搜索[游戏AI]结果-低调大师优秀个人博客

精选列表

搜索[游戏AI]，共10000篇文章

世界卫生组织与腾讯加深合作，新冠肺炎 AI 自查助手全球开源

作为助力世界卫生组织帮助各国政府开发数字医疗解决方案的支持，腾讯向全球开源“新冠肺炎AI自查助手” （COVID-19 self-triage assistant），这项人工智能服务能够帮助民众自查新冠肺炎感染风险

2020-04-03

发改委：加强5G、工业互联网等新基建推进AI等技术集成创新

2020年3月23日上午10时，国务院联防联控机制举办了新闻发布会。国家发展改革委副秘书长高杲先生指出，发改委将持续深入推进“互联网+”行动，加快数字经济创新发展试验区建设。高杲介绍，在此次疫情期间，针对突如其来的疫情对经济运行和社会生活所带来的影响，各地区各部门也普遍实行了“全天候”网上收件、“及时推送”并联审批、“零等待”网上出件等办理模式，开通应急审批绿色通道，及时纠正不合理的人流物流管控措施，支持企业复工复产达产;推动线上线下融合快速发展，鼓励共享经济、平台经济，发挥优势，促进线上问诊、云办公、在线授课、无接触配送等新模式快速发展，助力疫情防控。高杲指出，国家发展改革委还将从深化“放管服”改革、加力促进“双创”，推进“互联网+”行动等方面多措并举，稳定和扩大就业，核心就是要通过进一步改善营商环境，积极运用现代科技等来激发全社会创新创造创业的活力和潜力。 “在推进“互联网+”行动方面，应该说，这次应对疫情让我们更加深刻认识到了互联网等现代科技的重要作用和发展潜力。”高杲坦言，下一步，发改委将持续深入推进“互联网+”行动，加快数字经济创新发展试验区建设，积极运用中央预算内投资等各方面资金，加强包括5G、数据中心、工业互联网等新型基础设施建设，推进大数据、云计算、人工智能、物联网等技术的集成创新和融合运用，加快培育一批吸纳就业能力强的数字经济产业，加快改造传统产业，促进平台经济、共享经济持续健康发展，培育更多的经济和就业新增长点。

2020-03-24

阿里云视觉智能开放平台【人脸人体类目】上线多个AI能力，快来了解下！

尊敬的开发者您好，感谢您对阿里云视觉智能平台的支持，近期人脸人体类目上线了五个算法能力，分别是口罩检测、人脸活体检测、表情识别、公众人脸识别以及人体计数，接下来给您逐一介绍下。口罩检测：【跳转链接】由于疫情原因，在二月我们紧急上线了此能力，通过此能力可以识别输入图片中占比最大的人脸是否有戴口罩，可应用在对各种场所的人员口罩佩戴情况进行监测。人脸活体检测：【跳转链接】识别输入图片中的活体对象（主要是人脸），用来检测是来自直接拍摄还是翻拍。可应用在互联网金融、税务、社保、电信、医疗等行业。表情识别：【跳转链接】识别图片中的人脸表情, 表情种类为：neutral（中性）, happiness（高兴）, surprise（惊讶）, sadness（伤心）, anger（生气）, disgust（厌恶）, fear（害怕）。可应用在心理学、智能监控、虚拟现实及合成动画等领域。公众人脸识别：【跳转链接】识别输入图片中的一个或多个公众人脸信息。可用于公众人物鉴定，例如检测发布的内容是否有侵犯肖像权。人体计数：【跳转链接】识别输入图片中的人体数量。可用于人数统计，例如合照人数、班级人数等。以上就是人脸人体类目此次更新的主要内容，如果您对我们的产品感兴趣，可点击下方链接访问我们的官网进行体验，也可搜索钉钉群23109592或是扫描文章结尾的钉群二维码，进群和我们沟通！官网地址：https://vision.aliyun.com/

