AI架构师易筋

1TOPS代表处理器每秒钟可进行一万亿次1012{10}^{12}1012操作。与此对应的还有GOPS（Giga Operations Per Second），MOPS（Million Operation Per Second）算力单位。1GOPS代表处理器每秒钟可进行十亿次（109{10}^9109）操作，1MOPS代表处理器每秒钟可进行一百万次（106{10}^6106）操作。TOPS同GOPS与MOPS可以换算，都代表每秒钟能处理的次数，单位不同而已。

每个都将有一个模型卡，如上面的模型部分所示，其中包含作者提供的关键信息以及一个托管的推理 API，用于查看模型的示例输入和输出。然后，您可以使用 Hosted Inference API 在自动生成的模型页面上的 Hugging Face 网站上运行预测，或者将模型检查点加载到 Python 中以开始根据您的微调模型进行预测。单击 Hub 中的“+新建”按钮，然后选择“模型”，您将进入一个对话框，您可以在其中指定名称和操作系统许可证的类型，您将根据这些许可证贡献模型的代码和相关资产。

神经网络，尤其是循环神经网络(RNN)，现在是语言理解任务（如语言建模、机器 翻译和问答）的主要方法的 核心。在“”中，我们介绍了 Transformer，这是一种基于自注意力机制的新型神经网络架构，我们认为它特别适合语言理解。在我们的论文中，我们展示了 Transformer 在学术英语到德语和英语到法语的翻译基准上都优于循环模型和卷积模型。除了更高的翻译质量之外，Transformer 需要更少的计算来训练，并且更适合现代机器学习硬件，将训练速度提高一个数量级。

它们是用于计算和思考注意力的抽象概念。一旦你继续阅读下面的注意力是如何计算的，你就会知道几乎所有你需要知道的关于每个向量所扮演的角色。计算self-attention的第二步是计算一个分数。假设我们正在计算本例中第一个单词“Thinking”的自注意力。我们需要根据这个词对输入句子的每个词进行评分。当我们在某个位置对单词进行编码时，分数决定了对输入句子其他部分的关注程度。分数是通过查询向量与我们正在评分的各个单词的关键向量的点积来计算的。因此，如果我们正在处理位置#1中单词的自注意力，第一个分数将是q。

在这篇文章中，我们将解释如何使用 python 和一种称为词频——逆文档频率 ( tf-idf ) 的自然语言处理 (NLP) 技术来总结文档。

亚马逊首席科学家 李沐】动手学深度学习《Dive into Deep Learning》零基础如何入门人工智能，如何跟进AI领域的最新算法，如何读论文、找代码。Pytorch ：B站 小土堆《PyTorch深度学习快速入门教程》【台湾大学 李宏毅】2021-2022机器学习课程 (B站)【B站 小甲鱼】零基础入门学习Python。2、数学基础：微积分 线性代数 概率论。1、掌握一门编程语言：Python。3、快速入门机器学习、深度学习。6、如何跟进AI领域最新进展？4、学习至少一个框架。...

1. SimSwap 高保真人脸交换的高效框架简单交换（SimSwap），旨在实现广义和高保真人脸交换。与之前的方法要么缺乏泛化到任意身份的能力，要么无法保留面部表情和注视方向等属性，我们的框架能够将任意源人脸的身份转换为任意目标人脸，同时保留人脸的属性。目标面。我们通过以下两种方式克服了上述缺陷。首先，我们提出了 ID 注入模块 (IIM)，它在特征级别将源人脸的身份信息传输到目标人脸。通过使用这个模块，我们将特定身份的人脸交换算法的架构扩展到任意人脸交换的框架。第二，我们提出了弱特征匹配损失，它有效地

对全球众多不同的 AI 专家聚会进行概览可能非常具有挑战性，从小型聚会到有数千名与会者的国际会议。因此，我们根据科学相关性收集了以下最重要的会议。相关性由Google Scholar根据作者H-indices为每个会议的出版物计算的 h5-index 表示。您将在下面找到以下部分的介绍：顶级计算机视觉会议顶级通用机器学习会议特定主题的顶级人工智能会议1. 2022 年顶级计算机视觉会议1.1 CVPR · IEEE/CVF 计算机视觉与模式识别会议19.-24。2022 年 6 月

