ST<span style='color:red'>机器学习</span>解决方案助力车企探索汽车AI可能性
行业新闻

ST机器学习解决方案助力车企探索汽车AI可能性

　　意法半导体的首款车规机器学习解决方案SL-AIAID012401V1由AEKD-AICAR1评估套件、AI人工智能插件和AutoDevKit车规开发板组成，能够识别驻车、正常路况、崎岖道路、车轮侧滑或突然转向四种汽车状态。这是一个难得的机会，可以通过测试和开发汽车人工智能应用，以确定该技术是否适合这个市场。事实上，许多车企还在探索在行业现阶段，机器学习对他们是否有意义。从头开始创建算法需要投入大量的人力和资金。把评估解决方案导入我们的AutoDevKit平台，可以让开发人员更轻松地探索车规人工智能的可行性。　　将机器学习引入汽车的挑战在寻找正确的应用　　▲汽车状态识别系统的整体架构　　虽然机器学习的热度在消费市场上稳步上升，但是，汽车行业仍在探究机器学习技术可以为汽车带来什么。几十年来，人工智能一直是汽车行业的一个热门话题，研究人员早在2001年就已经在探索如何在导航系统中应用机器学习。然而，人工智能趋向于用在几种应用场景，例如，自动驾驶或事故检测。此外，出于安全性和可靠性考虑，汽车行业几十年来一直依赖启发式方法。简而言之，汽车制造商在不需要训练神经网络的情况下就已经擅长提供先进的功能。因此，开发平台必须降低汽车机器学习的技术门槛，同时又不影响设计者构想较为传统的应用。       找到正确的工具　　为了帮助开发人员创建他们的杀手级应用程序，无论它是否使用机器学习算法，AEKD-AICAR1都配备了一个带有4mb闪存的MCU，以及AEK-LCD-DT028V1显示屏，用于UIs和更一般的应用程序。主板还提供两个CAN FD收发器和两个电位器，用于测试模数转换器的性能。因此，这个电路板可以连接执行器板驱动电机，处理无线通信功能，或者管理LED等设备。因此，这块板子的灵活性足以帮助开发团队用其他的系统开发应用。然而，顾名思义，我们的开发团队用AEKD-AICAR1开发应用，因为汽车行业要求降低机器学习的技术门槛。　　AEKD-AICAR1：让机器学习变得更好用的解决方案在指引开发者　　▲AEKD-AICAR1套件　　AEKD-AICAR1配有AEK-CON-SENSOR1连接器板和AIS2DW12三轴加速度计。开发人员可以获取MEMS数据，并使用长短期记忆（LSTM）递归神经网络(RNN)确定汽车的四种状态。该套件还旨在简化演示应用的开发，因为AEKD-AICAR1在MCU闪存内预装了提前训练好的神经网络。LSTM RNN当前版本是在Google Colab环境中使用TensorFlow 2.4.0框架开发的神经网络，然后，我们使用意法半导体的工具将提前训练好的神经网络转换为适合在STM32上运行的C代码库。　　为了进一步指导和培训开发者，我们为用户提供了一份Google Colab环境、模型训练、数据采集等工具的用户入门指南。用户可以使用TensorFlow等众多热门机器学习框架创建、训练和验证神经网络，从而使团队能够借用许多现有的社区项目。然后，我们还展示了意法半导体神经网络所用人工智能插件是如何优化算法，使其适合在微控制器上运行。简而言之，我们分享我们的知识经验和实用工具，以便开发人员可以更轻松地测试项目，确定机器学习是否适合汽车应用。　　使用真实环境　　最终，工程师将获得一个程序，这个程序可以让他们尝试用传感器开发新应用，评估自己的需求，并更好地了解从头开始需要付出的成本的一小部分内是可行的需求。在AEKD-AICAR1捆绑包中有连接器板，这意味着用户可以轻松换用另一个传感器，做进一步的评测。汽车行业固有的安全性和可靠性限制要求让开发者无法用市面上可以买到的消费级电路板测试汽车产品概念。AEKD-AICAR1通过在许多人用于开发实际应用的汽车级平台上进行实验，从而解决了这个问题。　　构想原创应用　　由于汽车行业的机器学习仍处于起步阶段，用户经常寻找具有最大灵活性的平台。事实上，用一个系统开发多个项目有助于节省时间和资源，例如，有一位客户对LSTM节点稍加改动，即可分析车辆悬架的响应性能，确定弹簧补偿程度，从而改善驾驶体验。同样，开发人员可以用传感器开发新应用，例如，预测电池的充电状态，或将传感器安装在方向盘上，用于检查驾驶员的心率。简而言之，AEKD-AICAR1灵活多变，应用不限于传统的汽车应用及状态检测。
关键词：
发布时间：2023-09-15 10:12 阅读量：1848 继续阅读>>
英飞凌携手Edge Impulse扩展边缘AI能力，为蓝牙客户带来更多基于<span style='color:red'>机器学习</span>模型的平台选择
行业新闻