2020-03-04

阿里公开自研AI集群细节：64个GPU，百万分类训练速度提升4倍

而且与世界顶级的AI计算系统相比，阿里的AI集群虽然使用了性能较低的硬件资源，但表现出了相当的性能。这是阿里巴巴首次对外披露高性能AI集群的性能，具体情况如何？

2020-03-02

阿里云视觉智能开放平台正式上线，阿里集团核心视觉AI能力对外开放

1月底，阿里云正式推出以计算机视觉AI能力为核心的视觉智能开放平台（vision.aliyun.com），平台目前已上线8大类目，超过50多种视觉AI能力，面向人脸识别，文字识别，商品理解，内容安全，图像识别

2020-02-25

对话阿里巴巴贾扬清：如何成为一个优秀的AI架构师？

二、AI 架构师是人工智能行业最稀缺的人才，我们应该怎么理解这个问题？AI 架构师这个角色是在最近几年里逐渐衍生出来的，因为没有 AI 的工程，也就没有 AI 架构师的角色。

2020-01-16

首次曝光 | 阿里AI芯片含光800硬核编程模型 | 12月19号云栖号夜读

阿里专家原创好文 1.首次曝光 | 阿里AI芯片含光800硬核编程模型今年,平头哥发布全球最强AI推理芯片含光800。在杭州城市大脑的业务测试中，1颗含光800的算力相当于10颗GPU。

2019-12-18

12月09日云栖号头条：AI是否正在砸公务员的“铁饭碗”？

（VR）技术的可能不仅仅是人类： Facebook开发反人脸识别技术，实时视频也同样可用每天，我们刷脸解锁手机，翻看相册里已根据人脸分类好的照片，甚至在上传图片到社交网络上时也不用自己填写人名，因为AI

2019-12-08

业界首个AI云服务报告：阿里云进入领导者象限，力压亚马逊、微软

近日，知名调研机构 IDC发布了首个《IDC MarketScape：2019中国AI云服务市场厂商评估》报告，报告显示，阿里云位列领导者象限，并在战略愿景维度排名第一，亚马逊AWS、微软Azure等云厂商紧随其后

2019-11-28

派拉软件新一代安全产品矩阵正式发布：AI赋能，安全聚变

事中控制和事后追溯的全流程风险管控和监督; 3)通过数字身份管理，建立数字身份全生命周期与权限的智能化管控，规避安全后门隐患，提升信息化整体安全能力，提高运营效率; 4)通过数字身份融合，建立生物识别、AI

2019-11-07

隐私与AI兼得，蚂蚁金服是如何做到的？ | 10月16号栖夜读

阿里专家原创好文 1.隐私与AI兼得，蚂蚁金服是如何做到的？蚂蚁金服在过去十五年重塑支付改变生活，为全球超过十二亿人提供服务，这些背后离不开技术的支撑。

2019-10-15

WAIC | 奇点云携「酷炫AI应用」亮相2019世界人工智能大会

机器视觉、自然语言处理、智能语音、机器人问诊、智慧驾驶……这些AI技术及应用早已渗入了我们日常生活的点滴。今天，以「智联世界，无限可能」为主题的2019世界人工智能大会（WAIC）在上海开幕。

