华为鸿蒙战略布局,继5G与鸿蒙后又一重要布局:华为发布计算战略

44398c04fb5ff0f8e0bc34b1c87f919a.png

原标题:继5G与鸿蒙,华为今天发布计算战略:59.8秒完成典型网络训练

文/咔嚓

在今天的华为全联接大会(HC)上,华为副董事长胡厚崑发表主题演讲,首次全面阐述了华为的计算战略,这是华为继5G和鸿蒙系统后又一重要战略布局。

联接和计算是人工智能的两大核心技术。华为认为,在5G超高速联接的带动下,计算正向智能时代发展,其具有三大特征:暴力计算、小到耳机大到飞机无处不在的泛在计算,以及端边云高效联动的协同计算,这意味着面向机器学习的计算已成为主流。预计到2023年,全球计算产业总空间可达到两万亿美元(包括企业IT的软件、硬件、云服务等),这是一个巨大的产业新蓝海。

>

胡厚崑介绍说,基于对于计算产业趋势洞察,华为将加大对计算领域的投入,主要将围绕技术、商业及生态布局华为的整体计算战略。

a52824c4b1bf58d5048fc57df0860c33.png

华为整体计算战略,将重点从以下四个方面进行布局:

1、架构创新。投资基础研究,打造出了达芬奇架构,重点解决全场景智能的架构问题。

2、投资全场景处理器族。包括面向通用计算的鲲鹏系列,面向AI的昇腾系列,面向智能终端的麒麟系列,以及面向智慧屏的鸿鹄系列,将来还有一系列处理器,面向更多的场景。

3、商业策略。华为处理器不直接对外销售,以云服务和部件为主面向客户,优先支持合作伙伴发展整机。

4、构建开放生态。重点推进沃土计划2.0,面向未来5年,投入15亿美元,汇聚500万开发者,使能全球合作伙伴发展应用及解决方案。

胡厚崑详细介绍了通用计算领域的业务策略:

1、打造有竞争力的通用计算处理器。

2、投资板卡、服务器、操作系统、数据库、编译器等关键技术和产品,打通生态全链条,完成系统级验证,帮助合作伙伴更好地销售整机。

3、目前,华为与伙伴合作共同打造鲲鹏产业生态基地,目前已落地北京、上海、重庆、深圳、成都等城市,在平台搭建、人才培养、应用示范等领域全面开展合作。

4、上市节奏,基于鲲鹏处理器的系列产品、解决方案和服务,将面向全球市场;当前先聚焦中国市场,后续将基于客户需求、生态建设等有节奏在其他不同区域、国家/地区逐步上市。

胡厚崑表示,关键AI应用和AI平台正在成为企业数字化转型的重要引擎,82%的企业将AI直接应用于生产相关场景,并带来显著的效益提升(>15%),40%的企业尝试将AI应用于认知与决策层。以中石油为例,认知计算平台,用知识图谱和深度学习等技术构建测井油气层识别模型,符合率达到测井解释专家水平,并大幅提升效率(在老井复查场景下可节省专家70%的时间)。

胡厚崑透露,华为全栈全场景AI解决方案已全面落地。

1、全栈角度:昇腾处理器系列IP和芯片、芯片使能CANN(芯片算子库和高度自动化算子开发工具)、应用使能ModelArts及训练和推理框架MindSpore均已发布

2、全场景角度:基于昇腾处理器的产品和解决方案,已经覆盖了云、边、端;在华为云上,提供了相应的推理和训练服务;Atlas系列板卡、模组和服务器已经上市;搭载昇腾IP的处理器,已经广泛应用在华为的智能手机上。

7ec027611c1fe492c9446612f753cdae.png

华为同时拥有全球训练最快的AI集群Atlas900,其由1024颗昇腾910组成,只需60秒就可以完成典型网络的训练,在同等精度下比第2名快15%。Atlas900的强大算力,可广泛应用于科学研究与商业创新,比如天文探索、气象预测、自动驾驶、石油勘探等领域。华为将发布基于昇腾的华为云EI集群服务,以及超强算力的AI产品。

胡厚崑最后说,我们坚信,只有克服最大的困难,才能真正构建起竞争力,才能为行业伙伴打开更大的产业空间,我们要用最好的技术,解决世界上最难的问题,把不可能变成可能。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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