英飞凌携手Edge Impulse扩展边缘AI能力，为蓝牙客户带来更多基于机器学习模型的平台选择

　　英飞凌科技股份公司于近日宣布与EdgeImpulse合作，为PSoC™ 63低功耗蓝牙®微控制器(MCU)扩展基于微型机器学习的AI开发工具。人工智能物联网应用开发者现在可以使用Edge Impulse Studio环境，在高性能、低功耗的PSoC 63低功耗蓝牙微控制器上构建边缘机器学习(ML)应用。　　此次合作为客户在基于PSoC 63低功耗蓝牙微控制器器件的系统中进行本地开发和配置机器学习应用提供了更多灵活性和平台选择，这些PSoC 63低功耗蓝牙微控制器器件可提供150-MHzArm®CPU性能、低功耗连接和丰富的外设选项套件。例如，搭载E-Ink显示屏模块(CY8CKIT-028-EPD)的CY8CKIT-062-BLE先锋套件包含一个惯性测量单元、麦克风和温度传感器，其支持在专为低功耗、低云成本边缘物联网环境而优化的系统中使用AI模型对传感器采集来的真实数据进行处理。　　英飞凌的PSoC 63低功耗蓝牙微控制器器件采用基于Arm® Cortex®-M4F和Arm Cortex-M0+的双核芯片架构，在单个芯片上集成了低功耗蓝牙5.2、可配置的电压与频率设置、内置硬件安全、尖端电容接口等功能。作为市场上唯一的150 MHz 低功耗蓝牙微处理器，该款英飞凌PSoC器件集节能、小尺寸和可编程性于一身，可以完美适配受益于运行高级深度学习算法的边缘物联网应用。　　Edge Impulse的产品简化了收集和构建数据集的过程，使用预先构建的构建块设计算法、使用实时数据验证模型，并在PSoC 63低功耗蓝牙微控制器等边缘目标部署完全优化的生产就绪方案。　　英飞凌蓝牙产品线副总裁Shantanu Bhalerao表示：“此次与Edge Impulse在PSoC 63低功耗蓝牙微控制器方面的合作，使得英飞凌的客户可以更快推出针对嵌入式AI/ML用例的解决方案。英飞凌致力于使我们的客户能够开发自己的AI/ML模型，或者采用英飞凌或英飞凌重要的合作伙伴所提供的预定义模型套件中的模型。英飞凌十分高兴Edge Impulse能加入我们不断壮大的合作伙伴网络，并将继续与我们广泛的AI/ML合作伙伴合作来扩充我们的产品。”　　Edge Impulse首席执行官兼联合创始人Zach Shelby表示：“凭借先进的处理能力和低功耗等优势，PSoC 63低功耗蓝牙微控制器是小至可穿戴设备，大至工业监测的新一代边缘设备的理想选择。在Edge Impulse平台的加持下，嵌入式开发者可以更快开发和部署各种令人兴奋且强大的边缘机器学习应用解决方案。”
关键词：
发布时间：2023-08-30 09:29 阅读量：2085 继续阅读>>
英飞凌收购微型<span style='color:red'>机器学习</span>领域领导厂商Imagimob AB
行业新闻

