百度飞桨亮相软件绿色联盟开发者大会 两项最新成果直指产业落地

作者: 佚名 2019-11-21 09:07:33

 11月19日,由阿里巴巴、百度、华为、腾讯、网易等国内知名企业策划发起,2019软件绿色联盟开发者大会于北京国家会议中心正式开幕。百度深度学习技术平台部总监马艳军,与在场的300+合作伙伴及2000余名开发者分享了开源深度学习平台飞桨面向大规模产业应用的最新技术进展。

深度学习技术的发展和突破,使得人工智能切实成为驱动各行各业智能化升级的核心力量。而上承应用,下接芯片的深度学习框架可谓这个智能时代的“操作系统”。基于开源开放的深度学习平台进行开发,能够有效降低深度学习技术应用门槛,让开发者和企业避免重复“造轮子”,这也是当前业界主流的开发方式。

飞桨以百度多年的深度学习技术研究和业务应用为基础,集深度学习核心框架、基础模型库、端到端开发套件、工具组件和服务平台于一体,2016年正式开源,是中国首个也是目前国内唯一全面开源开放、技术领先、功能完备的产业级深度学习平台,且拥有完整的自主知识产权。活动现场,倪光南院士在题为《自主创新 迎接软硬件生态新潮流》的演讲中也呼吁道,应加快推进中国网信技术自主可控,并指出一条开源软件促进软件业开放创新之路。

当前, AI+5G+IOT的快速发展正开启着全场景的智联生活,各行各业正在应用人工智能技术进行智能化升级,共建自主可控的泛终端软硬件生态成重要议题。面对大规模产业应用的挑战,现场马艳军着重分享了端侧推理引擎Paddle Lite 2.0以及四大产业级端到端开发套件两项飞桨的最新成果。

针对泛移动端,软件层面如搜索排序、视频推荐等应用超大规模稀性特征、万亿级模型参数在线持续学习、终生学习的挑战,以及硬件层面异构计算等挑战等,百度飞桨推出了轻量级的端侧推理引擎Paddle Lite 2.0。

据介绍,Paddle Lite 2.0版本拥有三大特点,包括:高易用性,提供大量的示例代码,以及操作的指南,方便快速实现在不同的设备场景上进行部署;广泛的硬件支持,Paddle Lite目前已经支持了8种主流的硬件,同时支持华为NPU和边缘设备的FPGA,且设计架构非常便于新硬件的拓展;以及性能优势,Paddle Lite性能优势不仅在FP32场景下,尤其是在移动端已广泛普及的INT8上领先优势会更加明显。性能优势对于实际的应用是至关重要的,时延上的优势直接关系到最终开发产品的用户体验。

值得一提的是,Paddle Lite与华为HiAI Foundation进行了深度联合优化取得了很好的进展。大会当天下午,华为正式对外发布了HiAI3.0版本。发布会上,百度深度学习技术平台部技术经理高铁柱,介绍了百度Paddle Lite端侧推理框特性及与华为进行的深度适配。双方在新一代人工智能产业技术创新战略联盟启动端测AI软件标准研究工作,通过标准化推理接口与标准化应用接口,促进端侧AI产业规模化有序发展,更好地助力开发者使用端侧AI进行应用创新。

除互联网领域外,当前深度学习也大量在传统行业中落地。针对落地过程中,问题定义技术选型、验证成本高研发周期长、设备成本限制及特定性能要求等真实挑战,飞桨推出了4大面向应用任务的产业级开发套件,包括:ERNIE语义理解,PaddleDetection目标检测、PaddleSeg图像分割,以及推荐方向的ElasticCTR点击率预估,降低开发门槛,满足低成本和快速集成需求。

语义理解方面,ERNIE开发套件是基于持续学习语义理解框架ERNIE 2.0升级而来,在16个中英文任务全面超越对标产品,具备轻量方案、能力全面、极速预测、部署灵活、平台赋能等五大特色。

