发烧友10周年庆典,全网超值优惠来袭!千元现金券,下单抽奖赶紧参与》》

基于KerasConv1D心电图检测开源教程

AI科技大本营 2019-06-10 15:48 次阅读
本实战内容取自笔者参加的首届中国心电qy88千赢国际娱乐大赛项目,初赛要求为设计一个自动识别心电图波形算法。笔者使用Keras框架设计了基于Conv1D结构的模型,并且开源了代码作为Baseline。内容包括数据预处理,模型搭建,网络训练,模型应用等,此Baseline采用最简单的一维卷积达到了88%测试准确率。有多支队伍在笔者基线代码基础上调优取得了优异成绩,顺利进入复赛。 数据介绍 下载完整的训练集和测试集,共1000例常规心电图,其中训练集中包含600例,测试集中共400例。该数据是从多个公开数据集中获取。参赛团队需要利用有正常/异常两类标签的训练集数据设计和实现算法,并在没有标签的测试集上做出预测。 该心电数据的采样率为500 Hz。为了方便参赛团队用不同编程语言都能读取数据,所有心电数据的存储格式为MAT格式。该文件中存储了12个导联的电压信号。训练数据对应的标签存储在txt文件中,其中0代表正常,1代表异常。 赛题分析 简单分析一下,初赛的数据集共有1000个样本,其中训练集中包含600例,测试集中共400例。其中训练集中包含600例是具有label的,可以用于我们训练模型;测试集中共400例没有标签,需要我们使用训练好的模型进行预测。 赛题就是一个二分类预测问题,解题思路应该包括以下内容 数据读取与处理 网络模型搭建 模型的训练 模型应用与提交预测结果 实战应用 经过对赛题的分析,我们把任务分成四个小任务,首先第一步是: 1.数据读取与处理 该心电数据的采样率为500 Hz。为了方便参赛团队用不同编程语言都能读取数据,所有心电数据的存储格式为MAT格式。该文件中存储了12个导联的电压信号。训练数据对应的标签存储在txt文件中,其中0代表正常,1代表异常。 我们由上述描述可以得知, 我们的数据保存在MAT格式文件中(这决定了后面我们要如何读取数据) 采样率为500 Hz(这个信息并没有怎么用到,大家可以简单了解一下,就是1秒采集500个点,由后面我们得知每个数据都是5000个点,也就是10秒的心电图片) 12个导联的电压信号(这个是指采用12种导联方式,大家可以简单理解为用12个体温计量体温,从而得到更加准确的信息,下图为导联方式简单介绍,大家了解下即可。要注意的是,既然提供了12种导联,我们应该全部都用到,虽然我们仅使用一种导联方式也可以进行训练与预测,但是经验告诉我们,采取多个特征会取得更优效果)
数据处理函数定义: import kerasfrom scipy.io import loadmatimport matplotlib.pyplot as pltimport globimport numpy as npimport pandas as pdimport mathimport osfrom keras.layers import *from keras.models import *from keras.objectives import *BASE_DIR = “preliminary/TRAIN/”#进行归一化def normalize(v): return (v - v.mean(axis=1).reshape((v.shape[0],1))) / (v.max(axis=1).reshape((v.shape[0],1)) + 2e-12)loadmat打开文件def get_feature(wav_file,Lens = 12,BASE_DIR=BASE_DIR): mat = loadmat(BASE_DIR+wav_file) dat = mat[“data”] feature = dat[0:12] return(normalize(feature).transopse())#把标签转成oneHot形式def convert2oneHot(index,Lens): hot = np.zeros((Lens,)) hot[index] = 1 return(hot)TXT_DIR = “preliminary/reference.txt”MANIFEST_DIR = “preliminary/reference.csv” 读取一条数据进行显示 if name__ == “__main”: dat1 = get_feature(“preliminary/TRAIN/TRAIN101.mat”) print(dat1.shape) #one data shape is (12, 5000) plt.plt(dat1[:,0]) plt.show()
我们由上述信息可以看出每种导联都是由5000个点组成的列表,12种导联方式使每个样本都是12*5000的矩阵,类似于一张分辨率为12x5000的照片。 我们需要处理的就是把每个读取出来,归一化一下,送入网络进行训练可以了。 标签处理方式 def create_csv(TXT_DIR=TXT_DIR): lists = pd.read_csv(TXT_DIR,sep=r“\t”,header=None) lists = lists.sample(frac=1) lists.to_csv(MANIFEST_DIR,index=None) print(“Finish save csv”) 我这里是采用从reference.txt读取,然后打乱保存到reference.csv中,注意一定要进行数据打乱操作,不然训练效果很差。因为原始数据前面便签全部是1,后面全部是0 数据迭代方式 Batch_size = 20def xs_gen(path=MANIFEST_DIR,batch_size = Batch_size,train=True):img_list = pd.read_csv(path)if train : img_list = np.array(img_list)[:500] print(“Found %s train items.”%len(img_list)) print(“list 1 is”,img_list[0]) steps = math.ceil(len(img_list) / batch_size) # 确定每轮有多少个batchelse: img_list = np.array(img_list)[500:] print(“Found %s test items.”