英飞凌收购微型机器学习领域领导厂商Imagimob AB

　　英飞凌科技股份有限公司宣布已收购位于瑞典斯德哥尔摩的新创企业Imagimob，这是一家领先的平台提供商，致力于为边缘设备的机器学习(ML)解决方案开发提供助力。通过此次收购，英飞凌进一步加强了其在机器学习解决方案的领先地位，并大幅扩充了其AI产品阵容。Imagimob提供一个端对端，具备高度灵活且易于使用的机器学习工具链，并着重于交付生产级 ML 模型。英飞凌将收购该公司100%的股份，双方均同意不披露此次交易的具体金额。　　英飞凌安全互联系统事业部总裁Thomas Rosteck表示：「人工智能(AI)和机器学习将大规模地涉入各种嵌入式应用，并带来新的功能。凭借Imagimob出色的平台及其在为边缘设备开发强大机器学习解决方案方面的专长，我们将能够进一步加强自身的实力，将产品的控制功能和能效提升至新水准，同时保护用户的隐私。此外，基于先进的传感器和物联网解决方案组合，我们能够协助客户充分利用 AI/ML 的优势，将他们的产品快速推向市场。　　Imagimob联合创始人暨执行官Anders Hardebring表示：「加入英飞凌之后，我们能够加快客户的产品和技术开发，赋予新的应用，并协助客户在市场中脱颖而出。作为全球功率系统和物联网领域的半导体领导者，英飞凌有着深厚的应用专业知识和广泛的产品组合。成为英飞凌生态系统中的一个重要组成部分，将使我们能够在物联网环境中高效、安全地部署和实施先进的感测与控制。　　Imagimob是快速成长的微型机器学习和自动机器学习(AutoML)市场的领导者，致力于为边缘设备的机器学习提供端到端的开发平台。Imagimob的平台支持诸如音信事件检测、语音控制、预测性维护、手势识别、信号分类、材料检测等各种应用范例，并将进一步扩展英飞凌的软硬件生态系统。合并之后，将双方的专业知识相结合并应用于完整的传感器产品组合，将能够为两家公司现有的客户提供跨产品的统一使用者体验，助力客户快速部署强大的解决方案，并加速微型机器学习在所有应用和领域的进一步普及。
关键词：
发布时间：2023-06-05 14:53 阅读量：2214 继续阅读>>
防范<span style='color:red'>机器学习</span>IP失窃，恩智浦推出一款“防偷”神器
行业新闻

防范机器学习IP失窃，恩智浦推出一款“防偷”神器

　　恩智浦新推出的eIQ Model Watermarking工具是eIQ工具包的一部分，可帮助开发人员保护其机器学习模型防范IP失窃。恩智浦半导体在eIQ工具包中增加了一款用于机器学习开发的新工具——eIQ Model Watermarking。eIQ Model Watermarking是恩智浦首个可有效帮助开发人员保护其机器学习资产的工具。该工具可在机器学习模型中嵌入水印，为模型添加版权所有权，开发人员在无需访问该模型源码的前提下，证明该机器学习模型是自己所拥有模型IP的副本或克隆。　　有人曾表示，数据是一种新型财富，在机器学习中更是如此，模型质量很大程度上取决于训练模型所使用数据集的质量，并且领域专业知识在创建高效模型时至关重要。对于公司而言，机器学习模型是体现差异化的宝贵资产，但由于缺乏版权保护，普通软件难以防范未经授权的模型复制或克隆。eIQ Model Watermarking可让开发人员对机器学习模型进行版权保护，同时还能够让开发人员发现未经授权的使用，从而保护其专有的IP。　　恩智浦半导体全球人工智能和机器学习战略与技术部门总监Ali Osman Ors表示：“开发人员在创建优质模型上投入了大量的精力和资源，保护这些投资对于开发人员至关重要。eIQ Model Watermarking工具可让他们对其机器学习模型进行版权保护，并证明某个模型是复制品或克隆品，从而保护他们在IP上的投资。”　　eIQ Model Watermarking工具旨在用于基于视觉的机器学习模型创建。该工具是用于机器学习开发的eIQ工具包的一部分。
关键词：
发布时间：2023-02-03 10:01 阅读量：1823 继续阅读>>
安森美RSL10 SensiML 人工智能/<span style='color:red'>机器学习</span>感知方案获人工智能产品创新奖
行业新闻