现在，你已经学习了估计理论的基础知识， 3D 几何和一些常见的传感方式， 是时候将其付诸实践并思考我们如何使用所有这些工具了 一起构建一个我们可以在真正的自动驾驶汽车上使用的估计器。真正的自动驾驶汽车，如自动驾驶 将配备许多不同类型的传感器。例如，自动驾驶配备了五个摄像头、一个 3D 激光雷达、 一个 IMU，四个雷达单元， GPS 或 GNSS 接收器和车轮编码器。所有这些传感器以不同的速率为我们提供不同类型的数据。例如，IMU 可能会报告加速度 和每秒 200 次的角...

最引人注目的状态估计方法， 确实是某种优化的幌子。所以，你做了一个聪明的方法 搜索结束可能 一个相当高维的空间说， 鉴于现在和最近的图像流， 以及我以前见过的所有东西， 鉴于此传感器数据， 你写下一个函数 你希望最小化，它可以是适当的复杂。您已经将特征投影到图像中。你有激光，它有不同的反射。你有多普勒信号。所以，考虑到所有这些和 我在协会中遇到的所有困难， 你会写关联问题 作为最小化问题。鉴于这一切， 快速解决这个优化问题 你知道你在哪里 可能是或一组你可能在的地方， 然后也有与此相关的不确定.

既然你已经学会了如何翻译， 旋转和缩放点云， 是时候谈谈我们该如何做 实际使用这些操作 用真实的点云 估计自动驾驶汽车的运动。我们这样做的方式 一般是通过解决某事 称为点集配准问题， 这是最重要的问题之一 在计算机视觉和模式识别方面。在这个视频结束时， 你将能够描述点集 注册问题以及如何 它可以用于状态估计， 描述和实现迭代最近点 或用于点集配准的 ICP 算法， 并了解一些常见的使用陷阱 用于自动驾驶汽车状态估计的 ICP。让我们回到我们的...

在上一个视频中，我们谈到了激光雷达的基本工作原理， 自动驾驶汽车最受欢迎的传感器选择之一。 在接下来的两个视频中，我们将学习如何使用 LIDAR 生成的点云 传感器为我们的自动驾驶汽车进行状态估计。 在本视频结束时，您将能够描述基本的点云数据 用于存储 LIDAR 扫描的结构。描述点云上的常见空间操作，例如旋转和缩放。 并使用最小二乘法将平面拟合到点云中，以便 检测道路或其他表面。首先，回想一下 3D LIDAR 传感器返回距离测量值， 它扫描的每个点的仰角和方位角。 ...

将北斗卫星导航系统（BDS ;中国：北斗卫星导航系统;拼音：Běidǒu微星DǎohángXìtǒng）是中国 卫星导航系统。它由两个独立的卫星星座组成. 第一个北斗系统，正式名称为北斗卫星导航实验系统，也称为北斗一号，由三颗卫星组成，从 2000 年开始，主要为中国及周边地区的用户提供有限的覆盖和导航服务。北斗一号于2012年底退役。2020年6月23日，最后一颗北斗卫星成功发射，发射了北斗家族的第55颗卫星。北斗导航卫星系统的第三次迭代提供全球覆盖的授时和导航，是俄罗斯GLONASS、欧洲伽利略定位系统

GLONASS是一种天基全球导航卫星系统 (GNSS)，它在全球范围内持续向所有人免费提供可靠的定位、导航和授时服务。GLONASS 接收器使用卫星技术并基于三角测量原理计算它们在GLONASS 参考系统中的位置。它是美国全球定位系统 ( GPS )、中国北斗导航系统或欧盟 (EU)计划中的伽利略定位系统等其他 GNSS 系统的替代和补充。1. 介绍苏联第一艘导航航天器“旋风”于 1967 年发射入轨。[1]这是苏联第一个低轨道导航系统“蝉”的开端。它由四颗卫星组成，放置在海拔1000公里、倾角83度的

伽利略空间段将包括总共 30 颗中地球轨道 (MEO) 卫星的星座，其中 3 颗是备用卫星，位于所谓的 Walker 27/3/1 星座中。每颗卫星都会广播精确的时间信号、星历和其他数据。伽利略卫星星座已针对以下标称星座规格进行了优化：圆形轨道（卫星高度为 23 222 公里）轨道倾角 56°三个等距轨道平面九颗运行中的卫星，在每个平面上等距每架飞机一颗备用卫星（也发射）伽利略卫星是一颗 700 kg/1600 W 级卫星。该图像显示了艺术家对部署了太阳能电池板的伽利略航天器在轨道上.

