密西根大学AAAI2021开源| Qubit论文地址：https：//arxiv.org/abs/2102.02371GitHub地址：https：//github.com/FuxiCV/MeInGame给AI一张很难追踪的照片，它将自动生成一个古老的英雄。

现在，如果您想在游戏中自定义面孔，则无需花时间考虑参数。

熟悉游戏的朋友可能会认识它。

这套AI脸部挤压技术来自网易伏溪人工智能实验室和大学