安森美RSL10 SensiML 人工智能/机器学习感知方案获人工智能产品创新奖

　　安森美(onsemi)，宣布其RSL10 SensiML 人工智能/机器学习感知方案(以下简称RSL10 SensiML AI/ML感知方案) 在电子发烧友(elecfans) 举办的“2022年中国人工智能卓越创新奖”评选中获“最具创新价值产品奖”。　　电子发烧友是中国知名的电子行业门户网站，从这2020年该奖项评选首次启动以来，安森美第三次获得“最具创新价值产品奖”。　　该奖项表彰了人工智能( 以下简称“AI” )市场中具有创新价值和深远影响的杰出产品，赋能中国AI产业的繁荣发展。所有提名产品的评选经过网络投票和专家评选。　　RSL10 SensiML AI/ML感知方案将SensiML的Analytics Toolkit开发软件与安森美的RSL10 传感器开发套件相结合，为工业生产流程控制和监测等边缘感知应用创建理想的AI/ML感知平台。　　SensiML首席执行官Chris Rogers说：　　我们很荣幸能与安森美合作，创建RSL10 SensiML AI /ML感知方案。我们始终坚信，双方共同开发了一个世界级的方案，很高兴看到这成果获AI卓越创新奖。　　SensiML能在较小的内存空间内支持AI功能，加上RSL10平台提供的先进感知和低功耗蓝牙联接，赋能精密的智能感知，无需对高度动态的原始传感器数据进行云分析。　　RSL10传感器开发套件具有业界最低功耗的低功耗蓝牙联接，将RSL10无线电与全套环境和惯性运动传感器结合在一块极小的电路板上，可随时与SensiML Toolkit联接。开发人员一起使用基于RSL10的平台和SensiML软件，可轻松地将低延迟的本地AI预测算法添加到他们的工业可穿戴设备、机器人、过程控制或预测性维护应用中，无论他们是否具备数据科学和AI专知。
关键词：
发布时间：2022-11-07 14:26 阅读量：2564 继续阅读>>
AI 招聘放缓，<span style='color:red'>机器学习</span>和深度学习占据受欢迎 AI 职业前二
行业新闻