%len(img_list)) print(“list 1 is”,img_list[0]) steps = math.ceil(len(img_list) / batch_size) # 确定每轮有多少个batchwhile True: for i in range(steps): batch_list = img_list[i * batch_size : i * batch_size + batch_size] np.random.shuffle(batch_list) batch_x = np.array([get_feature(file) for file in batch_list[:,0]]) batch_y = np.array([convert2oneHot(label,2) for label in batch_list[:,1]]) yield batch_x, batch_y 数据读取的方式我采用的是生成器的方式,这样可以按batch读取,加快训练速度,大家也可以采用一下全部读取,看个人的习惯了 2.网络模型搭建 数据我们处理好了,后面就是模型的搭建了,我使用keras搭建的,操作简单便捷,tf,pytorch,sklearn大家可以按照自己喜好来。 网络模型可以选择CNN,RNN,Attention结构,或者多模型的融合,抛砖引玉,此Baseline采用的一维CNN方式,一维CNN学习地址 模型搭建 TIME_PERIODS = 5000num_sensors = 12def build_model(input_shape=(TIME_PERIODS,num_sensors),num_classes=2): model = Sequential() #model.add(Reshape((TIME_PERIODS, num_sensors), input_shape=input_shape)) model.add(Conv1D(16, 16,strides=2, activation=‘relu’,input_shape=input_shape)) model.add(Conv1D(16, 16,strides=2, activation=‘relu’,padding=“same”)) model.add(MaxPooling1D(2)) model.add(Conv1D(64, 8,strides=2, activation=‘relu’,padding=“same”)) model.add(Conv1D(64, 8,strides=2, activation=‘relu’,padding=“same”)) model.add(MaxPooling1D(2)) model.add(Conv1D(128, 4,strides=2, activation=‘relu’,padding=“same”)) model.add(Conv1D(128, 4,strides=2, activation=‘relu’,padding=“same”)) model.add(MaxPooling1D(2)) model.add(Conv1D(256, 2,strides=1, activation=‘relu’,padding=“same”)) model.add(Conv1D(256, 2,strides=1, activation=‘relu’,padding=“same”)) model.add(MaxPooling1D(2)) model.add(GlobalAveragePooling1D()) model.add(Dropout(0.3)) model.add(Dense(num_classes, activation=‘softmax’)) return(model) 用model.summary()输出的网络模型为
训练参数比较少,大家可以根据自己想法更改。 3.网络模型训练 模型训练 if name__ == “__main”: “”“dat1 = get_feature(”TRAIN101.mat“) print(”one data shape is“,dat1.shape) #one data shape is (12, 5000) plt.plot(dat1[0]) plt.show()”“” if (os.path.exists(MANIFEST_DIR)==False): create_csv() train_iter = xs_gen(train=True) test_iter = xs_gen(train=False) model = build_model() print(model.summary()) ckpt = keras.callbacks.ModelCheckpoint( filepath=‘best_model.{epoch:02d}-{val_acc:.2f}.h5’, monitor=‘val_acc’, save_best_only=True,verbose=1) model.compile(loss=‘categorical_crossentropy’, optimizer=‘adam’, metrics=[‘accuracy’]) model.fit_generator( generator=train_iter, steps_per_epoch=500//Batch_size, epochs=20, initial_epoch=0, validation_data = test_iter, nb_val_samples = 100//Batch_size, callbacks=[ckpt], ) 训练过程输出(最优结果:loss: 0.0565 - acc: 0.9820 - val_loss: 0.8307 - val_acc: 0.8800) Epoch 10/2025/25 [==============================] - 1s 37ms/step - loss: 0.2329 - acc: 0.9040 - val_loss: 0.4041 - val_acc: 0.8700Epoch 00010: val_acc improved from 0.85000 to 0.87000, saving model to best_model.10-0.87.h5Epoch 11/2025/25 [==============================] - 1s 38ms/step - loss: 0.1633 - acc: 0.9380 - val_loss: 0.5277 - val_acc: 0.8300Epoch 00011: val_acc did not improve from 0.87000Epoch 12/2025/25 [==============================] - 1s 40ms/step - loss: 0.1394 - acc: 0.9500 - val_loss: 0.4916 - val_acc: 0.7400Epoch 00012: val_acc did