|
时间：2018-03-17 13:00（星期六） 地点：上海市徐汇区桂林路406号（GDG孵化器） 主题： 13:00～13:30：签到及自我介绍； 13:30～13:45：GDG介绍； 13:45～14:30：企业如何应用 AI 做产品；
14:30～15:15：网页端实时通信开发实践； 15:15～15:30：活动合影 15:45～14:30：TensorFlow lite deep dive； 14:30～17:00：自由交流。
深智AI 李豪 企业如何应用人工智能技术和做产品 ADAS驾驶辅助系统 分割算法 人物动作骨架软硬一体方案 应用领域货物安防司机商店 提问：人工智能能做什么 计算估计视觉/语音文字处理/数据预测/数据生成（弱人工智能时代） 近几年算法逐渐成熟 提问：企业需要什么？人工智能工程师需要什么？ 从企业落地方向阐述优势难点 举例：疲劳检测项目 核心为四部：技术选型（计算机视觉：图像分类【适合场景识别】/物体识别【检测前车行人】/关键点检测【骨架识别】/图像分割【无人车/机】）/数据打标/训练优化/终端上线 技术选型 如何判断疲劳：闭眼频率（物体识别） 选择网络算法 SSD+Mobilenet 做产品需要注意在有限的硬件算力下达到最好的效果 数据打标：数据总量/达标标准/样本比例/图片一边多（数据增强） 个人认为：只要数据对 量不需要太大也能出效果 达标标准：标准需要同意 样本比例：5比5 图片一变多：可以在训练前做一些训练增强 把数据集维度变大 训练优化 如何调参降低loss：数据集维度(集中针对性尽可能强)/Batch Size（个人认为值不用太大 值为24较好）/Learning Rate（对loss来说是决定性的参数 尽可能调大0.1左右 个人推荐手动调）/Regulation Weight（推荐先保持默认比例）/Normalazation Decay 如何简化优化网络：模型输入尺寸（尽可能把值调小 根据实际情况取平衡点）/BatchNormalazation and Dropout（加强网络针对性 不要滥用不推荐每一层都用）/MobileNet简化思路/判错样本再训练（先收集重新打成tfreport进行再训练 不能把learning rate调太大）/网络模块优化（推荐空洞卷积）/openblas（把矩阵运算尽可能做优化加快网络实时性） 上线 Android PB/TF-Lite ubuntu系统（支持模型更多） 后端服务器运行模型 提问：如何学习人工智能 AI要项目驱动学习，推荐在做项目的同时学理论 声网 张乾泽 web研发工程师 使用机器学习提升WebRTC通话质量 以前的难点：数据采集/数据通讯（推流延迟） WebRTC： 无插件提供跨浏览器RTC支持 提供js接口访问媒体 提供点对点连接和数据通道 低服务器损耗，低延迟 优点为减少服务器损耗/降低延迟/更加方便的接入 如何判定realtime： 是否延迟（帧发送到接收端的时间间隔）/是否流畅（帧率）/是否清晰（比特率即每秒发送的数据大小） 通过这三个参数判断质量 Google Congestion Control 在数据拥塞上提供了机制： DBCC：时间段超过阈值调节码率 LBCC：丢包问题 运作机制： Sender>network>Receiver 发送量大于接受量产生丢包 丢包后反馈到发送端降低码率保证通信流畅 不是所有的丢包都可以靠降低码率规避 跨运营商丢包一般采用： NACK/EFC NACK：发送端尝试重传 EFC：添加信息 若发现数据丢失则尝试还原 LPCC和跨运营商丢包如何进行区分判断： 希望可以自动判断应该使用那种策略 预测丢包的模式，并尽量在问题发生前解决问题 使用机器学习 利用RNN学习媒体后台数据 带宽估计/Jitter/Bitrate/Loss/Delay 使用训练模型进行布置策略 难点：如何有效率的从百亿级别的数据中挑选有用的数据并进行打标 其他可能性：降低部分视频细节/在接收端对细节进行恢复 浏览器端目前WebRTC延迟最优秀 目前应用场景更多在教育 TensorFlow Lite Deep Dive 顾仁民 移动设备人工智能 多维数组 运算图 TensorFlow的运用：风格转换/翻译（图像识别）/医学图像/自动驾驶/相机效果 为什么需要设备端机器智能： 1. 趋势：认为未来是智能设备时代 2. 算力提升：软硬件的提升 3. 离线 4. 带宽 5. 电量（很多场景发现设备将数据发送到云端的电量消耗大于设备运算） 挑战：如何在不同的设备上都能运行起来 TensorFlow Lite是什么？ 轻量级的机器学习 适合移动设备的库 区别是代码是完全分割开的，有自己的文件格式，interpreter，Ops/Kemels TensorFlow>Graphdef/checkpoint>converter>TensorFlowLite Format>interpreter>hardware Acceleration interface 如何转成Lite模式 1. Freeze Graph（变量变成常量） 2. Convert 推荐运用Python Flatbuffers 和protobuf类似，更好的内存效率，可mmap，更少的代码 Model： Op Code算子 Sub-Graph Buffer 数据存储区域 Interpreter是如何工作的 Mmap得到模型（R Buffers Ops Tensors） TFLiteContext包含了所有TFLiteTensor TFLiteNode包含了输入输出的Tensor索引值 TFLiteRegistration包含了Node中算子的函数指针 OpResolver维护了函数指针映射关系 下一步计划：Better tooling/GPU etc.acceleration/More op coverage/More devices
| 
发表于 2018-3-19 20:59:17
收藏