AI 招聘放缓，机器学习和深度学习占据受欢迎 AI 职业前二

　　在硅谷乃至世界各地，人工智能一直是热门职业，一名机器学习工程师的平均年薪高达142858美元。但是，据招聘网站Indeed研究显示，人工智能招聘发布数量的增长已经放缓，求职者对这类工作的兴趣也有所消退。　　Indeed网站上与AI相关的工作招聘发布率从2018年5月至2019年5月上涨了29.1%。然而，这一增长远低于前两年的水平。两年前同一时期，即2017年5月至2018年5月，Indeed网站上AI招聘发布率增长了57.9%。在2016年5月至2017年5月，这一数据更是高达136.2%。　　与此同时，求职热度逐渐消退。2018年5月至2019年，在Indeed网站上对AI相关的搜索量减少了14.5%。相比之下，2017年5月至2018年期间，搜索量增长了31.9%，2016年5月至2017年之间，搜索量增长了49.12%。Indeed表示，今年这一数据的下降也意味着，市场上工作岗位数量较优质求职者数量而言，可能已出现供大于求的情况。　　AI工作搜索量并不总是跟得上其工作发布的数量。以数据科学家为例，他们的工作是获取原始数据并应用编程、可视化和统计建模来为组织提取可操作的数据。　　考虑到数据就像是一种“新型石油”的新事物，所以市场上对数据科学家们的需求很大。Indeed研究显示，从2017年到2018年，工作发布量增加了31%，但同期的搜索量只增加了约14%。　　机器学习和深度学习工程师在人工智能工作前十名的排名中占据主导地位。　　为了了解2018年至2019年发布的最受欢迎的AI职位，该公司的分析团队确定了10个最符合相关描述的职位，该描述包括关键词“人工智能”或“机器学习”。　　十大AI工作　　1、机器学习工程师　　2、深度学习工程师　　3、高级数据科学家　　4、计算机视觉工程师　　5、数据科学家　　6、算法开发人员　　7、初级数据科学家　　8、开发顾问　　9、数据科学主任　　10、首席数据科学家　　分析主任、统计学家、首席科学家、计算机科学家、研究工程师和数据工程师未被列入其中，但它们是今年前十名的主要竞争者。　　Indeed发现，今年机器学习工程师的工作岗位在AI和机器学习关键词中所占的比例最高(2018年也是如此)。机器学习工程师负责开发设备和软件，并运用预测技术，如苹果的Siri或天气预报应用程序。他们确保机器学习算法拥有需要处理的数据，并通过分析大量的实时数据，使机器学习模型更加精确。　　尽管机器学习工程师包含相关关键词的数量仍是最多的，但2018年它们在这些职位中所占的比例更高，达到了94.2%，而2019年仅为75%。　　2019年的榜单中，很多需要人工智能技能的工作都没有在2018年的榜单上出现过。比如深度学习工程师，首次排在了第二位，他们的工作是开发模拟大脑功能的编程系统。　　这些工程师是三个快速发展的领域的关键角色：自动驾驶、面部识别和机器人。一项研究显示，仅全球面部识别市场的市值，就有望从2016年的33.7亿美元增长到2022年的77.6亿美元　　这些年来的差异可能反映出各类公司对数据科学家的需求日益增长;许多雇主现在需要一个完整的数据科学团队，其工作人员需求从初级到主任级不等。相比之下，2018年的列表则包含了更通用的数据科学工作，如数据科学家、首席科学家和计算机科学家。Indeed称，招聘经验丰富的员工能够吸引更多的人才，帮助企业在激烈的劳动力市场上更具竞争力。　　平均工资最高的AI职位　　机器学习工程师不仅是发布率最高的AI工作，也是工资最高的工作之一。