not improve from 0.87000Epoch 13/2025/25 [==============================] - 1s 38ms/step - loss: 0.1746 - acc: 0.9220 - val_loss: 0.5208 - val_acc: 0.8100Epoch 00013: val_acc did not improve from 0.87000Epoch 14/2025/25 [==============================] - 1s 38ms/step - loss: 0.1009 - acc: 0.9720 - val_loss: 0.5513 - val_acc: 0.8000Epoch 00014: val_acc did not improve from 0.87000Epoch 15/2025/25 [==============================] - 1s 38ms/step - loss: 0.0565 - acc: 0.9820 - val_loss: 0.8307 - val_acc: 0.8800Epoch 00015: val_acc improved from 0.87000 to 0.88000, saving model to best_model.15-0.88.h5Epoch 16/2025/25 [==============================] - 1s 38ms/step - loss: 0.0261 - acc: 0.9920 - val_loss: 0.6443 - val_acc: 0.8400Epoch 00016: val_acc did not improve from 0.88000Epoch 17/2025/25 [==============================] - 1s 38ms/step - loss: 0.0178 - acc: 0.9960 - val_loss: 0.7773 - val_acc: 0.8700Epoch 00017: val_acc did not improve from 0.88000Epoch 18/2025/25 [==============================] - 1s 38ms/step - loss: 0.0082 - acc: 0.9980 - val_loss: 0.8875 - val_acc: 0.8600Epoch 00018: val_acc did not improve from 0.88000Epoch 19/2025/25 [==============================] - 1s 37ms/step - loss: 0.0045 - acc: 1.0000 - val_loss: 1.0057 - val_acc: 0.8600Epoch 00019: val_acc did not improve from 0.88000Epoch 20/2025/25 [==============================] - 1s 37ms/step - loss: 0.0012 - acc: 1.0000 - val_loss: 1.1088 - val_acc: 0.8600Epoch 00020: val_acc did not improve from 0.88000 4.模型应用预测结果 预测数据 if name__ == “__main”: “”“dat1 = get_feature(”TRAIN101.mat“) print(”one data shape is“,dat1.shape) #one data shape is (12, 5000) plt.plot(dat1[0]) plt.show()”“” “”“if (os.path.exists(MANIFEST_DIR)==False): create_csv() train_iter = xs_gen(train=True) test_iter = xs_gen(train=False) model = build_model() print(model.summary()) ckpt = keras.callbacks.ModelCheckpoint( filepath=‘best_model.{epoch:02d}-{val_acc:.2f}.h5’, monitor=‘val_acc’, save_best_only=True,verbose=1) model.compile(loss=‘categorical_crossentropy’, optimizer=‘adam’, metrics=[‘accuracy’]) model.fit_generator( generator=train_iter, steps_per_epoch=500//Batch_size, epochs=20, initial_epoch=0, validation_data = test_iter, nb_val_samples = 100//Batch_size, callbacks=[ckpt], )”“” PRE_DIR = “sample_codes/answers.txt” model = load_model(“best_model.15-0.88.h5”) pre_lists = pd.read_csv(PRE_DIR,sep=r“ ”,header=None) print(pre_lists.head()) pre_datas = np.array([get_feature(item,BASE_DIR=“preliminary/TEST/”) for item in pre_lists[0]]) pre_result = model.predict_classes(pre_datas)#0-1概率预测 print(pre_result.shape) pre_lists[1] = pre_result pre_lists.to_csv(“sample_codes/answers1.txt”,index=None,header=None) print(“predict finish”) 下面是前十条预测结果: TEST394,0TEST313,1TEST484,0TEST288,0TEST261,1TEST310,0TEST286,1TEST367,1TEST149,1TEST160,1 展望 此Baseline采用最简单的一维卷积达到了88%测试准确率(可能会因为随机初始化值上下波动),大家也可以多尝试GRU,Attention,和Resnet等结果,测试准确率会突破90+。