1983年，美国海军的TRANSIT卫星系统将珠穆朗玛峰的高度从1856年的8840米修正为8850米尽管 GNSS 在美国和前苏联作为军事系统开始，主要用于军舰导航，但很快就发现在民用领域有很多应用。自从地球不是平的，至少从地理上来说，确定地球不是平的这一点就一直困扰着旅行者和探险家。主要问题是找到一个参考点和一个坐标系，可以用来在像地球这样的球状物体上定位自己。北极星提供了一个天体参考点并成为北；因此另一端变成了南方；正好在中间我们放置了一个称为赤道的人工制品。当地中午的太阳高度，用六分仪测量，.

欢迎来到课程的模块四。 在本模块中，我们将讨论 LIDAR， 或光检测和测距传感器。激光雷达一直是自动驾驶汽车的一项使能技术，因为它可以 看到各个方向并且能够 提供非常准确的范围信息。事实上，除了少数例外， 当今道路上的大多数自动驾驶汽车都是 配备某种类型的激光雷达传感器。在本模块中，您将了解 激光雷达传感器的工作原理， 用于处理 LIDAR 数据和 LIDAR 点云的基本传感器模型， 应用于点云的不同类型的变换操作， 以及我们如何使用 LIDAR 进行本地化 使用...

所以我们现在同意状态估计很重要。 我会断言这很难，因为你有这个数据关联和 数据很复杂。所以下一个问题变成了，好吧， 你怎样才能让自己的生活更轻松一点？ 你该怎么办？也许我们应该说，与其使用一种传感器类型，不如说应该使用多种类型。所以也许我们可以摆脱建筑物角落和 也可以使用摄像头从激光中获取总线的一角。因为公共汽车通常与建筑物的角落不同。 那么我们使用两种模式。所以我们以什么颜色的形式从相机中获得外观 像素是，我们从几何中得到米 关于东西有多远的公共汽车，所以你可能会发现这变得容易多了。然后我们.

欢迎回来。在这个视频中，我们将讨论一种特定类型的传感器 你们大多数人会非常熟悉， 全球导航卫星系统或 GNSS 接收器。我们将了解为什么这个导航传感器 对自动驾驶汽车来说非常重要。它能够在任何地方提供定位 具有有限误差的世界，这是关键。具体来说，我们将为 GNSS 开发一个模型 基于伪距和三边测量原理。然后我们将熟悉 GNSS 定位的来源 错误并谈谈改进一种 GNSS 的一些方法。就像在之前的讲座中讨论的 IMU 一样， 几乎每部现代智能手机都至少配备一种类型的 GNSS ...

在本课中，我们将讨论惯性测量单元或 IMU。 在本课结束时，您将能够描述 构成基本 IMU 的两个传感器，一个加速度计和一个陀螺仪。 您还可以对这些传感器中的每一个进行建模，并考虑 诸如传感器噪声和偏差之类的东西。 当我们将 IMU 合并到全状态估计器中时，这将是至关重要的。 让我们开始。 惯性测量单元，或 IMU 测量物体在惯性空间中的运动。 今天，某种廉价的、大规模生产的 IMU， 几乎在所有智能手机中都可以找到，例如图中的 iPhone X。 IMU 经常用于任务，包括用于...

欢迎来到状态估计课程的第 3 单元。 在本模块中，我们将向您介绍 您可以使用两个传感器来提供帮助 本地化自动驾驶汽车。为此，我们将首先回顾 一些 3D 运动学和 几个重要的参考系。然后，讨论一些关于我们如何能够的细节 代表旋转，最后， 我们将介绍惯性测量单元 和全球导航卫星系统。但首先，回顾一下 3D 几何体是很有用的。要跟踪汽车如何移动， 我们需要知道如何表达 该运动使用数学工具和符号。在本课中，我们将 查看参考系如何影响矢量坐标， 比较和对比不同的旋转表示，...