2019-08-29

云知声推多款医疗 AI 产品，病历生成与质控产品今年将站 C 位

雷锋网消息，在近日举行的CHIMA大会上，云知声召开了一场主题为“AI 赋能临床：从助手到专家”的医疗AI产品发布会。

2019-07-10

Startdt AI提出：使用生成对抗网络用于One-Stage目标检测的知识蒸馏方法

人工智能正在驱动新一轮的商业变革，而算法技术则是推动核心底层技术的重要力量。算法崛起时代，技术浪潮可谓一日千里，算法工程师也只有不断精进自身技术，才能与时俱进、驭浪前行。近日，奇点云算法工程师三角肌在目标检测算法领域又有新突破。摘要卷积神经网络对目标检测的精度有着显著的提升，并且随着卷积神经网络的深度加深，对目标检测精度提升也越大，但是也需要更多的浮点计算。许多研究者通过知识蒸馏的方法，通过把一个更深更大的教师网络中的知识转移到一个小的学生网络中，以提高学生网络在目标检测中的效果。而大部分知识蒸馏的方法都需要设计复杂的代价函数，并且多数针对两步目标检测算法，本文针对一步目标检测算法提出一个干净有效的知识蒸馏方案。将教师网络生成的特征层作为真实样本，学生网络生成的特征层做为假样本，并对两者做生成对抗训练，以提高学生网络在一步目标检测中的表现。 1 Introduction 近些年来，随着目标检测算法的发展，研究者们发现利用更深更大的卷积神经网络作为骨架，对目标检测算法的精度提升越大。并且随着目标检测算法的检测精度提升，使视觉检测算法逐渐从非关键性领域，走向关键性领域（比如无人驾驶和医疗等领域）。但是为了保证检测精度，不得不使用更大的卷积神经网络作为骨架，造成检测速度下降，计算设备成本增加。因此许多研究者在确保检测精度的前提下，提高检测速度提出了很多方法和总结，如通过深度分离卷积 [1，2],或者通过点群卷积(pointwise group convolution)和通道混洗(channel shuffle)[3, 4] 来降低卷积神经网络浮点运算次数的方法，在保证骨架网络精度和容量的情况下减少计算量。虽然获得可观的提速效果，但是这些方法需要精心设计和调整骨架网络。很多研究者认为更深的骨架网络虽然有着更大的网络容量，因此在图像分类、目标检测等任务上有着更优秀的表现。但是一些特定的任务并不需要这么大的容量，所以在保证卷积神经网络精度的情况和下，对卷积神经网络做压缩、量化、通道减枝等[5, 6, 7, 8, 9]。另一方面，有关于知识蒸馏的工作表明[10, 11, 12, 13]，使用一个更深更大的模型，并且在充分训练完毕后作为teacher net，然后再选取一个比较浅的模型作为student net，最后使用teacher net输出的结果或者中间结果作为soft label结合真实样本的true label同时训练student net，可以极大的提升student net在特定任务上的表现。但是大部分这些方法都需要设计非常复杂的代价函数和训练方式，并且这些方法多用于图像分类和两步目标检测等，极少用于一步目标检测。因此，我们需要一个更加简单而有效，并且可以适用于一步目标检测的知识蒸馏方式。本文提出一种简单而有效知识蒸馏神经网络架构，并且可以明显的提升student net在一步目标检测网络的表现。和常规的知识蒸馏方式不同的是，我们参考对抗生成的神经网络架构[14]，将重型目标检测神经网络和轻型目标检测神经网络的骨架分别拆分出来作为teacher net和student net，然后把teacher net 生成的feature map作为真实样本，而student net则作为生成器，并把student net生成的feature map作为假样本，最后根据真实样本和假样本设计一个神经网络作为判别器，做生成对抗训练。我们的贡献主要有两点： 1 提出一种不需要设计复杂的代价函数的网络架构，并且可以适用于一步目标检测。 2 利用对抗生成网络架构，避免复杂的知识迁移设计，让student net自动的从teacher net中获取暗知识。 2 Related Works 深度学习目标检测算法架构主要分为两种，一种是一步检测，比如Liu W等人提出的SSD[15]，直接通过通过卷积神经网络回归出物体的位置和类别，另一种是二步检测，如girshick等人提出的fast rcnn[16]，以及后来Faster-RCNN [17] and R-FCN [18]等，首先通过卷积神经网络回归候选框，最后根据候选框再次识别每个候选框的类别，并回归出正确的位置。网络裁剪，许多研究者认为深度神经网络被过度参数化，并且有很多冗余的神经元和连接，He Y等人认为[8],cnn每层神经元都是稀疏的，利用lasso regression回归找出cnn每层最有代表性的神经元重构该层的输出。Zhuang Z等人[9]认为layer-by-layer进行通道剪枝会影响cnn的鉴别能力，所以通过在fine-tune和剪枝阶段加入辅助loss，来保留cnn每层的鉴别能力。网络量化, Wu J等人[20]通过k-means聚类算法加速和压缩模型的卷积层和全连接层，通过减小每层输出响应的估计误差可实现更好的量化结果，并提出一种有效的训练方案抑制量化后的多层累积误差。Jacob B[21]等人提出将weights和inputs量化为uint8 bias量化为unit32同时训练期间前向时候采用量化，反向修正误差不量化，以确保cnn表现的情况下提高inference速度。知识蒸馏是一种压缩模型并确保准确的一种方法。