原文标题:实战 | 基于KerasConv1D心电图检测开源教程(附代码) 文章出处:【微信号:rgznai100,微信公众号:AI科技大本营】欢迎添加关注!文章转载请注明出处。
收藏 人收藏
分享:

评论

相关推荐

快速构建RT-Thread 可通用的软件包

主题介绍及亮点:软件包在高级语言中非常常见,很多高级语言都有对应的软件包平台,软件包生态对于一门语言的选择至关重要,本次
发表于 09-11 00:00 28次 阅读
快速构建RT-Thread 可通用的软件包

一款开源换脸工具FaceSwap以超过23000星登上GitHub排行榜

ZAO 尽管ZAO已经通过修改用户协议来回应投诉。新协议规定,未经用户事先同意,应用程序上生成的....
的头像 新智元 发表于 09-13 16:25 605次 阅读
一款开源换脸工具FaceSwap以超过23000星登上GitHub排行榜

一张贴纸能让你在面部识别软件面前 “隐身”!

攻击一个 AI 系统不是什么新鲜事,但我们成功地在现实世界中做到了:只需要打印一张彩色贴纸,然后将其....
的头像 新智元 发表于 09-07 07:53 323次 阅读
一张贴纸能让你在面部识别软件面前 “隐身”!

浅析Anaconda

什么是Anaconda?
发表于 09-06 07:45 46次 阅读
浅析Anaconda

微软进一步优化Chromium增强版滚动特性

基于谷歌的开源浏览器Chromium,近日微软面向Windows 10、Windows 7和macO....
的头像 电子发烧友网工程师 发表于 08-29 15:03 100次 阅读
微软进一步优化Chromium增强版滚动特性

中科视拓SeetaFace2现已通过GitHub开源人脸识别算法

SeetaFace2采用商业友好的BSD协议,这是在2016年9月开源SeetaFace1.0人脸识....
的头像 电子发烧友网工程师 发表于 08-23 14:00 617次 阅读
中科视拓SeetaFace2现已通过GitHub开源人脸识别算法

关于开源协议,你知多少

软件在追求“自由”的同时,不能牺牲程序员的利益,否则将会影响程序员的创造激情,因此世界上现在有 60 多种被开源促进组织(O...
发表于 08-20 15:39 333次 阅读
关于开源协议,你知多少

鸿蒙出世,第三大操作系统诞生,最厉害的还是开源这点!

鸿蒙出世,手机、物联网、智慧屏通通能用,最厉害的还是这点!
的头像 陈翠 发表于 08-20 09:54 435次 阅读
鸿蒙出世,第三大操作系统诞生,最厉害的还是开源这点!

