開源項(xiàng)目:統(tǒng)一,全面,高效的推薦庫(kù) — RecBole
本文目錄
項(xiàng)目一：AutoKernel??提高深度學(xué)習(xí)算法部署效率的自動(dòng)算子優(yōu)化工具
項(xiàng)目二：fire-detection-from-images ?使用神經(jīng)網(wǎng)絡(luò)檢測(cè)圖像中的火焰
項(xiàng)目三：RecBole??統(tǒng)一，全面，高效的推薦庫(kù)
AutoKernel??提高深度學(xué)習(xí)算法部署效率的自動(dòng)算子優(yōu)化工具
項(xiàng)目地址：https://github.com/OAID/AutoKernel
簡(jiǎn)介：隨著人工智能的普及，深度學(xué)習(xí)網(wǎng)絡(luò)的不斷涌現(xiàn)，為了讓各硬件(CPU, GPU, NPU,...)能夠支持深度學(xué)習(xí)應(yīng)用，各硬件芯片需要軟件庫(kù)去支持高性能的深度學(xué)習(xí)張量運(yùn)算。目前，這些高性能計(jì)算庫(kù)主要由資深HPC工程師(高性能計(jì)算優(yōu)化工程師）進(jìn)行開發(fā)，為了加快開發(fā)進(jìn)程，縮短深度學(xué)習(xí)應(yīng)用落地周期，自動(dòng)化算子優(yōu)化是一個(gè)趨勢(shì)。
AutoKernel是由OPEN AI LAB提出的高性能算子自動(dòng)優(yōu)化工具，可以自動(dòng)優(yōu)化調(diào)度策略、生成底層優(yōu)化代碼，大幅減少各硬件芯片算子開發(fā)成本，提升算子優(yōu)化效率，讓工程師更快實(shí)現(xiàn)深度學(xué)習(xí)算法在各硬件芯片上的高性能部署。
AutoKernel架構(gòu)：
AutoKernel分為三個(gè)模塊：
算子生成器:
該模塊使用了開源項(xiàng)目Halide；Halide是業(yè)界廣泛使用的自動(dòng)代碼生成項(xiàng)目，它首次提出將計(jì)算和調(diào)度分離。該模塊的輸入是和硬件無關(guān)的算子計(jì)算描述，輸出是相應(yīng)后端的優(yōu)化匯編代碼/目標(biāo)文件；
自動(dòng)搜索模塊：
該模塊可以通過最優(yōu)化算法/搜索算法/機(jī)器學(xué)習(xí)/強(qiáng)化學(xué)習(xí)搜索出相應(yīng)后端的最優(yōu)算子的調(diào)度策略參數(shù)（該模塊仍在開發(fā)中）；
算子部署插件（ AutoKernel Plugin）：
Tengine是OPEN AILAB開源的深度學(xué)習(xí)推理框架，實(shí)現(xiàn)了AI算法在不同硬件的快速高效部署。該模塊實(shí)現(xiàn)了將自動(dòng)生成的優(yōu)化算子代碼以plugin的形式一鍵集成到Tengine中，實(shí)現(xiàn)自動(dòng)優(yōu)化算子的一鍵部署；
fire-detection-from-images?使用神經(jīng)網(wǎng)絡(luò)檢測(cè)圖像中的火焰
項(xiàng)目地址：https://github.com/robmarkcole/fire-detection-from-images
此項(xiàng)目的目的是演示火災(zāi)探測(cè)神經(jīng)網(wǎng)模型。在使用中，此模型將在圖像中將一個(gè)界框放在任何火周圍。
最佳效果：
對(duì)象檢測(cè)：在嘗試了各種模型體系結(jié)構(gòu)之后，我選擇了Yolov5 pytorch模型，這是因?yàn)樗哂蠸OTA（最先進(jìn)的技術(shù)），相對(duì)較快的培訓(xùn)以及可提供良好文檔并易于使用的筆記本的可用性。經(jīng)過幾個(gè)小時(shí)的實(shí)驗(yàn)，我在1155張圖像（337個(gè)基本圖像+增強(qiáng)）上訓(xùn)練了一個(gè)mAP @ .5為0.657，精度為0.6，召回率為0.7的模型。
分類：使用ResNet50和Monk tensorflow庫(kù)報(bào)告了95％的準(zhǔn)確性。
動(dòng)機(jī)和挑戰(zhàn)：
傳統(tǒng)的煙霧探測(cè)器通過檢測(cè)煙霧顆粒的物理存在來工作。但是，它們?nèi)菀妆诲e(cuò)誤檢測(cè)（例如，從烤面包機(jī)中檢測(cè)到），并且不能很好地定位火源。在這些情況下，攝像機(jī)解決方案可以補(bǔ)充傳統(tǒng)的探測(cè)器，以縮短響應(yīng)時(shí)間或提供其他指標(biāo)，例如火災(zāi)的大小和位置。識(shí)別出火災(zāi)的位置和性質(zhì)后，可以進(jìn)行自動(dòng)干預(yù)，例如通過灑水系統(tǒng)或無人機(jī)。此外，數(shù)據(jù)也可以發(fā)送到消防部門，以提供其他情況下不存在的態(tài)勢(shì)感知。我感興趣的特定位置是：廚房和客廳，車庫(kù)和附屬建筑，以及可能已經(jīng)發(fā)生火災(zāi)但蔓延到所需區(qū)域之外的區(qū)域，例如火坑。
數(shù)據(jù)集：
FireNET-大約500張帶有邊框的火像。包含訓(xùn)練有素的Yolo3模型，該模型是使用影像技術(shù)訓(xùn)練的，性能未知。