hinton 等人提出[2]将teacher net输出的结果作为soft label，并提倡使用温度交叉熵而不是L2损失。romero 等人[19]认为需要更多的unlabeled data让student net去mimic才能使student net经可能的接近teacher net，Chen G[12]等人在优化2步目标检测网络分别将teacher net的中间feature map 以及rpn/rcnn的暗知识提取出来让student net去mimic。其他研究者也有将teacher net的attention信息给student网络，如Zagoruyko S[22]等人提出spatial-attention，将teacher net的热力信息传递给student net。Yim J等人[23]将teacher net层与层之间的关系作为student网络mimic的目标。但是他们设计的的知识蒸馏都是要设计非常复杂的loss function，和复杂的暗知识的提取方式，并且这些方法多是在两步目标检测算法中很少用于一步目标检测中。为了能用一个简单有效的知识蒸馏的方式，我们参考生成对抗网络的架构方式[14]将教师网络生成的特征层作为真实样本，学生网络生成的特征层做为假样本，并对两者做生成对抗训练，以提高学生网络在一步目标检测中的表现。 3 Method 在本文中，我们采用一步目标检测算法SSD[15]作为我们的目标检测算法,SSD目标检测算法结构主要分成两部分，1）骨架网络,作为特征提取器。2）Head,在骨架网络提取的特征上，检测出目标的类别和位置。为了能获取更好的知识蒸馏效果，合理利用这个两个部分至关重要。 3.1 Overall Structure fig 1为我们算法模型的整体结构，我们首先使用一个容量更大的SSD模型，在充分训练后将该SSD模型拆分成骨架网络和SSD-Head，其中骨架网络作为teacher net，然后再挑选一个容量较小的CNN作为student net。我们把teacher net生成的多个feature map作为true sample，而student net生成的多个feature map作为fake sample，并且将true sample和fake sample送入D Net中相对应的每个判别网络(fig 2)中，同时把fake sample输入到SSD-Head中。 3.2 Training Process (1) 公式1中的N代表batchsize的大小，D代表判别网络，Teacher和Student分别代表teacher net和student net, θt、θs、θd分别代表teacher net、student net 和D Net模块中每个判别网络的weights。Lconf表示SSD中分类的损失函数，Lloc表示SSD中边界框的损失函数。 4 Experiment 在本章节，我们将在PASCAL VOC中做实验来验证我们的方法，包含20个类别。并且我们的方法训练的硬件为two NVIDIA GTX 1080Ti GPUs。训练所用的软件框架为gluoncv。 4.1 Training and testing data 由于时间的关系，我们训练使用的数据集Pascal Voc 2012trainval和Pascal Voc 2007 trainval sets，测试数据集为Pascal Voc 2007 test sets。该数据集包含检测物体的类别和位置信息。评估标准按照Pascal Voc竞赛所约定的，通过iou=0.5时的mAP来评估模型检测精度。而coco数据集上，使用coco 2017 trainset作为训练集，coco 2017 test作为测试集。 4.2 Results 我们将原生的SSD和在不同的Teacher net下知识蒸馏的SSD做比较，最高可以提升student net 2.8mAP。不过有趣的是，当teacher net为ResNet101，student net为ResNet18时，提升的效果反而不如ResNet50。而在coco上使用resnet50作为teacher net，moblinet作为student net，提升Moblient-SSD 4个mAP。 Table 1. Different student nets are not used GAN-knowledge distillation and the use of a GAN-knowledge distillation in different teacher net test results. 目前已经将该方法使用在faster rcnn上,考虑到时间，目前仅仅在pascal voc 2007上进行测试，coco正在训练。 Table 2. moblienetv1 use GAN-knowledge distillation in coco. Table 3. Teacher net为骨架网络为ResNet101的faster rcnn，且使用Pascal Voc 2007 trainval作为训练集，在Pascal Voc 2007 test测试集上mAP为74.8+。第一行和第二行使用GAN Knowledge Distillation[1]方法，第三行为cvpr2019的 Distilling Object Detectors with Fine-grained Feature Imitation[2]的方法效果。