开源维护者的挣扎和无奈

我完全理解,一旦开源项目开始流行起来,他们就开始为了生活而挣扎。
的头像 Linux爱好者 发表于 08-11 10:18 200次 阅读
开源维护者的挣扎和无奈

开源和美国出口管制

如果某个编程语言禁止某国用,会是什么一种情况
的头像 Linux爱好者 发表于 08-11 10:10 334次 阅读
开源和美国出口管制

Librem 5 配置公布,Q3开售

许久未见的 Librem 5 开源qy88千赢国际娱乐手机近日终于有了新消息,Purism 公司在官网公布了 Lib....
的头像 ZEALER订阅号 发表于 08-05 17:25 505次 阅读
 Librem 5 配置公布,Q3开售

GitHub回应托管代码受限

伊朗的开发商Hamed Saeedi称:“GitHub封锁了我的帐户,他们认为我正在开发核武器”。
的头像 满天芯 发表于 07-31 17:42 384次 阅读
GitHub回应托管代码受限

中文 repo“霸榜”GitHub Trending,老外发文控诉

他们不适应了?
的头像 嵌入式资讯精选 发表于 07-31 09:38 305次 阅读
中文 repo“霸榜”GitHub Trending,老外发文控诉

视听结合进行持续的情感预测

阿斯隆理工学院计算机与软件工程系的研究人员致力于寻找合适的特征,并展示基于头部和眼睛的线索在情绪预测....
的头像 半导体界 发表于 07-30 10:26 397次 阅读
视听结合进行持续的情感预测

Linux开发工具总结

Linux是一个优秀的开发环境,但是如果没有好的开发工具作为武器,这个环境给你带来的好处就会大打折扣。幸运的是,有很多好用的...
发表于 07-23 06:35 133次 阅读
Linux开发工具总结

ST 5.0开源电机库分享!

链接: 密码:juz7
发表于 07-22 04:35 150次 阅读
ST 5.0开源电机库分享!

开源软件的演进历程是怎样的

随着两化融合、工业物联网、qy88千赢国际娱乐制造、企业上云等政策的发布,将会促进云计算与产业场景的结合。
发表于 07-18 09:00 83次 阅读
开源软件的演进历程是怎样的

打造开发者社区,涛思数据开源 TDengine物联网大数据平台

“Leave a dent in the world!”
的头像 AI科技大本营 发表于 07-16 10:48 2529次 阅读
打造开发者社区,涛思数据开源 TDengine物联网大数据平台

IBM收购RedHat,开源和闭源的存储软件将如何抉择?

IBM完成收购后将拥有自己的专有存储产品和红帽的开源存储产品集了,此时IBM将如何抉择这两种提供存储....
的头像 存储社区 发表于 07-15 08:53 514次 阅读
IBM收购RedHat,开源和闭源的存储软件将如何抉择?

开源webbloger Roller的安装记录

设置系统变量JAVA_HOME=c:/j2sdk142为你的JDK安装目录,然后安装tomcat,并设置系统变量CATALINA_HOME=d...
发表于 07-15 06:08 72次 阅读
开源webbloger Roller的安装记录

FRVT赛程全纪录:格灵深瞳全球排名前五

在FRVT评测中,测试集是完全不公开的,只有简略的几段话描述。这意味着FRVT用的不是传统那种通过在....
的头像 AI科技大本营 发表于 07-13 07:33 871次 阅读
FRVT赛程全纪录:格灵深瞳全球排名前五

我国数字经济发展重要支撑是什么

无论是云计算,还是大数据、人工qy88千赢国际娱乐、区块链等领域,都大量采用了开源技术。
发表于 07-12 10:29 440次 阅读
我国数字经济发展重要支撑是什么

怎样才能将人工qy88千赢国际娱乐用得好

人工qy88千赢国际娱乐的技术发展,依赖于人工qy88千赢国际娱乐的算法和计算资源的能力,也就是算力。
发表于 07-12 09:38 71次 阅读
怎样才能将人工qy88千赢国际娱乐用得好