与2018年相比，这是平均年薪增长最多的工作。　　在2018年和2019年的排名中，机器学习工程师是薪酬第三高的工作。然而，今年该职位的平均年薪为142859美元，比去年高出8409美元。与人力资源公司Mercer预测的2019年平均2.9%的薪资增幅相比，增幅为5.8%。　　同样，算法工程师今年的平均年薪升至109313美元，增加了5201美元，增幅为4.99%。在竞争激烈的人工智能就业市场中，这两次加薪都很可能是各组织花费更多资金吸引人才担任这些关键角色的结果。　　与前一份排名一样，薪酬排名第一的职位显示了整个人工智能市场的演变和成熟。更普遍的职位，如分析主任、数据工程师、计算机科学家、统计学家和研究工程师，都出现在2018年的榜单上，但今年没有进入前十名。2019年名单上的新职位包括更特殊的数据科学工作，如高级数据科学家和首席数据科学家。　　纽约和旧金山是人工智能工作的领头羊。　　与去年相比，尽管有一些小变动，以及加入了一个“新人”，但2019年AI工作比例最高的大城市排名没有明显变化。　　城市AI工作比例排名　　1、纽约　　2、加州旧金山　　3、华盛顿特区　　4、加州圣何塞　　5、华盛顿西雅图　　6、马萨诸塞州波士顿　　7、加州洛杉矶　　8、伊利诺斯州芝加哥　　9、德州达拉斯沃思堡　　10、佐治亚州亚特兰大　　2018年和2019年，纽约市和旧金山地铁区分别排在第一和第二位。然而，纽约已经失去了一些优势：去年，纽约占人工智能职位的11.6%，2019年降至9.72%。相比之下，旧金山2018年的份额为9.6%，2019年降至9.20%，现在仅略落后于纽约。(旧金山也在“2019年求职者最佳城市”排行榜上排名第二，在25个市区中脱颖而出。)　　纽约的排名令人惊讶，但这个城市拥有从金融服务业到出版业等多个行业，其中许多行业现在都采用了人工智能。许多位于西海岸的科技公司，如亚马逊、facebook和google，在该地区都有很大的影响力。纽约也拥有与人工智能相关的科技初创公司的份额，如Alphasense、Clarifai、Persado和x.ai。　　在2018到2019年之间，有三个地区在Indeed的排名名单上变换了位置。2018年，圣何塞排名第三(9.2%)，华盛顿名列第四(7.9%)。但今年华盛顿特区排名第三，圣何塞排名第四。2019年，波士顿(从第五位下滑)与西雅图(从第六位上升)变换了位置，芝加哥将第七名让位给了洛杉矶(之前第八名)。达拉斯沃思堡排名第九。费城，去年排名第十，此次被新来的亚特兰大从排行榜上挤了出去。　　AI创造的就业机会会比它所消除的更多吗?　　在未来的几年里，最大的问题将是：AI创造的就业岗位是否会多于它所消除的。　　一些研究表明，事实上，比起被破坏的数量，AI将创造更多的就业机会。世界经济论坛2018年发布的“就业未来”报告发现，到2022年，人类与机器之间分工的转变——即AI支持的自动化——将取代7500万个工作岗位，但会创造1.33亿个新的工作岗位。Gartner估计，到2020年，AI将创造230万个新的就业岗位，同时也会因此而减少180万个。根据一份2019年Dun&BradStreet的报告，40%的组织由于采用AI而增加了更多的工作岗位，而只有8%的公司因此而裁员。这种趋势是否会持续下去，我们拭目以待。
关键词：
发布时间：2019-07-01 00:00 阅读量：1487 继续阅读>>
每个人都在讲AI,可你知道深度学习和<span style='color:red'>机器学习</span>的区别吗?
行业新闻