在上一个视频中，我们看到了线性化误差是如何产生的 导致 EKF 产生状态估计， 与国家的真正价值大相径庭， 和协方差不 准确捕捉状态的不确定性。当我们依赖时，这可能是一个大问题 安全关键应用中的 EKF 比如自动驾驶汽车。在本课中，您将了解 无迹卡尔曼滤波器， 这是一种替代方法 到非线性卡尔曼滤波， 依赖于一种叫做 Unscented Transform 的东西， 通过概率分布 通过非线性函数。正如我们将看到的 Unscented Transform 给我们的 ...

在最后两个视频中， 我们了解了扩展卡尔曼滤波器或 EKF 以及我们如何 可以使用它使线性卡尔曼滤波器适应非线性系统。虽然 EKF 可以很好地解决许多实际问题， 有一些重要的限制需要记住 确定 EKF 是否适合您的算法。在本视频中，我们将讨论其中一些限制。回想一下，EKF 通过线性化我们的系统来工作 非线性运动和观察模型 更新状态估计的均值和协方差。线性化模型是 只是真实非线性模型的局部线性近似。我们称之为之间的区别 近似值和真实模型，线性化误差。一般来说，任何函数的线性化误差取决...

在上一个视频中，我们 介绍了扩展卡尔曼滤波器， 使用局部线性化 作为一种方式，让我们 应用卡尔曼滤波器方程 到非线性系统。在这个视频中，我们 将看一个变种 EKF 称 错误状态扩展卡尔曼滤波器， 或 ES-EKF，它有几个 不错的属性，将 在课程后面派上用场。到本视频结束时， 你将能够描述 错误状态公式 扩展卡尔曼滤波器， 并描述其优点 vanilla 上的错误状态 EKF 你学到的EKF 关于上一个视频。错误状态EKF背后的想法 真的很简单。我们要开始思考 关于我们的车辆状...

似乎没有特定的近似 [非线性] 过滤器始终比任何其他过滤器更好，尽管 。. . 任何非线性滤波器都比严格线性滤波器好。1所述卡尔曼滤波器 是一种工具，估计范围广泛的过程的变量。用数学术语来说，我们会说卡尔曼滤波器估计线性系统的状态。您可能想知道系统状态的原因有两个，无论是线性的还是非线性的：首先，您可能需要估计状态以控制系统。例如，电气工程师需要估计电机的绕组电流以控制其位置。航空航天工程师需要估计卫星的速度以控制其轨道。生物医学工程师需要估计血糖水平以调节胰岛素注射率。其次，您可能需要估计系统状态

到目前为止，在这个模块中， 你已经学会了如何使用线性卡尔曼滤波器 对于状态估计， 你还看到卡尔曼滤波器是 最佳线性无偏估计器或Blue。然而，线性卡尔曼滤波器 不能直接用于估计状态 是非线性函数 测量或控制输入。例如，姿势 汽车包括它的方向， 这不是一个线性量。3D 中的方向实际上存在于球体上。所以我们需要寻找别的东西。在本视频中，我们将了解 一种重要且广泛使用的变体 卡尔曼滤波器称为 扩展卡尔曼滤波器，或 EKF。EKF 设计用于处理非线性系统， 它通常被认为是其中...

现在，我们介​​绍了卡尔曼滤波器， 让我们稍微讨论一下是什么使它成为如此吸引人的估算方法。 到本课结束时， 您将能够定义一些在状态估计中很重要的术语。 一是观念偏差。 第二，一致性。 最后，您将使用这些定义来说明为什么卡尔曼滤波器是最好的 线性无偏估计器，或 BLUE。 让我们潜入。首先，让我们讨论偏见。 让我们考虑上一课中的卡尔曼滤波器 用它来估计我们的自动驾驶汽车的位置。 例如，如果我们有办法知道车辆的真实位置， 神谕告诉我们， 然后我们可以使用它来记录我们过滤器在每个时间步 k ...