340亿美元收购红帽,蓝色巨人在开源世界开疆拓土

IBM历史上最大的一笔豪赌
的头像 半导体商城 发表于 07-11 11:16 560次 阅读
340亿美元收购红帽,蓝色巨人在开源世界开疆拓土

flume原理介绍

flume是Apache的一款开源日志收集软件。在flume中,主要有三个重要的角色:source、channel和sink。source负责收集日志,日志可...
发表于 07-10 06:04 476次 阅读
flume原理介绍

技术无罪?AI脱衣App上线几个小时就被下线了!

一键“脱衣”应用遭下架!
的头像 人工qy88千赢国际娱乐与大数据技术 发表于 07-09 09:00 2021次 阅读
技术无罪?AI脱衣App上线几个小时就被下线了!

深度学习框架你了解多少

开源的深度学习神经网络正步入成熟,而现在有许多框架具备为个性化方案提供先进的机器学习和人工qy88千赢国际娱乐的能力....
发表于 07-08 10:31 235次 阅读
深度学习框架你了解多少

人工qy88千赢国际娱乐开源框架有哪些

TensorFlow是谷歌基于DistBelief进行研发的第二代人工qy88千赢国际娱乐学习系统,其命名来源于本身....
发表于 07-08 10:27 134次 阅读
人工qy88千赢国际娱乐开源框架有哪些

小项目,大影响!超小型开源项目成黑客注入恶意代码的重灾区

现代软件开发的依赖树让黑客更容易从小型开源项目入手攻克。
的头像 ibm软件技术联盟 发表于 07-08 10:21 446次 阅读
小项目,大影响!超小型开源项目成黑客注入恶意代码的重灾区

清华成立NLP与社会人文计算研究中心 开源机器翻译系统等三项成果

近日,清华大学人工qy88千赢国际娱乐研究院自然语言处理与社会人文计算研究中心(以下简称中心)成立仪式在清华大学FI....
的头像 大数据文摘 发表于 07-05 15:48 556次 阅读
清华成立NLP与社会人文计算研究中心 开源机器翻译系统等三项成果

5G开源创新中心在能源和汽车场景的应用

创新的企业借助开源的特性,容易形成比较高的竞争壁垒,避免恶性竞争的发生。
的头像 开源工业互联网联盟 发表于 07-05 14:08 523次 阅读
5G开源创新中心在能源和汽车场景的应用

开源对于区块链来说有多重要

不管是互联网还是区块链,作为一项技术进入大众的视野,开源与否都饱含争议。
发表于 07-05 10:21 77次 阅读
开源对于区块链来说有多重要

腾讯率先开源面向世界 华为鸿蒙为何迟迟不出?

近日,腾讯宣布成立开源管理办公室,内部有三个机构。腾讯目前已经实现了内部开源协作,通过小团队或跨部门....
的头像 嵌入式资讯精选 发表于 07-01 16:28 1334次 阅读
腾讯率先开源面向世界 华为鸿蒙为何迟迟不出?

一年开源12款新工具 谷歌负责任AI原则落地生根

自从谷歌宣布AI原则开始,已经过了一年时间。如今Jeff Dean和Kent Walker对原则获得....
的头像 新智元 发表于 07-01 11:40 709次 阅读
一年开源12款新工具 谷歌负责任AI原则落地生根

Cruise 开源可视化平台,提升自动驾驶研究水平

任何人都可以将任何ROS包文件拖放到Webviz中,以直观地了解机器人数据。
的头像 智车科技 发表于 06-28 13:54 620次 阅读
Cruise 开源可视化平台,提升自动驾驶研究水平

Facebook AI开源机器人框架 PyRobot

它以灵活、简便、易上手的特性,进一步降低了机器人研究与应用的成本。
的头像 全球人工qy88千赢国际娱乐 发表于 06-28 10:05 536次 阅读
Facebook AI开源机器人框架 PyRobot