從Kaggle上的CCTV進(jìn)行火災(zāi)檢測(cè)-圖像和視頻，圖像是從視頻中提取的，數(shù)據(jù)集相對(duì)較小。與當(dāng)前的任務(wù)非常相關(guān)，因?yàn)橛锌梢詼y(cè)試的視頻。
cair / Fire-Detection-Image-Dataset-此數(shù)據(jù)集包含正常圖像和有火的圖像，并且高度不平衡，可以反映現(xiàn)實(shí)情況。
mivia火災(zāi)檢測(cè)數(shù)據(jù)集-大約30視頻
USTC煙霧檢測(cè)-鏈接到提供煙霧視頻的各種來源
可以下載pyimagesearch文章中的fire/not-fire數(shù)據(jù)集。請(qǐng)注意，有許多火災(zāi)現(xiàn)場(chǎng)的圖像不包含實(shí)際火災(zāi)，但是例如燒毀了房屋。
Kaggle上的FIRE數(shù)據(jù)集-755個(gè)室外火災(zāi)圖像和244個(gè)非火災(zāi)圖像。許多有光澤的圖像，具有代表性嗎？
Dunnings 2018研究的火災(zāi)圖像數(shù)據(jù)集-PNG靜止圖像集
用于Samarth 2019研究的消防超像素圖像數(shù)據(jù)集-PNG靜止圖像集
Wildfire煙霧數(shù)據(jù)集-737帶注釋的（裝箱的）圖像
RecBole??統(tǒng)一，全面，高效的推薦庫(kù)
項(xiàng)目地址：https://github.com/RUCAIBox/RecBole
RecBole 是一個(gè)基于 PyTorch 實(shí)現(xiàn)的，面向研究者的，易于開發(fā)與復(fù)現(xiàn)的，統(tǒng)一、全面、高效的推薦系統(tǒng)代碼庫(kù)。我們實(shí)現(xiàn)了72個(gè)推薦系統(tǒng)模型，包含常見的推薦系統(tǒng)類別，如:
General Recommendation
Sequential Recommendation
Context-aware Recommendation
Knowledge-based Recommendation
我們約定了一個(gè)統(tǒng)一、易用的數(shù)據(jù)文件格式，并已支持 28 個(gè) benchmark dataset。用戶可以選擇使用我們的數(shù)據(jù)集預(yù)處理腳本，或直接下載已被處理好的數(shù)據(jù)集文件。
特色：
通用和可擴(kuò)展的數(shù)據(jù)結(jié)構(gòu)?我們?cè)O(shè)計(jì)了通用和可擴(kuò)展的數(shù)據(jù)結(jié)構(gòu)來支持各種推薦數(shù)據(jù)集統(tǒng)一化格式和使用。
全面的基準(zhǔn)模型和數(shù)據(jù)集?我們實(shí)現(xiàn)了72個(gè)常用的推薦算法，并提供了28個(gè)推薦數(shù)據(jù)集的格式化副本。
高效的 GPU 加速實(shí)現(xiàn)?我們針對(duì)GPU環(huán)境使用了一系列的優(yōu)化技術(shù)來提升代碼庫(kù)的效率。
大規(guī)模的標(biāo)準(zhǔn)評(píng)測(cè)?我們支持一系列被廣泛認(rèn)可的評(píng)估方式來測(cè)試和比較不同的推薦算法。
系統(tǒng)環(huán)境：
Linux
Windows 10
macOS X
RecBole需要在python 3.6或更高的環(huán)境下運(yùn)行。
RecBole要求torch版本在1.6.0及以上，如果你想在GPU上運(yùn)行RecBole，請(qǐng)確保你的CUDA版本或CUDAToolkit版本在9.2及以上。這需要你的NVIDIA驅(qū)動(dòng)版本為396.26或以上（在linux系統(tǒng)上）或者為397.44或以上（在Windows10系統(tǒng)上）。
回顧精品內(nèi)容
推薦系統(tǒng)
1、干貨 | 基于用戶的協(xié)同過濾推薦算法原理和實(shí)現(xiàn)
2、超詳細(xì)丨推薦系統(tǒng)架構(gòu)與算法流程詳解
機(jī)器學(xué)習(xí)
自然語言處理(NLP)
1、AI自動(dòng)評(píng)審論文，CMU這個(gè)工具可行嗎？我們用它評(píng)審了下Transformer論文
2、Transformer強(qiáng)勢(shì)闖入CV界秒殺CNN，靠的到底是什么"基因"
計(jì)算機(jī)視覺(CV)
1、9個(gè)小技巧讓您的PyTorch模型訓(xùn)練裝上“渦輪增壓”...
GitHub開源項(xiàng)目：
1、火爆GitHub！3.6k Star,中文版可視化神器現(xiàn)身
2、兩次霸榜GitHub！這個(gè)神器不寫代碼也可以完成AI算法訓(xùn)練
3、登頂GitHub大熱項(xiàng)目 | 非監(jiān)督GAN算法U-GAT-IT大幅改進(jìn)圖像轉(zhuǎn)換
每周推薦：
1、本周優(yōu)秀開源項(xiàng)目分享：無腦套用格式、開源模板最高10萬贊
2、【干貨】本周AI領(lǐng)域優(yōu)秀開源項(xiàng)目和優(yōu)秀論文分享！
七月在線學(xué)員面經(jīng)分享：
1、先工程后算法：美國(guó)加州材料博后辭職到字節(jié)40萬offer