我必须告诉你卡尔曼滤波器，因为它的作用非常惊人。令人惊讶的是，似乎很少有软件工程师和科学家知道它，这让我感到难过，因为它是一种在存在不确定性的情况下组合信息的通用且强大的工具。有时，它提取准确信息的能力似乎很神奇——如果这听起来像是我说得太多了，那么请看一下之前发布的视频，我演示了一个卡尔曼滤波器来确定自由浮动的方向身体通过看它的速度。完全整洁！1. 卡尔曼滤波器它是什么？你可以在任何你对某个动态系统有不确定信息的地方使用卡尔曼滤波器，你可以做出有根据的猜测对系统接下来要做什么。即使混乱的现实出现并干

IMU（惯性测量单元）是一种聪明的小设备，它试图通过检查物体上的力来估计物体的绝对方向（有时是它的位置）。业余无人机和计算机输入 IMU 通常查看加速度数据（告知“向下”的位置）、罗盘数据（在 3D 空间中指向北方）和速率陀螺仪数据（告知旋转轴和速度）。“向下”和“向北”组合可以给出非常准确的方向约束，但不幸的是，如果有任何横向力（风；转弯），它们将与“向下”混合并扭曲估计。卡尔曼滤波器使用矩阵数学来充分利用陀螺仪数据来对此进行校正。然而，一个不断加速的无人机仍然可能被愚弄在什么地方。我在这里尝试找..

欢迎回来。在模块二中，我们将学习最著名的算法之一 在所有工程中；卡尔曼滤波器。在当今先进的机器学习世界中， 卡尔曼滤波器仍然是一个重要的工具 融合来自多个传感器的测量结果实时估计状态 机器人系统，例如自动驾驶汽车。在这个模块中，我们将学习一些历史 卡尔曼滤波器并介绍其基本线性公式。我们将介绍为什么卡尔曼滤波器是 最好的线性无偏估计，然后 通过线性化将线性公式扩展到非线性系统。讨论这种线性化方法的局限性，最后， 提出一种现代的替代方案 通过无味变换线性化。在本课结束时...

欢迎来到模块 1 的最后一课。 我们将通过以下方式完成模块 讨论一个重要的联系 将有助于提供进一步的直觉 对于最小二乘法。具体来说，到本课结束时， 你将能够说明连接 最小二乘法之间 和最大似然估计 与高斯随机变量。让我们从回忆开始 最小二乘准则来自 本模块中的第一个视频。我们找到了最好的估计 一些未知但恒定的参数 确定使总和最小的值 基于我们测量的平方误差。但我们可以问：为什么要平方误差？ 为什么不把错误立方， 或平方根错误，或其他什么？这其实是一个特别深刻的问题， 并且...

在本课中，我们将 讨论递归最小二乘法， 一种计算技术 动态最小二乘法。在课程结束时， 你将能够扩展 批量最小二乘解 我们在前两个视频中讨论过 到一个递归工作。使用这种方法 递归最小二乘法 保持运行估计 最小二乘解 作为新的测量 流入。让我们开始吧。我们已经研究过这个问题 计算一个值 一些未知但恒定的参数 从一组测量。我们的假设之一是我们有 手头的所有数据。也就是说，我们假设 我们收集了一批 测量值，我们想使用 那些要计算的测量值 我们估计的感兴趣数量。这是有时 一个完全合理的...

1. 目标学习最佳拟合问题的示例。学习将最佳拟合问题转化为最小二乘问题。秘诀：找到最小二乘解（两种方法）。图片：最小二乘解的几何。词汇： 最小二乘解。在本节中，我们将回答以下重要问题：假设 Ax =b 没有解决方案。最好的近似解是什么？出于我们的目的，最佳近似解称为最小二乘解。我们将介绍两种寻找最小二乘解的方法，并将给出几种最佳拟合问题的应用。2. 最小二乘解我们首先明确我们对不一致矩阵方程的“最佳近似解”的含义Ax =b回想起那个 dist(v, w) = ||v - w||

在上一个视频中， 我们看到了如何使用最小二乘法来求解 给出一组噪声测量值的更正确的电阻值。 在这个视频中，我们会问这个问题， 如果我们怀疑某些 我们的测量质量比其他人更好？ 到本视频结束时， 你将能够推导出和最小化 加权最小二乘准则 这将让我们处理测量 不同的质量并将这种新方法与 正则或普通最小二乘法 我们在上一个视频中讨论过。 让我们开始。我们可能想要信任的原因之一某些测量比其他测量更多 是它们可能来自更好的传感器。例如，我们的一些电阻测量 可能来自比其他万用表贵得多的万用表。 ...