美国政府在人工qy88千赢国际娱乐战略计划中再提开源动力

2019年6月21日,美国白宫政府发布了《美国人工qy88千赢国际娱乐研发战略计划2019更新版》,在2016年发布....
的头像 开源工业互联网联盟 发表于 06-25 10:50 992次 阅读
美国政府在人工qy88千赢国际娱乐战略计划中再提开源动力

对于qy88千赢国际娱乐便携诊疗设备特点分析和应用

随着电活性横穿整个心房,它从SA节点进入到房室(AV)节点。 AV结点的作用是在传导系统起到一个重要....
的头像 贸泽电子 发表于 06-25 01:02 59次 阅读
对于qy88千赢国际娱乐便携诊疗设备特点分析和应用

开源机器学习管理平台TRAINS

不论是对于团队还是企业,TRAINS都能将所有内容记录在一个中央服务器中,并实现可视化和出处,这样生....
的头像 新智元 发表于 06-23 08:09 787次 阅读
开源机器学习管理平台TRAINS

Facebook构建虚拟空间训练AI

近日,Facebook推出一个开源的模拟数据集,希望帮助研究人员创建更加真实的AR/VR体验,最终目....
的头像 机器人技术与应用 发表于 06-18 17:07 874次 阅读
Facebook构建虚拟空间训练AI

开源工业互联网联盟推出IOT3000开源方案

为了便于联盟成员了解IOT 3000的具体内容,开源工业互联网联盟组织专家编写了《IOT 3000开....
的头像 开源工业互联网联盟 发表于 06-18 09:43 937次 阅读
开源工业互联网联盟推出IOT3000开源方案

图灵奖得主牵头推动芯片开源 清华伯克利成立RISC-V国际实验室

图灵奖得主牵头,清华伯克利联手打造开源芯片,以深圳为根节点,全面提升 RISC-V 生态系统至最先进....
的头像 新智元 发表于 06-17 15:05 1171次 阅读
图灵奖得主牵头推动芯片开源 清华伯克利成立RISC-V国际实验室

谷歌将AutoML应用于Transformer架构,翻译结果飙升!

为了探索AutoML在序列域中的应用是否能够取得的成功,谷歌的研究团队在进行基于进化的神经架构搜索(....
的头像 新智元 发表于 06-16 11:29 1242次 阅读
谷歌将AutoML应用于Transformer架构,翻译结果飙升!

清华、伯克利联手打造 成立RISC-V国际实验室

图灵奖得主牵头,清华伯克利联手打造开源芯片,以深圳为根节点,全面提升 RISC-V 生态系统至最先进....
的头像 全球人工qy88千赢国际娱乐 发表于 06-16 10:16 1444次 阅读
清华、伯克利联手打造 成立RISC-V国际实验室

谷歌开源张量计算库_速度提高100倍

6月5日消息,据外媒报道,日前,谷歌公司的人工qy88千赢国际娱乐部门与加拿大圆周理论物理研究所,以及谷歌母公司Al....
的头像 电子发烧友网工程师 发表于 06-15 11:04 829次 阅读
谷歌开源张量计算库_速度提高100倍

RISC-V崛起、开源破局,中国芯片困境可解?

不同于要收取高额授权费的ARM架构,RISC-V并不掌握在任何一家公司手里。
的头像 DIGITIMES 发表于 06-11 14:08 1420次 阅读
RISC-V崛起、开源破局,中国芯片困境可解?

大量使用开源的中国 AI 应用,会是下一个被卡住的吗?

对于部分开源(Open source) 的资源,未来是不是也会受到美国出口管制条例的限制,这将是另一....
的头像 DeepTech深科技 发表于 06-11 08:52 1336次 阅读
大量使用开源的中国 AI 应用,会是下一个被卡住的吗?

史上最小!纳米级无人机仅重27克,CNN自主导航,已开源!

