引领智能未来,英特尔亚太研发举办技术开放日

与上海交通大学签署合作备忘录,聚焦人工智能与数据中心的研发

上海2018年10月25日电 /美通社/ -- 今天,在主题为“打造全球研发核‘芯’,引领智能未来科技”的2018英特尔亚太研发有限公司技术开放日上,英特尔亚太研发分享了其在人工智能、边缘计算、物联网等领域的领先技术、产品和解决方案的研发成果。英特尔亚太研发有限公司总经理卢炬,中国科学院院士、上海交通大学副校长毛军发教授,以及英特尔副总裁兼物联网事业部中国区总经理陈伟博士等,分别发表了主题技术演讲,对未来科研发展的难题和挑战以及最新的计算技术趋势,进行了前瞻分享和思辨。同时,英特尔亚太研发与上海交大还宣布正式建立战略合作伙伴关系。

2018英特尔亚太研发技术开放日展出多项最新研发成果
2018英特尔亚太研发技术开放日展出多项最新研发成果

在本次技术开放日上,英特尔亚太研发与合作伙伴携手推出的最新产品和应用得到了充分展示。比如,基于英特尔®酷睿™ i5处理器、OpenVINO™计算机视觉开发套件的数烨科技智能零售货柜方案;英特尔与京东、科大讯飞合作推出的全球第一款中文大屏幕智能音箱 -- 京东叮咚智能音箱;以及基于英特尔OpenVINO™深度学习开发工具包及HERO机器人平台的人脸识别应用实例等。此外,来自上海交通大学的作品“服务机器人安全眼”也在现场得以展示,该作品刚刚获得英特尔杯大学生电子设计竞赛嵌入式系统专题邀请赛特等奖。

与此同时,英特尔亚太研发与上海交通大学电子信息与电气工程学院正式签署合作备忘录。籍此,双方将在人工智能、数据中心等领域共同推动合作研究、教学共建、人才培养和生态系统构建等各项工作。上海交通大学电子信息与电气工程学院副院长薛广涛教授和英特尔亚太研发有限公司总经理卢炬代表双方签署合作备忘录。英特尔还向上海交通大学捐赠了价值超百万元的、最新人工智能软硬件设备,用于合作科研并为科研成果拓展产品化渠道。

英特尔亚太研发与上海交大签署合作备忘录
英特尔亚太研发与上海交大签署合作备忘录

基于双方二十余年的良好合作基础,英特尔亚太研发与上海交大将在四个重点领域深入合作:一)面向人工智能和数据中心等领域合作,利用各自的技术优势进行基础型及应用型研究,尤其致力于整合资源实现科研成果产品化,构建产学研相结合的技术创新体系;二)共同推进人工智能领域教学资源的共建;三)共同推进人工智能领域的人才交流及人才培养;四)开展产学研深度融合的试点,共同推进人工智能领域生态系统的构建。

中国科学院院士、上海交通大学副校长毛军发教授表示,“作为世界一流的工程研发中心,英特尔亚太研发在人工智能、数据中心等前沿领域拥有世界级的工程研发能力。期待双方发挥各自优势和实力,共同培养具有国际竞争能力、进而能引领未来人工智能技术发展方向的精英工程师。”

自2005年落户上海紫竹科学园以来,英特尔亚太研发一直保持着高速的发展态势,至今已发展成为涵盖几乎所有业务部门的英特尔在华最大、最完整的综合性研发机构,并在云计算、虚拟化、基本输入输出系统及固件、大数据、深度学习、视频等领域拥有世界级工程研发能力,从2005年至今,贡献的专利数达2,000个。在保证高生产率、各团队高效紧密协同合作的基础上,英特尔亚太研发多次、多团队荣获英特尔最高奖,并拥有多个技术研发卓越中心。

立足中国,放眼世界。英特尔亚太研发将软件及服务、数据中心、核心和视觉计算、客户端平台、物联网、集成平台方案、存储等领域作为主要研究方向,凭借强大的执行力实现引领科技创新,并构建广泛的市场和生态系统,以建设世界级工程创新中心。

英特尔亚太研发有限公司总经理卢炬表示:“作为英特尔在亚洲最大的综合性研发基地之一,英特尔亚太研发拥有全球领先的研发优势。在人工智能领域,我们已经做好了全面布局,不管是芯片、数据中心、边缘计算、大数据和深度学习,还是视觉计算、5G和自动驾驶等领域,英特尔亚太研发正发挥内外联动之力,以实现共同创新。此次与上海交通大学的合作,将有助于深化我们的科研水平,共同提升双方在人工智能领域的行业影响力,从而进一步支持中国在人工智能技术上的创新发展。”

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值