PaddleSeg产业级图像分割库,覆盖了DeepLabv3+、PSPNet、U-Net、ICNet四大主流的分割 模型。通过统一的配置,帮助用户更便捷地完成从训练到部署的全流程图像分割应用。

目标检测方面,PaddleDetection,已集成60+预训练模型并包含百度国际竞赛冠军模型。目的是为工业界和学术界提供易使用的目标检测模型。在这个库中,飞桨还提供了许多目标检测小模型,方便移动端设备使用。

用于个性化推荐的ELASTIC CTR,源自于百度的产业实践。可以实现分布式训练CTR预估任务和Serving流程一键部署,提供了端到端的CTR训练和二次开发的解决方案。

如今,涉及国计民生的重要产业智能化升级正在不断提速,行业头部企业人工智能应用深度、广度已相当可观。百度飞桨正在深入各行各业,带来切实价值。据悉,飞桨深度学习平台已累计服务150多万开发者,仅在定制化训练平台上就有超过6.5万企业用户,发布了16.9万个模型。

百度智能云
上一篇:2020年6个新兴的人工智能和机器学习趋势 下一篇:90后技术宅与他的非主流另类搜索引擎Magi
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

面部识别的利与弊:是福还是祸?

虽然现代技术使面部识别更加精确和安全,但与面部识别隐私问题和监控有关的担忧也在增加。因此,让我们在这篇文章中探讨一下这该技术的利与弊。

Naveen Joshi ·  2021-06-01 16:36:22
人工智能和5G如何结合以实现物联网收入最大化

网络系统通过信令和使用软件以及分析来检测和分类设备非常棘手,并且对有限且日益紧张的网络资源提出了巨大的需求。然而,解决这些问题有一个主要解决方案:采用人工智能、自动化和5G技术。

Jordi Castellvi ·  2021-06-01 13:49:15
MIT团队最新研究,仅靠LiDAR和2D地图实现端到端自动驾驶

最近, MIT 计算机科学与人工智能实验室(CSAIL)团队成功展示了一种基于机器学习的自动驾驶系统,该端到端框架仅使用 LiDAR获取的原始 3D 点云数据和类似于手机上的低分辨率 GPS 地图就能进行自主导航,并且大大提升了鲁棒性。

文龙 ·  2021-06-01 12:47:51
自然语言处理(NLP)的历史及其发展方向

自然语言处理的历史是一个充满曲折的故事。它从徒劳的研究开始,经过多年卓有成效的工作,最后结束于一个我们仍在试图找出该领域极限的时代。今天,让我们来一起探索这一AI科学分支的发展。

佚名 ·  2021-06-01 12:46:26
是福还是祸?人脸识别技术的利与弊

面部识别并不是一项全新的技术,但人工智能和机器学习不断使面部识别变得更好。苹果通过引入具有 3D 扫描功能的面部生物识别系统和 iPhone 的 Face ID,提高了面部识别的标准。

Naveen Joshi ·  2021-06-01 11:11:01
人工智能能否使机器具有流体智力?

麻省理工学院和奥地利研究人员为灵活的人工智能创造了“液体”机器学习。

千家网 ·  2021-06-01 10:38:55
高真实感、全局一致、外观精细,面向模糊目标的NeRF方案出炉

自 NeRF 被提出后,有多项研究对其加以改进。在本篇论文中,上海科技大学的研究者提出了首个将显式不透明监督和卷积机制结合到神经辐射场框架中以实现高质量外观的方案。

Haimin Luo等 ·  2021-06-01 09:57:39
大脑模拟NLP,高德纳奖得主:神经元集合演算用于句子解析

一个简单的大脑模型为人工智能研究提供了新的方向。世界顶尖计算机科学理论学家、哥德尔奖和高德纳奖获得者、哥伦比亚大学计算机科学教授 Christos Papadimitriou 关于「大脑中单词表征」的演讲。

Ben Dickson ·  2021-06-01 09:39:24
Copyright©2005-2021 51CTO.COM 版权所有 未经许可 请勿转载