关于自动驾驶汽车专业走在自动驾驶行业的前沿。市场研究人员预测，到 2025 年，市场规模将达到 420 亿美元，自动驾驶汽车将超过 2000 万辆，下一次就业热潮即将来临。本专业让您全面了解自动驾驶汽车行业中使用的最先进的工程实践。您将通过使用开源模拟器 CARLA 的动手项目与来自自动驾驶汽车 (AV) 的真实数据集进行交互。在整个课程中，您将听取在 Oxbotica 和 Zoox 等公司工作的行业专家的意见，他们分享有关自主技术的见解以及该技术如何推动该领域的就业增长。您将从具有 3D 行人建模和环

您好，欢迎收听自动驾驶汽车专业课程二。 在本课程中，我们将介绍状态估计，重点是定位。让我们首先定义几个关键术语。定位是我们确定的方法 车辆在世界中的位置和方向。 正如你可能想象的那样， 准确定位是关键组成部分 任何自动驾驶汽车软件堆栈。如果我们想自动驾驶， 我们当然需要知道我们在哪里。 为此，我们可以使用状态估计。这是计算物理量的过程 像来自一组测量值的位置。 由于任何现实世界的测量都是不精确的， 我们将开发尝试找到最佳或 给定一些假设的最佳值 关于我们的传感器和外...

那么，为什么状态估计对自动驾驶汽车如此重要？嗯，直截了当的回答， 你需要知道你在哪里， 你得到的所有输入都是传感器数据。因此，可以简单地发布状态估计问题 鉴于所有这些传入的传感器数据，“我在哪里？”因此，您的状态是您所在位置的答案。你得估计一下。因为你不一定被摄像机告知。所以，如果我有一张世界的照片， 我必须从那张照片中推断出我在哪里， 或者我的移动方式， 我的转弯有多快。 这就是状态估计问题。因此，您需要使用该传感器数据。也许你有一些先验信息。我们有一些关于你走多快的先验信念， 10 毫.

恭喜，你已经完成了第一个 我们的自动驾驶汽车专业课程。 您在本课程中学到的概念是 所有自动驾驶架构。 让我们总结一下到目前为止您在本专业中学到的东西。在课程的第一周，您了解了自动驾驶的分类 汽车以及自动驾驶的感知和规划需求。 总的来说，这给了我们一个车辆需求框架，所以 我们可以更好地了解我们需要做出哪些驱动决策，以及 在我们的汽车上做出这些决定所需的自动化水平。在第二周，您了解了硬件和软件堆栈 自动驾驶汽车。 您了解了用于 感知，设计传感器配置的基础知识，以及 典型自治软件堆栈所需的每个...

既然您已经有机会进行一些控制器设计并进行仿真 与 Carla 一起，我们将向您展示我们对最终课程评估的解决方案。 回想一下，我们的参考信号由速度和位置组成。 所以我们需要纵向和横向控制。对于纵向控制，我们实现了一个 PID 控制器 这在纵向控制模块中进行了描述。该 PID 控制器将以所需速度为参考，并 输出油门和砖块。 由于所需的速度相当低并且 稳定，我们完全绕过低级控制器。请记住，PID 控制器由三个组件组成。 首先，缩放车辆加速度的纯增益 Kp 基于速度误差。 这样可以确保车辆在正确的方向...

本项目是多伦多大学在Coursera上提供的自动驾驶汽车入门课程的最终项目作业。“controller2d.py”文件包含一个控制器对象。我在 update_controls 方法中实现了控制器。[视频] https://www.youtube.com/watch?v=Pu3B4sGw5uc&pbjreload=10自动驾驶汽车纵向和横向控制设计在这个项目中，我用 Python 实现了一个控制器，并使用它在 Carla Simulator 中自动驾驶汽车绕轨道行驶。控制器的输出将是车辆油门、刹