2019-07-06

Transformer原理解析——一种Open AI和DeepMind都在用的神经网络架构

Transformer模型是一种日益流行的神经网络结构。它最近被OpenAI用于他们的语言模型中。与此同时，近期也被DeepMind用于它们的程序“星际争霸”中击败了一名顶级职业星际玩家。 Transformer模型的开发是为了解决序列转换及神经机器翻译问题。这意味着可以解决任何sequence to sequence问题，例如语音识别、文本到语音转换等。序列转换。输入用绿色表示，模型用蓝色表示，输出用紫色表示。GIF取自3 对于执行序列转换的模型而言，有一些记忆是必要的。例如，我们把下面的句子翻译成另一种语言(法语)： “The Transformers”是日本的一个硬核朋克乐队。该乐队成立于1968年，处于日本音乐史的鼎盛期。” 在本例中，第二句中的“the band”指的是第一句中引入的“The Transformers”乐队。当你

2019-03-20

3月11日云栖精选夜读 | AI 安全在阿里业务中的实践，你了解吗？

我们知道，AI 技术将在很长一段时间占据互联网技术时代的风口。但是，有代码的地方就有缺陷，提到技术很难不讲安全，那么AI会不会碰到安全问题呢？热点热议 AI 安全在阿里业务中的实践，你了解吗？

2019-03-10

[python作业AI毕业设计博客]英文原版新书下载：Impractical Python Projects - 2019.Pdf

python测试开发项目实战-目录 python工具书籍下载-持续更新 python 3.7极速入门教程 - 目录下载：Impractical Python Projects - 2019.Pdf Impractical Python Projects is a collection of fun and educational projects designed to entertain programmers while enhancing their Python skills. It picks up where the complete beginner books leave off, expanding on existing concepts and introducing new tools that you'll use every day. And to keep things interesting, each project includes a zany twist featuring historical incidents, pop culture references, and literary allusions. You'll flex your problem-solving skills and employ Python's many useful libraries to do things like:• Help James Bond crack a high-tech safe with a hill-climbing algorithm • Write haiku poems using Markov Chain Analysis• Use genetic algorithms to breed a race of gigantic rats• Crack the world's most successful military cipher using cryptanalysis• Derive the anagram, "I am Lord Voldemort" using linguistical sieves • Plan your parents' secure retirement with Monte Carlo simulation• Save the sorceress Zatanna from a stabby death using palingrams• Model the Milky Way and calculate our odds of detecting alien civilizations• Help the world's smartest woman win the Monty Hall problem argument• Reveal Jupiter's Great Red Spot using optical stacking• Save the head of Mary, Queen of Scots with steganography• Foil corporate security with invisible electronic ink Simulate volcanoes, map Mars, and more, all while gaining valuable experience using free modules like Tkinter, matplotlib, Cprofile, Pylint, Pygame, Pillow, and Python-Docx. Whether you're looking to pick up some new Python skills or just need a pick-me-up, you'll find endless educational, geeky fun with Impractical Python Projects. e-Books Highlight Edition1st Edition ISBN159327890X Posted on12/3/2018 FormatPdf Page Count426 Pages AuthorLee Vaughan, 参考资料本文最新版本地址本文涉及的python测试开发库谢谢点赞！本文相关海量书籍下载 2018最佳人工智能机器学习工具书及下载(持续更新)

2019-02-11

IBM新创AI病毒：想打谁就打谁，看脸发作绝不误伤，隐蔽性极强

这个恶意软件运用AI来识别攻击对象，有针对性地发作。而在目标出现之前，它只会藏身在普通的软件之中默默休眠，几乎没有一个病毒该

2018-08-09

阿里巴巴茹忆：千万级 AI 设备补贴背后的思考与布局丨WARE 2018

在由深圳湾出品的WARE 2018 AI 芯片与应用峰会上，阿里巴巴 A.I.Labs 智能硬件总经理茹忆从交互入口的角度，分享了 AI 时代的人机交互形态以及阿里在 AI 和 IoT 结合上的布局。

2018-07-25

W3Cschool开发者日报 | Adobe 开发 AI 识别技术，助你识别P图怪！

2、Adobe 开发 AI 识别技术，帮你检测这图是否被修过为世界提供了其中一项最重要修图工具 Photoshop 的 Adobe，为了“增加在数字时代里的信任和真实性”，决定要做个 AI 来帮你甄别图片是否被修过

2018-06-26

资源下载

更多资源

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。