每个人都在讲AI,可你知道深度学习和机器学习的区别吗?

　　本质上，深度学习提供了一套技术和算法，这些技术和算法可以帮助我们对深层神经网络结构进行参数化——人工神经网络中有很多隐含层数和参数。深度学习背后的一个关键思想是从给定的数据集中提取高层次的特征。因此，深度学习的目标是克服单调乏味的特征工程任务的挑战，并帮助将传统的神经网络进行参数化。　　现在，为了引入深度学习，让我们来看看一个更具体的例子，这个例子涉及多层感知器(MLP)。　　在MLP中，“感知器”这个词可能有点让人困惑，因为我们并不想只在我们的网络中使用线性神经元。利用MLP，我们可以学习复杂的函数来解决非线性问题。因此，我们的网络通常由连接输入和输出层的一个或多个“隐藏”层组成。这些隐藏的层通常有某种S型的激活函数(logs-s形或双曲正切等)。例如，在我们的网络中，一个逻辑回归单元，返回0-1范围内的连续值。一个简单的MLP看起来就像这样：　　其中y是最终的类标签，我们返回的是基于输入x的预测，“a”是我们激活的神经元，而“w”是权重系数。现在，如果我们向这个MLP添加多个隐藏层，我们也会把网络称为“深度”。这种“深度”网络的问题在于，为这个网络学习“好”的权重变得越来越难。当我们开始训练我们的网络时，我们通常会将随机值赋值为初始权重，这与我们想要找到的“最优”解决方案很不一样。在训练过程中，我们使用流行的反向传播算法(将其视为反向模式自动微分)来传播从右到左的“错误”，并计算每一个权重的偏导数，从而向成本(或“错误”)梯度的相反方向迈进。现在，深度神经网络的问题是所谓的“消失梯度”——我们添加的层越多，就越难“更新”我们的权重，因为信号变得越来越弱。由于我们的网络的权重在开始时可能非常糟糕(随机初始化)，因此几乎不可能用反向传播来参数化一个具有“深度”的神经网络。　　这就是深度学习发挥作用的地方。粗略地说，我们可以把深度学习看作是一种“聪明”的技巧或算法，可以帮助我们训练这种“深度”神经网络结构。有许多不同的神经网络结构，但是为了继续以MLP为例，让我来介绍卷积神经网络(CNN)的概念。我们可以把它看作是我们的MLP的“附加组件”，它可以帮助我们检测到我们的MLP“好”的输入。　　在一般机器学习的应用中，通常有一个重点放在特征工程部分;算法学习的模型只能是和输入数据一样好。当然，我们的数据集必须要有足够多的、具有辨别能力的信息，然而，当信息被淹没在无意义的特征中，机器学习算法的性能就会受到严重影响。深度学习的目的是从杂乱的数据中自动学习;这是一种算法，它为我们提供了具有意义的深层神经网络结构，使其能够更有效地学习。我们可以把深度学习看作是自动学习“特征工程”的算法，或者我们也可以简单地称它们为“特征探测器”，它可以帮助我们克服一系列挑战，并促进神经网络的学习。　　让我们在图像分类的背景下考虑一个卷积神经网络。在这里，我们使用所谓的“接收域”(将它们想象成“窗口”)，它们会经过我们的图像。然后，我们将这些“接受域”(例如5×5像素的大小)和下一层的1个单元连接起来，这就是所谓的“特征图”。在这个映射之后，我们构建了一个所谓的卷积层。注意，我们的特征检测器基本上是相互复制的——它们共享相同的权重。它的想法是，如果一个特征检测器在图像的某个部分很有用，它很可能在其他地方也有用，与此同时，它还允许用不同的方式表示图像的各个部分。　　接下来，我们有一个“池”层，在这个层中，我们将我们的特征映射中的相邻特征减少为单个单元(例如，通过获取最大特征，或者对其进行平均化)。我们在很多测试中都这样做，最终得出了我们的图像的几乎不不变的表示形式(确切的说法是“等变量”)。这是非常强大的，因为无论它们位于什么位置，我们都可以在图像中检测到对象。　　本质上，CNN这个附加组件在我们的MLP中充当了特征提取器或过滤器。通过卷积层，我们可以从图像中提取有用的特征，通过池层，我们可以使这些特征在缩放和转换方面有一定的不同。
关键词：
发布时间：2017-12-05 00:00 阅读量：1700 继续阅读>>
<span style='color:red'>机器学习</span>如何让'智能手机'升级到'人工智能手机'?
行业新闻