还记得《黑镜》中的杀人蜂吗?蜜蜂大小、威力巨大。
的头像 无人机网 发表于 06-09 17:41 696次 阅读
史上最小!纳米级无人机仅重27克,CNN自主导航,已开源!

开源架构RISC-V到底会不会有“被禁”风险?

继此前开源的谷歌安卓、英国的Arm,以及多个全球性的技术联盟/协会都宣布执行美禁令之后,很多人不禁要....
的头像 芯智讯 发表于 06-09 17:19 2352次 阅读
开源架构RISC-V到底会不会有“被禁”风险?

GitHub五万星登顶 程序员命令行最全技巧宝典!

最近两天,「The Art of Command Line(命令行的艺术)」这个开源项目雄踞了 Gi....
的头像 AI科技大本营 发表于 06-06 14:02 664次 阅读
GitHub五万星登顶 程序员命令行最全技巧宝典!

GitHub标星15K,这个开源项目让算法动起来

一个可视化学算法的好工具
的头像 电子发烧友网工程师 发表于 05-31 09:44 504次 阅读
GitHub标星15K,这个开源项目让算法动起来

机器人开源交叉足使用教程必读资料免费下载

本文档的主要内容详细介绍的是机器人开源交叉足使用教程必读资料免费下载 1、 如购买的是成品,直接将....
发表于 05-31 08:00 137次 阅读
机器人开源交叉足使用教程必读资料免费下载

GitHub推出开发者赞助项目 全新的支持开源软件的方式

近日,全球最大的开源软件平台GitHub推出了开发者赞助项目GitHub Sponsors。这是一种....
的头像 嵌入式资讯精选 发表于 05-27 11:40 1571次 阅读
GitHub推出开发者赞助项目 全新的支持开源软件的方式

开源社区GitHub推出了一款新工具——测试版GitHub Sponsors

根据GitHub介绍,这项新功能的目的是“扩大参与和构建开源的机会”。但这可能会引起一些开源开发者的....
的头像 新智元 发表于 05-25 09:01 1726次 阅读
开源社区GitHub推出了一款新工具——测试版GitHub Sponsors

国内的开源生态不完整 缺乏开源种子发展的环境

开源软件与传统的产品及服务模式有较大的不同,它不能直接简单的通过交易模式获得收入,这导致了其商业模式....
的头像 电子发烧友网工程师 发表于 05-24 09:39 745次 阅读
国内的开源生态不完整 缺乏开源种子发展的环境

数据库的高级语言是什么

虽然接近10年没有用过VIsual FoxPro,FoxPro已经没落了,微软也不再开发了,部分放在CodePlex开源了。 但是一直很怀念V...
发表于 05-24 07:21 141次 阅读
数据库的高级语言是什么

Hibernate的对象定义和实例状态

Hibernate是一个很优秀的开源免费的持久化框架,主要是为了解决对象模型和关系模型阻抗不匹配的情况 session是实体管理器 对...
发表于 05-23 09:01 115次 阅读
Hibernate的对象定义和实例状态

微服务架构是一个庞大复杂的工程,为什么说它庞大复杂呢?

如图,自己注册就是指微服务节点在启动的时候,自己去服务注册中心登记注册了,把自己的信息和状态传过去。....
的头像 Linux爱好者 发表于 05-13 13:58 675次 阅读
微服务架构是一个庞大复杂的工程,为什么说它庞大复杂呢?

Github发布重大功能性更新GitHub Package Registry

在处理一个依赖于软件包的项目时,重要的是要信任、理解软件包的代码,并与构建项目的社区建立联系。在社区....
的头像 新智元 发表于 05-13 08:57 844次 阅读
Github发布重大功能性更新GitHub Package Registry

提高开源应用程序的处理器性能

David Katz,Tomasz Lukasiak和Rick Gentile   模拟对话,第39卷 -  2005年2月...
发表于 04-28 17:20 234次 阅读
提高开源应用程序的处理器性能

开源项目的分类

21小时上手深度学习1,从开源项目做起
发表于 04-19 08:53 140次 阅读
开源项目的分类