机器学习如何让'智能手机'升级到'人工智能手机'?

我认为未来很快会在智能手机上面加上“人工”两个字，变成“人工智能手机”。——高通产品市场资深经理刘学徽表示，高通在骁龙800和600系列芯片上都做了一个软件的神经处理引擎。将进一步优化手机CPU、GPU、DSP的性能和功耗。 相关阅读：从超声波指纹、人脸识别到机器学习，读懂高通手机安全解决方案 人工智能可以说是2017年产业界和投资界最热的概念，其中不少算法公司都获得了极高的估值。作为连接移动互联网和未来物联网的核心平台，智能手机与人工智能概念的结合可以说是大势所趋。不过，目前大部分的人工智能应用还是局限于云端服务，真正终端本地的人工智能目前还在实验室阶段，最大的瓶颈包括手机移动终端的硬件性能以及功耗问题。从“智能手机”到“人工智能手机” 在近日举行的2017生物识别技术与应用高峰论坛上，高通产品市场资深经理刘学徽就介绍了人工智能以及机器学习在手机芯片及算法的发展现状。他表示，高通在骁龙800和600系列芯片上都做了一个软件的神经处理引擎。将进一步优化手机CPU、GPU、DSP的性能和功耗。 “大家可能没有意识到，目前智能手机是人类有史以来，数量规模最大的单品电子产品。所以未来5年我们预计智能手机出货量会达到85亿，如果有好的运算算法或者人工智能的技术在手机上落地会快速的实现商业回报。所以智能手机是我们非常看好的终端平台。”刘学徽认为，人工智能技术会成为未来的一个基本技术，就如同通信、互联网技术一样。 人工智能在终端上的应用基于一些强需求。主要的原因是为了降低延时以及对网络的依赖。现在会有大量的联网设备，随时会产生大量的数据。如果所有的数据依赖云来联系的话，那么通信网络实际上是承担不了这么大的工作量的。所以高通在终端构建的人工智能运算有一些基础条件。 首先这个基础条件是芯片的运算一定要上，所以要有一个高效的硬件。 第二就是算法的改进，在端上和云上的算法，关键的技术核心点不一样。因为端的资源有限，空间有限，因此端的电池、功耗要非常注意。所以在这种情况下，要求算法一定要在保持精度的情况下尽量精简。 第三就是算法如何在如此多的设备上部署，需要一个很好的有效的开发工具。 高通在人工智能方面在做什么事情? 高通在人工智能方面在做什么事情?刘学徽透露，高通的骁龙800和600系列芯片上做了一个软件的神经处理引擎。高通已经出货的芯片只要装上这个SDK，就可以实现加速。这是高通在做的一个已经在市面上的标准手机芯片，加了一层软件的运行环境。同样的算法和速度、功耗都获得优化。 因为手机芯片上有CPU、GPU和DSP，同样的一个算法在GPU上速度要比CPU快4倍。如果在DSP上要快8倍。在功耗效率的提升方面，也就是DSP的功耗能节省25倍，GPU上能节省8倍。 当然，高通未来也会出专门用来做神经网络运算的核，未来算法也会不断的演进。包括优化策略， 一层是工具会越来越优化，另一层是终端设备，包括功耗的分配都可以考虑到人工智能的优化需求。 通过机器学习的算法来增加安全 通过各种生物识别传感器，手机搜集到了很多的数据和信息。这个时候不管是指纹、虹膜还是人脸识别，在具体应用的时候需要一个安全的执行环境，同时需要手机智能的判断是否需要这个安全环境。这个时候就需要采用到机器学习的相关技术。 刘学徽表示，目前最高安全要求的应用就是支付，支付现在普遍应用到trustzone技术。这个技术简单介绍一下实际上是ARM做的一个技术架构，在一个芯片中建立一个防火墙。一侧是Andori，一侧是安全操作系统。 两个操作系统不能同时运行，如果需要做一些安全操作系统的时候，切到trustzone模式。现在的指纹源文件的存放都是存放在trustzone中，包括未来的虹膜识别和人脸识别都需要这个技术做支撑。 另外还有一个技术，因为跟摄像头相关的生物识别技术越来越流行，如人脸、虹膜等，可以有一个通过保护摄像头的实现过程来实现安全。 这个过程大概是当一个应用开启影像后，系统自动切入安全模式，然后这个时候摄像头信号直接进入trustzone。在这里，虹膜进来的信号和数据跟虹膜的源文件做一个比对。比对完之后，由trustzone直接发给APP，通知比对成功。所以这是一个基于摄像头的安全功能。“我认为未来很快会在智能手机上面加上‘人工’两个字，变成‘人工智能手机’。”刘学徽表示，人工智能的真正普及必然由手机带来。在智能手机这个基础的软硬件及系统会慢慢的产生出很多的AR、IOT、VR应用。“罗永浩提出了为什么要坚持做智能手机这件事情？他认为智能手机这个平台是下一个大的风口的跳板。如果不做智能手机，有可能失去这个机会。”刘学徽表示。
关键词：
发布时间：2017-08-31 00:00 阅读量：1354 继续阅读>>

跳转至

/ 1

热门分类
半导体 电路保护 机电产品 嵌入式解决方案 连接器，互连器件 传感器，变送器 光电元件 开发套件 测试与测量 电源 风扇，热管理 盒子，外壳，机架 电缆，电线 无源元件 其它
  • 一周热料
  • 紧缺物料秒杀
型号 品牌 询价
BD71847AMWV-E2 ROHM Semiconductor
RB751G-40T2R ROHM Semiconductor
TL431ACLPR Texas Instruments
CDZVT2R20B ROHM Semiconductor
MC33074DR2G onsemi
型号 品牌 抢购
IPZ40N04S5L4R8ATMA1 Infineon Technologies
BP3621 ROHM Semiconductor
TPS63050YFFR Texas Instruments
STM32F429IGT6 STMicroelectronics
BU33JA2MNVX-CTL ROHM Semiconductor
ESR03EZPJ151 ROHM Semiconductor
热门标签
ROHM
Aavid
Averlogic
开发板
SUSUMU
NXP
PCB
传感器
半导体
原厂授权品牌
更多授权品牌>>
资讯排行榜
  • 周排行榜
  • 月排行榜

关于我们
AMEYA360商城(www.ameya360.com)上线于2011年，现有超过3500家优质供应商，收录600万种产品型号数据，100多万种元器件库存可供选购，产品覆盖MCU+存储器+电源芯 片+IGBT+MOS管+运放+射频蓝牙+传感器+电阻电容电感+连接器等多个领域,平台主营业务涵盖电子元器件现货销售、BOM配单及提供产品配套资料等，为广大客户提供一站式购销服务。